ebook img

Introduction aux analyses de survie PDF

103 Pages·2013·2.12 MB·French
by  
Save to my drive
Quick download
Download
Most books are stored in the elastic cloud where traffic is expensive. For this reason, we have a limit on daily download.

Preview Introduction aux analyses de survie

Introduction D´efinitions Introduction aux analyses de survie Kaplan-Meier Estimation Variance LogRank [email protected] Distributions param´etriques Lesprincipaleslois L’estimationdes param`etres Mod`eledeCox Master 2 - Mod´elisation en Pharmacologie Clinique et D´efinitions Epid´emiologie Inf´erence Hypoth`eses Perspectives 1/100 Plan 1. Introduction Introduction 2. D´efinitions D´efinitions 3. Kaplan-Meier Kaplan-Meier Estimation Estimation Variance Variance LogRank 4. LogRank Distributions param´etriques Lesprincipaleslois 5. Distributions param´etriques L’estimationdes Les principales lois param`etres Mod`eledeCox L’estimation des param`etres D´efinitions Inf´erence 6. Mod`ele de Cox Hypoth`eses D´efinitions Perspectives Inf´erence Hypoth`eses RisquesProportionnels Loglin´earit´e 7. Perspectives 2/100 Plan 1. Introduction Introduction 2. D´efinitions D´efinitions 3. Kaplan-Meier Kaplan-Meier Estimation Estimation Variance Variance LogRank 4. LogRank Distributions param´etriques Lesprincipaleslois 5. Distributions param´etriques L’estimationdes Les principales lois param`etres Mod`eledeCox L’estimation des param`etres D´efinitions Inf´erence 6. Mod`ele de Cox Hypoth`eses D´efinitions Perspectives Inf´erence Hypoth`eses RisquesProportionnels Loglin´earit´e 7. Perspectives 3/100 Contexte Introduction D´efinitions Kaplan-Meier (cid:136) Etude des facteurs influen¸cant l’aparition d’un ´ev´enement. EVsatriimanacteion (cid:136) Variable `a expliquer : Temps d’apparition d’un ´ev´enement LogRank (cid:136) Soit T cette variable al´eatoire (v.a.) Distributions param´etriques (cid:136) Exemples : Lesprincipaleslois L’estimationdes (cid:136) Est ce que le tabagisme r´eduit le temps d’apparition d’un d´ec`es? param`etres ↔ Est ce que le tabagisme r´eduit la survie? Mod`eledeCox D´efinitions (cid:136) Le d´ec`es a souvent ´et´e l’´ev´enement ´etudi´e en m´edecine, d’ou` le Inf´erence Hypoth`eses terme survie. Perspectives (cid:136) D’autres temps peuvent ˆetre ´etudi´e (time-to-event analysis). 4/100 Illustration Introduction D´efinitions Kaplan-Meier Estimation Variance LogRank Distributions param´etriques Lesprincipaleslois L’estimationdes param`etres Mod`eledeCox D´efinitions Inf´erence Hypoth`eses Perspectives Temps Début Fin Fin inclusion inclusion étude 5/100 Une r´egression lin´eaire? Introduction D´efinitions Kaplan-Meier Estimation E[T|x ,x ,...]=β +β x +β x +... Variance 1 2 0 1 1 2 2 LogRank (cid:136) T : v.a repr´esentant le temps de l’´ev´enement (ex : mois). Distributions param´etriques (cid:136) x , x , ... les variables explicatives d’int´erˆet. Lesprincipaleslois 1 2 Lpa’ersatmim`etarteiosndes (cid:136) β1, β2, ... les coefficients de r´egression. Mod`eledeCox D´efinitions Inf´erence → β repr´esente le nombre moyen de mois suppl´ementaires avant Hypoth`eses 1 Perspectives l’´ev`enement dans le groupe x1 =1 par rapport au groupe x1 =0. 