Qu'est - ce que l'analyse de survie?

L'analyse de la survie, aussi appelée analyse du temps à l'événement, est une collection de méthodes statistiques pour analyser les données lorsque le résultat d'intérêt est le temps jusqu'à ce qu'un événement spécifique se produise. L'événement peut être la mort, la récurrence de la maladie, la défaillance du matériel, la crise du client ou toute autre transition d'un état à l'autre. Ce qui met l'analyse de la survie à l'écart des techniques de régression standard est sa capacité à traiter des observations censurées – cas où l'événement n'est pas encore survenu à la fin de l'étude ou où un sujet est perdu au suivi.

Développée à l'origine en sciences biomédicales et actuarielles, l'analyse de la survie est devenue indispensable en ingénierie, en économie, en sciences sociales et en affaires. La méthodologie a mûri dans les années 1950 et a été largement adoptée après l'introduction du modèle de risques proportionnels Cox en 1972.

Concepts clés de l'analyse de survie

Fonction de survie

La fonction de survie, indiquée S(t) donne la probabilité qu'un individu survive au-delà du temps t—c'est-à-dire que l'événement n'a pas eu lieu à ce moment-là. S(t) est une fonction non croissante: elle commence à 1 à zéro (toute personne est libre d'événement) et s'approche asymptomatiquement 0 au fur et à mesure que le temps augmente si tous les individus finissent par l'être. En pratique, l'estimateur Kaplan-Meier (KM) fournit une estimation non paramétrique de la fonction de survie à partir de données censurées à droite, produisant une fonction d'étape qui diminue à chaque événement observé.

Fonction de danger

La fonction de danger, h(t) décrit le risque instantané de l'événement à la fois t, conditionné à avoir survécu jusqu'à ce point. Contrairement à la fonction de survie, le danger peut augmenter, diminuer ou rester constant au fil du temps. H(t) = -0t h(u) du est liée à la fonction de survie par S(t) = perte [−H(tLa fonction de risque est au cœur du modèle de risque proportionnel Cox et de nombreux modèles de survie paramétrique.

Comprendre les mécanismes de censure

La censure survient lorsque le temps exact de l'événement est inconnu pour certains sujets. censure droite: l'étude se termine avant que l'événement ne se produise, ou qu'un sujet ne s'arrête, et nous savons seulement que le temps de survie est plus long que le dernier temps observé. Censure de gauche se produit lorsque l'événement est déjà arrivé avant le début de l'étude, mais le moment exact est inconnu – par exemple, un patient a déjà une tumeur détectable lors de la première visite de dépistage. Censure intervalle se produit lorsque l'événement est connu pour s'être produit dans un délai précis (p. ex. entre deux rendez-vous de suivi).

Les méthodes d'analyse de survie sont conçues pour intégrer ces différentes formes de censure sans biais, à condition que le mécanisme de censure soit indépendant du temps de l'événement (censure non-informative).Dans la pratique, les analystes doivent évaluer soigneusement si la censure est vraiment indépendante; par exemple, les patients trop malades pour assister au suivi peuvent être plus susceptibles d'abandonner, en introduisant une censure informative.

Types de données sur le temps à l'événement

Outre les mécanismes de censure, les données temporelles peuvent être classées selon la façon dont les temps d'événement sont enregistrés:

  • Temps exacts de l'événement : Le moment précis de l'événement est connu (par exemple, date de décès), c'est la norme d'or pour l'analyse.
  • Données de recensement de droite: Le sujet est sans événement lors de la dernière observation; le temps de l'événement est connu pour dépasser ce point. C'est le type le plus commun dans les essais cliniques.
  • Données de recensement de gauche: L'événement s'est produit avant un certain moment, mais l'heure exacte est inconnue.
  • Données censurées par intervalles: L'événement se situe entre deux périodes d'observation, typiques des études longitudinales avec des évaluations périodiques.
  • Découpage : Les sujets ne sont inclus que s'ils ont déjà survécu à un certain temps (entrée différée), ce qui est différent de la censure et nécessite des techniques spéciales.

