Données Censurées - Tests Statistiques et Modèles Multivariés

Jun 24, 2024

Chapitre 2 : Données Censurées - Tests Statistiques et Modèles Multivariés

Introduction

  • Objectif : Aborder les tests statistiques et les modèles multivariés pour les données censurées.

Revue des Fonctions de Survie

  • Graphique comparatif entre la survie des femmes et des hommes face à la rechute de maladie alcoolique.
  • Apparence de superposition des courbes.

Test du Log-Rank

  • Utilité : Tester la différence de taux de rechute entre hommes et femmes.
  • Comparaison avec le test de Wilcoxon (rang entre les temps de décès).
  • Conditions de validité :
    • De nombreux temps de décès.
    • De nombreux décès à chaque temps d'observation.

Application avec R

  • Syntaxe : survdiff(), Surv(variable délai, variable sevrage) ~ sexe, data=fichier_de_données
  • Interprétation : Valeur de p de 0.87, indiquant aucune différence significative entre hommes et femmes.
  • Limite : Échantillon trop petit (18 femmes, 3 rechutes), manque de puissance statistique.

Association Survie et Variable Quantitative

  • Exemple : Association entre risque de rechute et âge.
  • Méthode : Modèle de Cox.

Modèle de Cox avec R

  • Syntaxe : coxph(Surv(délai, rechute) ~ âge, data=fichier_de_données)
  • Résultat : p = 0.047, association significative à 5% entre âge et rechute.
  • Interprétation : Coefficient (négatif) indique que l'âge protège contre la rechute.

Association avec Plusieurs Variables Explicatives

  • Exemple : Âge, sexe, événements négatifs pendant le suivi.
  • Méthode : Modèle de Cox.

Modèle de Cox avec Variables Multiples avec R

  • Syntaxe : coxph(Surv(délai, évènement) ~ âge + sexe + EDVNEG, data=fichier_de_données)
  • Résultat : Seul l'âge est statistiquement significatif.
  • Limites : Peu de femmes et événements négatifs, faible puissance statistique.

Interprétation des Coefficients

  • Signe négatif = effet protecteur.
  • Utilisation de l'exponentielle du coefficient pour interprétation en termes de "hazard ratio".

Vérification des Conditions de Validité du Modèle de Cox

  • Nécessité d'un nombre suffisant d'événements (5 à 10 par variable explicative).
  • Hypothèse des risques instantanés proportionnels : vérifier graphiquement avec plot(cox.zph(modèle)).

Syntaxe avec R

  • Commandes : par(), mfrow(), plot(cox.zph(modèle))
  • Interprétation : Courbes horizontales indiquent un bon ajustement.

Conclusion

  • Importance de valider les conditions des modèles.
  • Invitation à reréaliser les exercices sur votre ordinateur pour une meilleure compréhension.