Jonathan Lenoir
Estimateur de Kaplan-Meier de la fonction de survie. Analyses de survie. 4. Test d'une différence de survie entre plusieurs échantillons. 5. Modèle de Cox
Lecture dune courbe de survie et précautions dinterprétation (partie II)
Probabilité de survie sans événement en fonction du temps. Probabilité d'événement (incidence Les courbes de survie issues de l'analyse de survie sont.
Analyse des durées de vie avec le logiciel R
survfit : fournit une estimation de la fonction de survie (méthode actuarielle ou Kaplan-Meier) • survdiff : éxécute le test du log-rank.
Introduction à lanalyse de survie
Analyse de données de survie : étude l'apparition d'un év`enement au cours du temps. Exemples : Méthodes non-paramétriques (Kaplan-Meier . . . ).
Le concept de lanalyse de survie : vérifier lapplicabilité
Ignorer la censure informative implique une estimation biaisée de la survie [1]. L'estimation de Kaplan Meier n'est valide que si les patients inclus dans la
Introduction aux analyses de survie
Kaplan-Meier. Estimation. Variance. LogRank. Distributions paramétriques. Les principales lois. L'estimation des param`etres. Mod`ele de Cox. Définitions.
Présentation PowerPoint
19 nov. 2018 Analyses de survie - Pr Emmanuel Chazard ... Estimation de Kaplan-Meier* ... Méthode de Kaplan-Meier utilisable avec (ou.
La courbe de survie (partie I)
Une hypothèse majeure dans l'analyse de survie classique est que la survenue de l'événement Nous présentons dans l'encadré 2 la méthode de Kaplan-Meier.
Analyses de survie sur données transcriptomiques
9 sept. 2010 de variables (dans le cas de l'analyse de survie) déjà existantes de manière à ... 3.2 L'estimation de la survie : méthode de Kaplan-Meier.
Analyse de survie : Méthodes non paramétriques
Propriétés de l'estimateur de Kaplan-Meier. ? En l'absence de censure l'estimateur de Kaplan-Meier est équivalent à la fonction de survie empirique !
[PDF] Analyses de Survie Jonathan Lenoir
Estimateur de Kaplan-Meier de la fonction de survie Analyses de survie 4 Test d'une différence de survie entre plusieurs échantillons 5 Modèle de Cox
[PDF] Introduction à lanalyse des dur`ees de survie
1 avr 2021 · Si aucun modèle n'est supposé les principaux estimateurs sont : l'estimateur de Kaplan-Meier de la fonction de survie l'estimateur de Nelson-
[PDF] Introduction aux analyses de survie - divatfr
Kaplan-Meier Estimation Variance LogRank Distributions paramétriques Les principales lois L'estimation des param`etres Mod`ele de Cox Définitions
[PDF] Analyse de Survie - Thibault ALLART
2 Estimation et comparaison des courbes de survie L'estimateur de Kaplan-Meier L'estimateur de Nelson-Aalen Tests de comparaison 3 Le modèle de Cox
[PDF] Le concept de lanalyse de survie : vérifier lapplicabilité - Urofrance
L'estimation de Kaplan Meier n'est valide que sous l'hypothèse de censure non informative : le mécanisme de censure est indépendant de l'évènement observé
[PDF] Durée de vie des Motorettes (analyse de survie)
Figure 2: Estimateur de Kaplan–Meier pour la fonction de survie des données mo- torette D Le symbole + code la présence d'observations censurées D Pourquoi
[PDF] Analyse de survie : Méthodes non paramétriques
Analyse de survie : Méthodes non paramétriques Olivier Bouaziz L'estimateur de Kaplan-Meier (1958) est une fonction en escalier qui s'écrit : ˆSKM(t) =
[PDF] Modèles de survie avec un point de rupture - Archipel UQAM
1 3 Courbe cie Kaplan-Meier de la fonction de survie S (t) L'analyse de la survie est née au vingtième siècle et a connu un développement impor
[PDF] Sur lbAnalyse de Survie et Applications
2 4 Estimateur de Kaplan Meier de la fonction de survie (en mois) pour les 150 moutons mâles sauvages atteints par parasites intestinaux
[PDF] Analyse de survie
L'analyse de surviedésigne un ensemble de techniques statistiques permettant de traiter des données soumises à une censure c'est-à-dire de données dont
Comment faire une analyse de survie ?