La compréhension de ces types de données est essentielle parce que chaque type de données exige une manipulation statistique appropriée pour éviter les résultats biaisés. Bien que la plupart des méthodes de survie standard traitent la censure droite, des approches spécialisées (p. ex., régression par intervalles, données tronquées à gauche) sont nécessaires pour d'autres scénarios.

Méthodes de base pour l'analyse de survie

Essai d'estimation et de bande de kaplan‐Meier

L'estimateur Kaplan-Meier (KM) est une méthode non paramétrique pour estimer la fonction de survie à partir de données de censurées droites. Il produit une fonction d'étape qui ne change que lors de différents événements, ce qui la rend bien adaptée pour visualiser les profils de survie entre les groupes (p. ex., traitement contre contrôle). Le test log‐rank compare formellement les distributions de survie de deux groupes ou plus sans prendre en compte la forme particulière du danger.

Modèle de risque proportionnel Cox

Le modèle des risques proportionnels Cox (PH) est la méthode de régression la plus utilisée pour les données de survie. Il modélise le danger comme produit d'un danger de base non spécifié, h0(t) et un facteur multiplicatif qui capture les effets de covariation: h(t,X) = h0(t) exp(β1X1 + ... + βpXpLe modèle est semiparamétrique parce que le danger de base demeure non estimé, tandis que les effets de covariation sont estimés par probabilité partielle. L'hypothèse clé est le risque proportionnel : le rapport de risque entre deux individus est constant au fil du temps. Lorsque cette hypothèse est violée, les analystes peuvent utiliser des modèles Cox stratifiés, introduire des covariables de temps variable ou appliquer d'autres modèles tels que des modèles de temps de défaillance accéléré (AFT).

Modèles de survie paramétriques

Les modèles paramétriques supposent une distribution spécifique pour les temps de survie, tels que exponentielle, Weibull, log-normal, log-logic ou Gompertz. Ces modèles fournissent des probabilités bien spécifiées et peuvent produire des estimations plus efficaces lorsque l'hypothèse de distribution est correcte. Ils sont particulièrement utiles pour l'extrapolation au-delà de la plage de temps observée. Le modèle de temps de défaillance accéléré (DFA) est une approche paramétrique populaire qui modélise directement l'effet des covariables sur le log de temps de survie, plutôt que sur le risque.

Analyse des risques concurrents

Dans de nombreuses études, les sujets peuvent présenter l'un des différents types d'événements (p. ex. décès par cancer et décès par maladie du coeur). L'analyse standard de survie qui traite tous les événements comme équivalents peut être trompeuse.Les méthodes de risque concurrentes, comme la fonction d'incidence cumulative (CIF) et le modèle de risque de sous-distribution Fine-Gray, permettent d'estimer les probabilités spécifiques à la cause tout en tenant compte de la présence d'autres événements.

Modèle de diagnostic et de vérification des hypothèses

Chaque modèle de survie comporte des hypothèses qui doivent être vérifiées pour assurer une inférence valide.

Risques proportionnels Hypothèse

Pour le modèle Cox, nous supposons que le rapport de danger est constant au fil du temps. Résidus de Schoenfeld—une version à échelle des résidus qui, si l'hypothèse est retenue, ne devrait pas montrer de tendance au fil du temps. Une corrélation significative entre les résidus de Schoenfeld et le temps suggère des dangers non proportionnels.

Observations influentes et bonté d'avoir

Les analystes devraient examiner résidus de déviance ou résidus de martingale pour identifier les sujets qui sont mal ou très influents. Dfbêta Pour les modèles paramétriques, la bonté d'ajustement peut être évaluée au moyen d'un CAI ou en traçant les résidus de Cox-Snell par rapport au risque cumulatif de la distribution ajustée.

Évaluer l'indépendance de la censure

Bien qu'il ne soit pas directement vérifiable, les analystes peuvent effectuer des analyses de sensibilité en supposant différents modèles de censure (p. ex., le meilleur cas, le pire cas) et en examinant comment les estimations changent. Dans les études où les patients sont perdus pour des raisons liées probablement à l'événement, des stratégies telles que la probabilité inverse de censurer la pondération (IPCW) peuvent réduire le biais.

