Analyses des risques concurrents
Transcription
Analyses des risques concurrents
Analyses des risques concurrents A. Latouche, Université Versailles St–Quentin, Santé Vieillissement EA 2506 A. Allignol, Freiburg Center for Data Analysis and Modeling 0-0 Staff Biostatistique, 1er Fevrier Plan • Modèle de Fine–Gray – Developpements (Modèle de regression en présence de compétition, TEL) – Supremum Gray test • Modèle de Regression pour la Probabilité conditionnelle : Temporal process regression 1 Staff Biostatistique, 1er Fevrier Contexte • Risque compétitifs • Utilisations courante (logiciel & Reviewer) • Objets familliés – Incidence cumulée et variantes – Risque cause spécifique 2 Staff Biostatistique, 1er Fevrier Fonctions de risques Hazards functions • Cause–spécifique λ1. (t) = dF1. (t)/S(t) • Subdistribution α1. (t) = dF1. (t)/(1 − F1. (t)) où • F1. (t) = Pr(T ≤ t, ǫ = 1) • S. (t) = 1 − (F1. (t) + F2. (t)) event free survival function Modèles à risques proportionnel pour ses 2 fonctions : Cox et Fine–Gray 3 Staff Biostatistique, 1er Fevrier Modèles de régression à risques proportionnels Relation variable réponse/covariables explicative 2 quantités fondamentales : 1. La fonction de risque cause–spécifique 2. La fonction d’incidence cumulée Modèles semi-paramétriques à risques proportionnels : λ0 (t) exp(βZ) λ(t; Z) = | {z } | {z } Fct de risque Risque de base λ(t; Z = 1) = exp(β), rapport des risques (hazard ratio) λ(t; Z = 0) 4 Staff Biostatistique, 1er Fevrier Cas de la regression en présence de compétition • Fonction de sous répartition F1 (t) = Pr(T ≤ t, ε = 1) • Fonction de risque associée à F1 : α1 (t) • Modèle de Fine-Gray = modèle à risque proportionnel pour α1 • α1 (t; Z) = α0 (t) exp(γZ) 2 modèles de régression pour des quantités brutes : Cox (1972) et Fine–Gray (1999) 5 Staff Biostatistique, 1er Fevrier Notations n patients • Group contrôle C (nC ) • Groupe experimental E (nE ) Risques proportionnels λ1E (t) = λ1C (t)θ, où θ : cause-specific hazard ratio α1E (t) = α1C (t)γ, où γ : subdistribution hazard ratio 6 Staff Biostatistique, 1er Fevrier Hypothèse de proportionnalité Soit h une fonction de risque (hazard) , la proportionnalité s’exprime : h1E (t) = h1C (t) HR où HR est le rapport des risques (hazard ratio) H0 : h1E (t) = h1C (t) ⇐⇒ HR = 1. ⇒ Si les hypothèses du modèle de Cox sont vérifiées Celles du modèle de Fine–Gray ne le sont pas ! 7 Staff Biostatistique, 1er Fevrier Relations entre ses quantités d’où : λ (t) = 1 α1 (t) = 1 dF1 (t) S(t) dt dF1 (t) 1 1−F1 (t) dt 1 − F1 (t) α1 (t). λ1 (t) = S(t) λ1 (t) = (1 + F2 (t) )α1 (t) P (T > t) (1) (2) Remarque : λ1 (t) ≥ α1 (t) 8 Staff Biostatistique, 1er Fevrier Tests Les hypothèses testées sont H0 : log θ = 0 vs H1 : log θ 6= 0 H0 : log γ = 0 vs H1 : log γ 6= 0, ou selon le modèle utilisé 9 Staff Biostatistique, 1er Fevrier Tests • Log–rank⋆ • Supremum log-rank⋆ (Eng et Kosorok. Biometrics. 