L'analyse de survie repose souvent sur des séries temporelles de données longitudinales. Dans les cas où les événements d'intérêt ne se sont pas produits avant la fin de la période d'observation (par exemple, la maladie n'est pas apparue chez un malade) on parle de censure de la série de données.Comment lire une courbe de Kaplan-meier ?
d'une courbe de Kaplan-Meier, nous faisons cette interprétation pour le dernier temps de survie observé dans la cohorte. d'événement. Donc, le nombre de sauts de marche est égal au nombre d'événements s'il n'y a pas d'ex-aequo, ou inférieur au nombre d'événements s'il y a des ex-aequo.Comment faire une courbe de Kaplan-meier sur Excel ?
Lancez XLSTAT, puis sélectionnez la commande XLSTAT > Analyse de survie > Courbe de survie de Kaplan-Meier. Une fois le bouton cliqué, la boîte de dialogue apparaît. Vous pouvez alors sélectionner les données sur la feuille Excel.- La courbe de survie S(t) est le complément à 1 du taux cumulé d'événements en fonction du temps F(t) (figure 5). En effet, si, à un temps t le taux de survie est de 20%, le taux d'événement (décès) à ce temps est de 1-20% = 80%. Le taux cumulé d'événement n'est rien d'autre que le risque.
![Jonathan Lenoir Jonathan Lenoir](https://pdfprof.com/Listes/17/27936-17analyse-de-survie-cox.pdf.pdf.jpg)
Analyses de Survie
Jonathan Lenoir (MCU), jonathan.lenoir@u-picardie.fr http://www.u-picardie.fr/edysan/Plan du cours
1. Données de survie
2. Fonctions de densité, de survie, et de risque
3. Estimateur de Kaplan-Meier de la fonction de survie
Analyses de survie
45. Modèle de Cox
Plan du cours
1. Données de survie
2. Fonctions de densité, de survie, et de risque
3. Estimateur de Kaplan-Meier de la fonction de survie
Analyses de survie
45. Modèle de Cox
La particularité de cette branche de la statistique est que la variable Y à analyser (variable réponse ou à expliquer) correspond à la durée ¾Durée de survie de patients ayant eu un infractus du myocarde ¾Durée avant un échec de fonctionnement de moteurs de voiture¾Durée de mariage
¾Etc.
Données de survie
elles présentent néanmoins deux caractéristiques particulières : ¾Valeurs uniquement positives et par conséquent la variable Yprésente fortement de la loi Normale¾La variable Y
YExemples de censures
Prenons le cas de la durée de vie de patients atteints de cancers :Temps (t)
DébutFin
Censuré (1)
peut-Censuré (2)
Non censuré
Décès
> library() > chooseCRANmirror() > install.packages("survival") > library(survival) > help(package="survival") > timeOFevent <-c(3, 6, 6, 8, 9, 10, 14, 16, 17, 18) > event <-c(1, 1, 1, 0, 1, 1, 0, 1, 1, 1) > Surv(timeOFevent, event) [1] 3 6 6 8+ 9 10 14+ 16 17 18 Deux paramètres importants constituent la variable Y: ¾Le temps (seconde, jour, semaine, mois, année, etc.) : variable continuePlan du cours
1. Données de survie
2. Fonctions de densité, de survie, et de risque
3. Estimateur de Kaplan-Meier de la fonction de survie
Analyses de survie
45. Modèle de Cox
La fonction fde densité
Soit t (t> 0) le temps et (
individu, alors le modèle paramétrique de survie le plus simple correspond à un modèle exponentiel dont la fonction de densité est : f de densité correspond à la proportion de décès entre t et t+ t rt0 Avec T, la variable aléatoire continue et positive qui représente le temps deLa fonction Fde répartition
Soit Fla fonction de répartition associée à cette fonction de densité : Rappel : Pour une variable aléatoire continue positive comme le temps ou la durée de survie (T), la fonction Fde répartition fde densitéCar T est
positiveLa fonction Sde survie
Soit Sla fonction de survie :