Applications pratiques dans tous les domaines

L'analyse de survie est utilisée dans un large éventail de disciplines:

  • Essais cliniques et recherche médicale : Les courbes Kaplan-Meier et la régression de Cox sont des outils standard pour signaler les effets du traitement.
  • Fiabilité technique: L'analyse de Weibull et les tests accélérés de la durée de vie aident à prédire la durée de vie et à optimiser les calendriers de maintenance.
  • Sciences sociales et économie : Les modèles de survie identifient les facteurs qui influencent le moment des événements.
  • Financement et assurance: Les actuaires s'appuient sur des méthodes de survie pour l'évaluation des prix et des risques.
  • Curn client et marketing: Prévoir quand les clients cessent d'utiliser un service. Les modèles Cox révèlent quelles caractéristiques sont les plus fortement associées à la rétention.

Mise en œuvre du logiciel

Un logiciel statistique moderne fournit un excellent support pour l'analyse de survie:

  • C'est un peu comme ça. Le paquet (disponible le CRANLe paquet fournit des parcelles prêtes à être publiées. Pour les risques concurrents, le paquet met en œuvre des modèles Fine-Gray.
  • Python : La bibliothèque (Documentation) fournit une API propre pour les modèles Kaplan‐Meier, Cox et AFT. est une autre option pour les forêts de survie aléatoires et d'autres méthodes d'apprentissage automatique.
  • - C'est pas vrai. Les commandes , et sont largement utilisées en épidémiologie. gère les risques concurrents.
  • C'est pas vrai. et sont les chevaux de travail pour l'analyse de la survie.

Pièges communs et pratiques exemplaires

  • Ignorer la censure: À l'exclusion des observations censurées ou du traitement de ces dernières comme événements, on obtient un biais sévère.
  • Dangers proportionnels en violation: Utiliser un modèle Cox sans vérifier l'hypothèse peut donner des rapports de risque trompeurs. Utilisez des diagnostics résiduels et envisagez des solutions de rechange au besoin.
  • Extrapolation sur-confidentiel: Les modèles paramétriques qui extrapolent au-delà des données observées doivent être interprétés avec prudence. Les méthodes non paramétriques peuvent être plus sûres pour la prédiction dans la plage observée.
  • Essais multiples: Dans les milieux haute dimension (p. ex. génomique), la régression standard sans régularisation (p. ex. LASSO‐Cox) peut être sur-adaptée.
  • Ignorer les risques concurrents: En présence de types d'événements multiples, l'utilisation d'un risque spécifique à la cause sans tenir compte de l'événement concurrent peut produire des estimations cumulatives biaisées de l'incidence.

Commencer

Si vous êtes nouveau dans l'analyse de survie, un point de départ solide est de visualiser les données de survie à l'aide de l'estimateur Kaplan‐Meier et d'appliquer le test de log-rank pour comparer les groupes. Wikipedia analyse de survie article offre un aperçu concis. Kleinbaum et Klein , Analyse de survie : un texte auto-apprentissage (3e édition) est un manuel fortement recommandé qui articule la théorie et la pratique. UCLA , groupe de consultation statistique, offrir des exemples travaillés dans R, Stata et SAS.

Conclusion

L'analyse de survie est un ensemble puissant et nuancé de méthodes statistiques pour comprendre les données temporelles à l'événement. Sa capacité à gérer la censure, à estimer les probabilités de survie et à évaluer les effets de la covariable rend essentiel la recherche médicale, l'ingénierie, les affaires et au-delà. Que vous conçoyiez un essai clinique, des défaillances de l'équipement de modélisation ou que vous étudiiez la courbure des clients, une bonne compréhension des concepts de survie – avec une attention particulière aux hypothèses et aux diagnostics – vous permet de tirer des conclusions significatives et dignes de confiance à partir de données longitudinales incomplètes.