XLSTAT: Quel outil d’analyse de survie choisir ?

Cet article vous aidera à déterminer quelle méthode d'analyse des données de survie correspond le mieux à vos besoins. Toutes les méthodes mentionnées ci-dessous se trouvent dans le menu Analyse de survie du logiciel XLSTAT.

 

Qu’est-ce que l’Analyse de Survie ?

Les méthodes d'analyse de survie permettent d’étudier le temps écoulé jusqu'à ce qu'un événement se produise, ou temps avant l’évènement. L'événement d'intérêt peut par exemple correspondre à un décès ou une rechute ou un rétablissement de patients.

De manière générale, les méthodes d'analyse de survie permettent d’exploiter :

• La probabilité de survie : probabilité qu'un individu ne subisse pas l’évènement d’intérêt avant un certain temps t. La probabilité de survie est comprise entre 0 et 1.
• Le risque : c'est le taux auquel un individu peut subir un événement par unité de temps. Par exemple, dans une étude où l'unité de temps est la semaine, un patient associé à un risque de 0,3 est susceptible de subir 0,3 évènement par semaine. Le risque prend des valeurs comprises entre zéro et plus l’infini.

Le graphique suivant compare la probabilité de survie à travers le temps pour deux groupes de patients : un groupe contrôle et un autre recevant un médicament. Ces probabilités sont estimées à partir d’une analyse de Kaplan-Meier. Le médicament semble améliorer la probabilité survie à tout moment. Les cercles le long de la courbe du médicament indiquent les données censurées à droite (explications plus bas).

 

Bien qu'elles aient été développées dans le domaine médical, les méthodes d'analyse de survie sont utilisées dans de nombreux autres secteurs. En marketing, il est possible d'étudier le temps de désabonnement des clients en fonction d’un ensemble de covariables. En industrie, le temps jusqu’à la défaillance d’une machine peut également être modélisé en fonction d'un ensemble de signaux mesurés par des capteurs.

La notion de censure, ou comment conserver un maximum d’information dans les données

Souvent, il manque une partie de l’information portant sur le temps jusqu’à l’évènement pour un sous-ensemble de patients. Par exemple, à la fin d'une étude, certains patients peuvent encore ne pas avoir subi l'événement d'intérêt. Dans d'autres cas, des patients peuvent arrêter le suivi avant que l'événement ne se produise. Dans ces deux situations, le temps réel jusqu’à l'événement est inconnu. Cependant, leur temps de survie jusqu'à un certain point est une information importante qui peut être facilement incorporée dans l'analyse de survie. Les données concernées sont dites censurées à droite. Ce type de censure est le plus courant dans l'analyse de survie.

Lorsque l'événement est apparu à un moment inconnu avant le moment de la mesure, les données sont dites censurées à gauche.

Dans les études impliquant un suivi régulier d'un évènement dans le temps, comme le rétablissement, l'événement peut survenir à un moment situé entre deux dates de suivi éloignées. Par exemple, pour certains patients, nous pouvons savoir que le rétablissement s'est produit quelque part entre le mois 5 et le mois 10, mais sans plus de précision. C'est ce qu’on appelle les données censurées par intervalle.

Introduire des covariables dans l’analyse

Il est toujours intéressant d'étudier l'influence d'une ou plusieurs variables sur la probabilité de survie ou le risque. Ces variables sont appelées covariables ou variables explicatives.

Les covariables peuvent être qualitatives ou catégorielles, et en tant que telles permettent de comparer des groupes. Exemples : comparer des patients d'origines différentes ou recevant des traitements médicaux différents.

Les covariables peuvent également être quantitatives ou numériques. Ainsi, les modèles à risques proportionnels de Cox permettent d’évaluer les effets de variables quantitatives telles que l'âge ou la tension artérielle sur le risque d’occurrence d'un événement spécifique.

Structuration d’un jeu de données pour l’analyse de survie

Habituellement, les jeux de données pour l'analyse de survie renferment une ligne par patient, une colonne indiquant une durée ou temps et une autre spécifiant si l'événement s'est produit à la fin de cette durée ou non (censure à droite).

Si des covariables sont disponibles, elles sont introduites dans des colonnes supplémentaires.

Quelle méthode d’analyse de survie choisir ?

Le guide ci-dessous permet de choisir une méthode d’analyse de survie appropriée en fonction des questions et des objectifs de l'étude.

Méthode	Covariables	Remarques
Tableaux de survie	Permet uniquement de comparer des groupes.	Permet de définir des intervalles de temps spécifiques pour étudier la probabilité de survie. Les intervalles peuvent être réguliers ou définis par l'utilisateur.
Analyse de Kaplan-Meier	Permet uniquement de comparer des groupes.	Propose des estimations de quartiles du temps jusqu'à l'évènement. Exemple : la probabilité d'occurrence de l'évènement est de 25% sur les 8 premiers mois.
Analyse de Nelson-Aalen	Permet uniquement de comparer des groupes.	Similaire à l'analyse de Kaplan-Meier, mais plus appropriée pour étudier la fonction de risque plutôt que la fonction de survie.
Incidence cumulée	Permet uniquement de comparer des groupes.	Permet d'exploiter plusieurs types d'évènements en compétition. Exemple : dans une étude sur le cancer, certains décès peuvent être dûs au cancer, d'autres peuvent être liés à des causes différentes.
Modèle à risques proportionnels de Cox	Estime les coefficients et la significativité de covariables quantitatives et qualitatives, ainsi que les effets d'interaction.	Permet l'introduction de données censurées à gauche ou par intervalle dans XLSTAT. Quelques hypothèses de validité sont à vérifier.
Régression paramétrique de survie	Estime les coefficients et la significativité de covariables quantitatives et qualitatives, ainsi que les effets d'interaction.	Permet d'estimer des paramètres liés à des distributions théoriques. Fait appel à une expertise dans certaines distributions statistiques.
Courbes paramétriques de survie	Permet uniquement de comparer des groupes.	Utile pour décrire et comparer des courbes paramétriques de survie de différents groupes.