La fonction Sde survie tout comme la fonction Fde répartition tLa fonction hde risque
Soit hla fonction de risque :
h de risque correspond au taux de mortalité instantané entre tet t + tsachant que le temps de survie Test supérieur à t > t <-c(seq(0, 10, 0.01)) > f <-(1/2)*(exp(-(1/2)*t)) > F <-1-exp(-(1/2)*t) > S <-exp(-(1/2)*t) > h <-f/S > par(mfrow=c(2, 2)) > plot(t, f, type="l", col="blue", lwd=2, ylab=c("f(t)"), main="Fonction de densité") > plot(t, F, type="l", col="blue", lwd=2, ylab=c("F(t)"), main="Fonction de répartition") > plot(t, S, type="l", col="blue", lwd=2, ylab=c("S(t)"), main="Fonction de survie") > plot(t, h, type="l", col="blue", lwd=2, ylab=c("h(t)"), main="Fonction de risque") A partir de ce modèle exponentiel simple dont la fonction hde risque est constante au cours du temps t, tracez les courbes des fonctions de densité, de répartition, de survie, et de risque pour un organisme dont la durée moyenne de survie est égale à 2 semaines (= 2) :Exemple
Représentation graphique
Réalisme du modèle exponentiel simple
Attention, le modèle exponentiel présenté précedemment, dont la fonction hde risque est constante au cours du temps est peu réaliste dans le cadre du suivi de la survie des organismes biologiques :¾h) est relativement faible pendant
atteindre un risque maximum chez les personnes âgées ¾Chez les salmonidés par exemple, le risque de décès (h) est au contraire à son maximum au début de leurs cycles de vie et tend à décroître avec Les modèles de Weibull, de Gompertz, ou de Makeham sont en général utilisés avec des paramétres soit positifs (e.g., être humain) soit négatifs (e.g., salmonidés) pour refléter ces tendances permet, aprés la naissance, de prédire un risque constant (cf. accidents et suicides) qui croît exponentiellement ensuiteExemples de modèles : Rayleigh et Weibull
Selon les modèles dont la fonction h
Sde survie sera différent :
(1) Modèle de Rayleigh (2) Modèle de WeibullNB : La fonction Hde risque cumulé
On sait que la fonction hde risque admet comme égalité :Exercice
Un volontaire au tableau pour calculer la formule de la fonction Sde survie si la fonction hde risque suit un modèle de Weibull ?Plan du cours
1. Données de survie
2. Fonctions de densité, de survie, et de risque
3. Estimateur de Kaplan-Meier de la fonction de survie
Analyses de survie
4.5. Modèle de Cox
Estimation de la fonction Sde survie
En pratique, on estime la fonction Sde survie à partir des données :Courbe de
Kaplan-Meier
Estimateur de Kaplan-Meier
Proportion de
survivants à tjFormule de Kaplan-S
de survie :Exemple à partir de données fictives
tjnjdjqj 0100031010
6921
9610
10511
16310
17210
18110
Soit le jeu de données suivant correspondant au temps (semaine) e.g., mort des individus) : > Surv(timeOFevent, event) [1] 3 6 6 8+ 9 10 14+ 16 17 18
Proportion de
survivants à tjEstimation de la variance par Greenwood
Formule de Greenwood pour estimer la variance de la fonction S de survie : tjnjdjqjS(tj)010001
310100.9
69210.7
96100.58
105110.47
163100.31
172100.16
181100
Sde survie et des données, on
de confiance à 95% autour de la fonction Sde survieR le fait pour vous
Sde survie par la formule de Kaplan-Meier :
> Y <-Surv(timeOFevent, event) > summary(survfit(Y~1, conf.type="plain")) Call: survfit(formula = Y ~ 1, conf.type = "plain") time n.risk n.event survival std.err lower 95% CI upper 95% CI3 10 1 0.900 0.0949 0.714 1.000
6 9 2 0.700 0.1449 0.416 0.984
9 6 1 0.583 0.1610 0.268 0.899
10 5 1 0.467 0.1658 0.142 0.792
16 3 1 0.311 0.1684 0.000 0.641
17 2 1 0.156 0.1385 0.000 0.427
18 1 1 0.000 NaN NaN NaN
Intervalle de
confiance calculéà partir de la
