Classe Beamer - Survie relative
Transcription
Classe Beamer - Survie relative
Introduction Définitions Estimation Modélisation Package R : relsurv Exemples Classe Beamer Survie relative Patricia Samb URC PO 16 novembre 2010 Patricia Samb (URC PO) Classe Beamer 16 novembre 2010 1 / 18 Introduction Définitions Estimation Modélisation Package R : relsurv Exemples Introduction survie fréquente dans le domaine médical apparition d’un évènement au cours du temps : décès, apparition/récidive d’une maladie ... existence de données incomplètes (censurées) évènement étudié doit être bien défini pas utilisée pour l’estimation de la mortalité due à certaines causes survie relative introduction du concept en 1950, par Berkson et Gage tient compte des risques différentiels de décès estimer la survie pour 1 pathologie donnée en l’absence des autres causes de décès la cause exacte du décès non nécessairement connue Patricia Samb (URC PO) Classe Beamer 16 novembre 2010 2 / 18 Introduction Définitions Estimation Modélisation Package R : relsurv Exemples Définition des concepts de survie survie brute (ou survie globale) représente la survie en prenant en compte toutes les causes de décès. ⇒ modèle de Cox survie nette survie d’une cause donnée lorsque toutes les autres causes de décès sont éliminées on considère que la cause spécifique de décès que l’on étudie est indépendante des autres causes de décès. ⇒ méthode de survie spécifique ⇒ méthode de survie relative (ou survie corrigée) survie observée est "‘corrigée"’ par sa survie attendue (issue des tables de mortalité) Patricia Samb (URC PO) Classe Beamer 16 novembre 2010 3 / 18 Introduction Définitions Estimation Modélisation Package R : relsurv Exemples Définition survie relative La survie relative au temps t : Sr (t) = So (t) Sa (t) Sr (t) survie relative So (t) survie observée de notre population Sa (t) survie attendue On note respectivement : λo (t) risque instantanné observé (celui pouvant être estimé à partir des données), λa (t) risque attendu (risque associé aux autres causes, à partir tables de mortalité), λr (t) risque spécifique à la pathologie étudiée Patricia Samb (URC PO) Classe Beamer 16 novembre 2010 4 / 18 Introduction Définitions Estimation Modélisation Package R : relsurv Exemples Estimation de la survie relative Méthode de calcul de survie observée fonction de survie empirique méthode actuarielle méthode de Kaplan Meier Méthodes d’estimation de la survie attendue calcul de λa (t) à partir des fonctions de survie issue des tables de population ces fonctions calculées sont alors considérées comme des constantes et non des estimations différentes méthodes : Ederer I, Ederer II, Hakulinen Patricia Samb (URC PO) Classe Beamer 16 novembre 2010 5 / 18 Introduction Définitions Estimation Modélisation Package R : relsurv Exemples Modélisation de la survie relative Hypothèse des risques proportionnels effet d’une covariable sur le risque de décès est supposé être constant au cours du temps Modèles additifs Modèles multiplicatifs Survie relative individuelle Modèle de survie relative avec fonctions B spline Analyses bayésiennes Patricia Samb (URC PO) Classe Beamer 16 novembre 2010 6 / 18 Introduction Définitions Estimation Modélisation Package R : relsurv Exemples Modèles additifs modèles les plus souvent utilisés hypothèse pincipale : λo (t) = λa (t) + λr (t) λr (t) : excès de risque lié à la pathologie étudiée 3 modèles principaux modèles paramétriques à risques proportionnels Hakulinen-Tenkanen : modèle linéaire généralisé (glm) avec une distribution binomiale des erreurs (données groupées) Modélisation de poisson Modèle d’Estève et coll. : approche par maximum de vraisemblance (données individuelles) Modèle d’Estève recommandé permet d’éviter les problèmes liés au regroupement de patients hétérogènes (du point de vue de la survie) mais aucun moyen de vérifier l’ajustement du modèle Patricia Samb (URC PO) Classe Beamer 16 novembre 2010 7 / 18 Introduction Définitions Estimation Modélisation Package R : relsurv Exemples Modèles muliplicatifs hypothèse pincipale : λo (t) = λa (t)xλr (t) ne suppose pas que λo (t) > λa (t) modèle d’Andersen : modèle de Cox avec covariables dépendantes du temps Patricia Samb (URC PO) Classe Beamer 16 novembre 2010 8 / 18 Introduction Définitions Estimation Modélisation Package R : relsurv Exemples Survie relative