2005) • Test de Gray⋆ • Test de Bajournaite–Klein aka supremum gray test ⋆ implémenté 10 Staff Biostatistique, 1er Fevrier Test(s) du log–rank H0 : les probabilités instantanées de décès sont les mêmes entre les deux groupes • Analyse de survie : équivalence entre risque et survie • Test fondé sur les différences pondérées integrées entre – Risque cumulé estimé dans le bras de traitement – Risque cumulé estimé en réunissant les 2 bras de traitement • Tarone–Ware (1977), Fleming Harrington (1981) • Ces tests sont implémentés donc utilisés • Optimaux pour des risques proportionnels 11 Staff Biostatistique, 1er Fevrier Supremum log–rank • Sensibilité accrue à des alternatives stochastiques ordonnées • Légère augmentation de la taille (5%) mais gain de puissance • Performance similaire à celle du log–rank, dans une situation où le log–rank est optimale (Eng et Kosorok, Biometrics. 2005) 12 Staff Biostatistique, 1er Fevrier Comparaison d’incidences cumulées: test de Gray H0 : F1E = F1C De la forme Z. = Z τ 0 n o 0 W. (u) dΓ̂1. (u) − dΓ̂1 (u) , • τ la durée totale de l’essai • W. pondération • Γ̂1. (t) Risque cumulée estimé dans le bras de traitement ”·” • Γ̂01 (t) Risque cumulée estimé en réunissant les 2 bras de traitement La fonction de risque est ici : α1· (t) = dF1· (t)/(1 − F1· (t)) Test implémenté dans R et optimal pour des risques proportionnels 13 Staff Biostatistique, 1er Fevrier Test de Bajorunaite–Klein • Modification du test de Gray (supremum Gray test) Q1 = sup{|Z1 (t)|, t ≤ τ }/σ̂(τ ) avec Z1 (t) = Z 0 t W1 (u){dΓ̂11 − dΓ̂01 }(u). Sous les hypothèses du Théorème 1 de Gray: – Z1 (t)/σ(τ ) converge vers B(σ(t)/σ(τ )) – sup 0≤t≤τ |Z1 (t)| d σ̂1 (τ ) → sup |B(t)| 0≤t≤1 • Sensibilité accrue à des alternatives ordonnées • Calcul de la variance simplifiée • Calcul du nombre de sujets nécessaire (implémenté) 14 Staff Biostatistique, 1er Fevrier Comportement des tests Simuler des temps d’évènements sous les hypothèses suivantes pour les Fonctions de risques causes–spécifique et de sous–répartitions (a) sous H0 (b) alternative à risque proportionnel (c) alternative à risques non–proportionnel Evaluer les performances des 4 tests 15 Staff Biostatistique, 1er Fevrier Simulation Exponential simulations (a) (b) 1.0 Control Experimental (PH) Experimental (NPH) 0.4 Marginal survival Cause−specific hazard 0.5 0.3 0.2 0.1 0.0 0.8 0.6 0.4 0.2 0.0 0 1 2 3 4 0 1 Time 2 3 4 3 4 Time Gompertz simulations (c) (d) Cumulative incidence function Subdistribution hazard 0.4 Control Experimental (PH) Experimental (NPH) 0.3 0.2 0.1 0.0 0 1 2 Time 3 4 1.0 0.8 0.6 0.4 0.2 0.0 0 1 2 Time 16 Staff Biostatistique, 1er Fevrier Simulation : Exponentiel N = 1002⋆ N = 1190⋆ Test Size Power Power Size Power Power Log-rank 0.053 0.908 0.796 0.051 0.942 0.847 Supremum log-rank 0.049 0.890 0.808 0.048 0.928 0.861 Gray 0.053 0.880 0.755 0.050 0.923 0.813 Bajorunaite 0.050 0.863 0.783 0.046 0.910 0.835 • Risques proportionnels • Risques non–proportionnels 17 Staff Biostatistique, 1er Fevrier Simulation : Gompertz N = 1002 N = 1190 Test Size Power Power Size Power Power Log-rank 0.050 0.695 0.674 0.050 0.765 0.742 Supremum log-rank 0.046 0.686 0.697 0.049 0.749 0.763 Gray 0.050 0.860 0.743 0.051 0.912 0.812 Bajorunaite 0.047 0.836 0.767 0.049 0.888 0.826 Fk. (t) = 1 − exp [βk. {1 − exp(νk. t)} /νk. ] , où νk. < 0 et |βk. | < ∞. ⇒ α1. (t) = β1. exp(ν1. t) 18 Staff Biostatistique, 1er Fevrier Partie 2 : MGUS • 241 patients with Monoclonal Gammopathy of Unknown Significance (MGUS) • 20 to 35 years of follow-up • Two competing events – Evolution towards a Cancer of the plasma cells (ε = 