6/100 Probl`eme de la censure `a droite Introduction D´efinitions Kaplan-Meier Estimation Variance LogRank Distributions param´etriques Lesprincipaleslois L’estimationdes param`etres Mod`eledeCox D´efinitions Inf´erence Hypoth`eses Temps Perspectives Début Fin Fin inclusion inclusion étude On ne connait pas les temps d’apparition des ´ev´enements pour les patients 1 et 4 → R´egression lin´eaire impossible (valeurs manquantes informatives). 7/100 D´efinition de la censure `a droite (cid:136) Rappel : T est la v.a du temps d’apparition de l’´ev´enement. Introduction D´efinitions (cid:136) Soitti letempsobserv´ed’apparitiondel’´ev´enementpourlesujet Kaplan-Meier i (i =1,...,N). Estimation Variance (cid:136) Le temps de censure `a droite, C, est une autre v.a. repr´esentant LogRank le temps entre l’inclusion (origine, J0, baseline) et la fin du suivi Distributions qui aurait lieu ind´ependamment de l’´ev´enement. param´etriques Lesprincipaleslois (cid:136) Ex : Fin de l’´etude, d´em´enagement, perdu de vue, etc. L’estimationdes param`etres (cid:136) Soit c le temps de censure observ´e pour le sujet i (i =1,...,N). i Mod`eledeCox D´efinitions (cid:136) Si yi est le temps de suivi du sujet i, deux situations peuvent Inf´erence ˆetre distingu´ees : Hypoth`eses Perspectives (cid:136) Si t ≤c : on observe exactement le temps d’´ev´enement. i i → yi =ti etδi =1. (cid:136) Si t >c : le temps d’´ev´enement est inconnu, mais on sait qu’il i i est sup´erieur`a c. i → yi =ci etδi =0. 8/100 Pr´esentation des donn´ees Introduction Sujet (i) Sexe (x1i) Age (x2i) Temps (yi) Evt (δi) D´efinitions 1 1 15 32 0 Kaplan-Meier 2 0 25 13 1 Estimation 3 1 74 25 1 Variance LogRank 4 0 63 26 0 Distributions . . . . . param´etriques Lesprincipaleslois . . . . . L’estimationdes N . . . . param`etres Mod`eledeCox D´efinitions Inf´erence Comment mod´eliser T si ces observations sont incompl`etes? Hypoth`eses Perspectives (cid:136) R´egression lin´eaire impossible car donn´ees manquantes informatives (on observe Y mais pas T). (cid:136) Quid d’une r´egression logistique pour expliquer la variable binaire δ? 9/100 R´egression logistique (cid:16) (cid:17) logit Pr(δ =1|x ,x ,...) =β +β x +β x +... 1 2 0 1 1 2 2 Introduction D´efinitions (cid:136) δ : v.a. `a expliquer binaire Kaplan-Meier (cid:136) x , x , ... les variables explicatives d’int´erˆet. Estimation 1 2 Variance (cid:136) β , β , ... les coefficients de r´egression. 1 2 LogRank Distributions → exp(β ) repr´esente l’odds ration du groupe x =1 par rapport au param´etriques 1 1 Lesprincipaleslois groupe x =0. 1 L’estimationdes param`etres Mod`eledeCox D´efinitions Probl`eme Inf´erence Hypoth`eses (cid:136) Un patient avec un long suivi a plus de chance d’ˆetre δ =1. Perspectives (cid:136) Biais majeur dans l’estimation des effets des variables explicatives qui seront aussi explicatives du temps de suivi... ⇒ N´ecessit´e de mod`eles sp´ecifiques ⇐ 10/100

Description:
d'o`u le terme survie. • D'autres temps peuvent être étudié (time-to-event analysis). 4 / 100 . Inference. Hypoth`eses. Perspectives. Régression logistique logit. (. Pr(δ = 1|x1, x2, ) ) Temps en années. F onction de survie α = 1.
See more

The list of books you might like

Most books are stored in the elastic cloud where traffic is expensive. For this reason, we have a limit on daily download.