individuelle pas d’hypothèse sur les relations entre les λ Répond aux questions : - Combien de temps par rapport à la population générale une certaine personne a vécu ? - Est-ce que A a vécu relativement plus longtemps que B ? Méthode : calculer pour chaque individu la proportion attendue de la population générale qui ne survivrait pas au temps mesuré 1. tous les temps de survie t sont transformés comme y = Fp (t) puis analyses avec modèles de survie classique (Cox) 2. utilisation des modèles classiques sur ces ’y’ Patricia Samb (URC PO) Classe Beamer 16 novembre 2010 9 / 18 Introduction Définitions Estimation Modélisation Package R : relsurv Exemples Survie relative individuelle - illustration Patricia Samb (URC PO) Classe Beamer 16 novembre 2010 10 / 18 Introduction Définitions Estimation Modélisation Package R : relsurv Exemples Modèle de survie relative avec fonctions B spline pas d’hypothèse de risques proportionnels extension du modèle d’Estève et al. avec la possibilité de prendre en compte à la fois des covariables dépendantes du temps et des risques non proportionnels. Patricia Samb (URC PO) Classe Beamer 16 novembre 2010 11 / 18 Introduction Définitions Estimation Modélisation Package R : relsurv Exemples Package R : relsurv Package R : relsurv Formule générale : fonction(formule,data, ratetable) ex : rsadd(surv(time,status) x,data=nosdonnees,ratetable=tablepop) rsadd, rsmul, rstrans Télécharger les tables de mortalité The Human Data Base (HMD) http ://www.mortality.org/ The Human Life-Table DataBase (HLD) http ://www.lifetable.de/ HMD - France : Life tables 1x1 (1816-2007) (tous - hommes - femmes) pour les utiliser, il faut supprimer la 1ere ligne importation des tables de mortalité poptab < − transrate.hmd(male=’ /mltper_1x1.txt’,female=’ fltper_1x1.txt’) is.ratetable(poptab) (pour voir si l’objet créé est une ’ ratetable ’ ) summary(poptab) (résumé de l’organisation) attributes(poptab) poptab[’60’,’1930’,’male’] (proba de dc d’un homme de 60 ans en 1930) Patricia Samb (URC PO) Classe Beamer 16 novembre 2010 12 / 18 Introduction Définitions Estimation Modélisation Package R : relsurv Exemples Exemple N=1040 patients Etude de survie de patients après infarctus du myocarde Entre 1982 et 1986, suivi jusqu’à 1997 547 décès (sans causes de décès) Différentes variables : table ’rdata’ time : temps de survie (en jours) cens : 0 : censure / 1 : décès age : age (en années) sex : 1/2 year : date de diagnostic (au format date) agegr : classe d’age < 54, 54-61, 62-70 et 71-95 table ’slopop’ à 3 dimensions : age, sex, year Remarque : les covariables ’sex’ et ’year’ ont le même format dans les 2 tables ⇒ ’age’ doit être en jours dans ’slopop’ ⇒ x 365,24 Patricia Samb (URC PO) Classe Beamer 16 novembre 2010 13 / 18 Introduction Définitions Estimation Modélisation Package R : relsurv Exemples Exemple - Modèle additif rsadd(formula=surv(time,cens)sex+as.factor(agegr)=ratetable(age=age ∗ 365.24,sex=sex,year=year),data=rdata,ratetable=slopop,int=5, method=’glm.bin’) method=’glm.poi’ pour modélisation de Poisson (par défaut : modèle d’Estève) Patricia Samb (URC PO) Classe Beamer 16 novembre 2010 14 / 18 Introduction Définitions Estimation Modélisation Package R : relsurv Exemples Exemple - Modèle multiplicatif Patricia Samb (URC PO) Classe Beamer 16 novembre 2010 15 / 18 Introduction Définitions Estimation Modélisation Package R : relsurv Exemples Exemple - Modèle de survie relative avec fonctions B spline rsurv bsplines : correspond à 1 vecteur de valeurs logiques (TRUE/FALSE) indiquant les covariables dépendantes du temps ex : bsplines=c(T,F,T) interval : 1 vecteur indiquant l’emplacement des noeuds du modèle B-spline. peut être automatiquement calculé en utilisant la notation ’NA’, selon les quantiles de la distribution des décès ex : interval=c(0,NA,NA,60) ou interval=c(0,12,24,36) Patricia Samb (URC PO) Classe Beamer 16 novembre 2010 16 / 18 Introduction Définitions Estimation Modélisation Package R : relsurv Exemples Exemple - Modèle de survie relative avec fonctions B spline Patricia Samb (URC PO) Classe Beamer 16 novembre 2010 17 / 18 Introduction Définitions Estimation Modélisation Package R : relsurv Exemples Conclusion choix du modèle dépend de nos données et surtout du logiciel mise en oeuvre sur CUBREA 5 ans biblio + code Patricia Samb (URC PO) Classe Beamer 16 novembre 2010 18 / 18