1) – Death without transformation of the disease (ε = 2) • 59 cancer of the plasma cells • 130 death without transformation • 52 censored patients Kyle, Mayo Clinic Proceedings, 1993 and Grambsch & Therneau, 2000 19 Staff Biostatistique, 1er Fevrier CIF Cancer 1.0 Non−cancer death 0.8 1.0 age <= 64 age > 64 0.6 0.0 0.0 0.2 0.4 Probability 0.6 0.4 0.2 Probability 0.8 age <= 64 age > 64 0 5 10 15 20 Years 25 30 35 0 5 10 15 20 25 30 35 Years Gray’s test p=0.009 (Cancer) , p=0.0001 (Décès) 20 Staff Biostatistique, 1er Fevrier Quantités Identifiables • Risque cause–spécifique • Incidence Cumulée • Probabilité conditionnelle M.S. Pepe and M. Mori, Kaplan-Meier, marginal or conditional probability curves in summarizing competing risks failure time data? Statistics in Medicine, 12(8):737–751. 21 Staff Biostatistique, 1er Fevrier Probabilité conditionnelle d’une evt concurrent In the first exposure, the CP was primarly a descriptive device. The CP of (Evol to) Cancer, CP1 can be expressed as CP1 (t) = P (cancer by t|not dead from cancer by t) = F1 (t) . 1 − F2 (t) Plugin estimator 22 Staff Biostatistique, 1er Fevrier Illustration 1.0 Cancer 0.6 0.4 0.0 0.2 Probability 0.8 age <= 64 age > 64 0 5 10 15 20 25 30 35 Time Pepe’s test p=0.761 23 Staff Biostatistique, 1er Fevrier Modèle de regression The CPF is not a cdf, and the CP does not have a well defined hazard function. The regression model for the conditional probabibility logit(CP 1 (t; Z(t))) = α(t) + β(t)′ Z(t) (3) with α(t) is the (continuous) intercept, β(t) is a vector of time–dependent regression coefficients and Z(t) is a vector of timedependent covariates. 24 Staff Biostatistique, 1er Fevrier Estimation : Temporal process Regression The temporal process regressiona is a functional generalised linear model which specifies the mean of a response Y (t) at time t conditionally on a vector of possibly time-dependent covariates Z(t), E(Y (t)|Z(t)) = g −1 (β(t)′ Z(t)) Package R : tpr (Jun Yan) a Fine, Yan, Kosorok. Biometrika 2004 25 Staff Biostatistique, 1er Fevrier En particulier si on considère • g = logit • Y (t) = I{T ≤ t, ε = 1|T > t ∪ ε = 1} E(I{T ≤ t, ε = 1|T > t ∪ ε = 1}) = CP1 (t) 26 Staff Biostatistique, 1er Fevrier Illustration Formulation : cpf(ftime, fstatus, group = 1, failcode = 1, cencode = 0) • Returns an object of class cpf • cp: The estimated conditional probability function at each event times • var.cp: The estimated variance of the conditional probability function • time: The times where the estimates are calculated • Z: The test statistic if there is two groups • p.value: The p-value of the test 27 Staff Biostatistique, 1er Fevrier EVOLUTION TOWARDS A CANCER OF THE PLASMA CELLS Creatinine 10 15 20 25 30 5 15 20 25 30 10 15 20 Years Years Age (binary) Age (continuous) Creatinine 30 6 Odds−ratio 4 1.11 1.09 6 1.10 8 Odds−ratio 10 1.12 12 1.13 8 1.14 25 1.08 2 4 Odds−ratio 10 Years 14 5 0 0.98 0.5 2 1.00 1.0 4 6 Odds−ratio 1.02 Odds−ratio 2.0 1.5 Odds−ratio 2.5 1.04 8 3.0 1.06 10 Age (continuous) 3.5 Age (binary) 5 10 15 20 Years 25 30 5 10 15 20 25 30 Years 5 10 15 20 25 30 Years DEATH WITHOUT PRIOR EVOLUTION OF THE DISEASE 28 Staff Biostatistique, 1er Fevrier Perspectives • Inclure le modèle de regression dans Cprob [email protected] 29