formule (1)Tracé de la courbe de Kaplan-Meier
Kaplan-Meier :
> plot(survfit(Y~1, conf.type="plain"), col="blue", lwd=2)Observation
censuréeIntervalle de confiance NB calculé sur le logde la fonction Sde survie et qui donne une meilleureSde survie :
Intervalle de
confiance calculé sur le logde la fonction Sde survieExercice
Soit le temps T(semaine) de rémission chez deux groupes de patients atteints de leucémie : ¾Le premier groupe est soumis à un traitement > temps1 <-c(6, 6, 6, 7, 10, 13, 16, 22, 23, 6, 9, 10, 11, 17,19, 20, 25, 32, 32, 34, 35)
> status1 <-c(1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0,0, 0, 0, 0, 0)
¾Le second groupe est soumis à un placebo
> temps2 <-c(1, 1, 2, 2, 3, 4, 4, 5, 5, 8, 8, 8, 8, 11, 11,12, 12, 15, 17, 22, 23)
> status2 <-c(1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,1, 1, 1, 1, 1)
Dans un tableur Excel, créez un tableau à trois colonnes : données ci-dessus > data.leu <-read.table("Chap5_Analyses_Survie.txt", header=TRUE, sep="\t") > str(data.leu) 'data.frame': 42 obs. of 3 variables: $ temps : int 6 6 6 7 10 13 16 22 23 6 ... $ statut: int 1 1 1 1 1 1 1 1 1 0 ... $ groupe: int 1 1 1 1 1 1 1 1 1 1 ... > data.leu$temps <-as.numeric(data.leu$temps) > data.leu$statut <-as.numeric(data.leu$statut) > data.leu$groupe <-as.factor(data.leu$groupe) > str(data.leu) 'data.frame': 42 obs. of 3 variables: $ temps : num 6 6 6 7 10 13 16 22 23 6 ... $ statut: num 1 1 1 1 1 1 1 1 1 0 ... $ groupe: Factor w/ 2 levels "1","2": 1 1 1 1 1 1 1 1 1 1 ...Exercice
type tabulation fichier de données dans R :Exercice
Tracez la courbe de Kaplan-:
> plot(survfit(Surv(data.leu$temps, data.leu$statut)~1))Exercice
Tracez les courbes de Kaplan-Meier pour chacun des deux groupes : > t1 <-data.leu[which(data.leu$groupe==1), "temps"] > s1 <-data.leu[which(data.leu$groupe==1), "statut"] > t2 <-data.leu[which(data.leu$groupe==2), "temps"] > s2 <-data.leu[which(data.leu$groupe==2), "statut"] > plot(survfit(Surv(t1, s1)~1), col="red", conf.int=FALSE) > lines(survfit(Surv(t2, s2)~1), col="blue", conf.int=FALSE)Exercice
Par lecture graphique, donnez le temps médian (médiane) de rémission des patients atteints de leucémie dans chacun des deux groupes :On utilise le temps médian
plutôt que le temps moyen iciŃMU G˔V OLQVPMQP R˾ ŃHUPMLQHV
des observations sont censurées, on ne peux pas calculer un temps moyen > survfit(Surv(t1, s1)~1)Call: survfit(formula = Surv(t1, s1) ~ 1)
records n.max n.start events median 0.95LCL 0.95UCL21 21 21 9 23 16 NA
> survfit(Surv(t2, s2)~1)Call: survfit(formula = Surv(t2, s2) ~ 1)
records n.max n.start events median 0.95LCL 0.95UCL21 21 21 21 8 4 12
> attach(data.leu) > survfit(Surv(temps, statut)~groupe) Call: survfit(formula = Surv(temps, statut) ~ groupe) records n.max n.start events median 0.95LCL 0.95UCL groupe=1 21 21 21 9 23 16 NA groupe=2 21 21 21 21 8 4 12Exercice
Est-ce que cette
différence est significative ?Exercice
Pourriez-vous conclure sur la significativité de cette différence entre les deux groupes par une simple lecture graphique des IC ?Plan du cours
1. Données de survie
2. Fonctions de densité, de survie, et de risque
3. Estimateur de Kaplan-Meier de la fonction de survie
Analyses de survie
45. Modèle de Cox
Comparer 2 fonctions Sde survie
Il existe plusieurs tests pour comparer les fonctions Sde survies de deux échantillons (e.g., 2 groupes de patients), dont deux principaux : ¾Le test de Mantel-Haenszelencore appelé test du log-rankqui est le plus utilisé, le plus simple et le plus performant lorsque les deux courbes de survie ne se croisent pas¾Le test de Wilcoxon
Quelquesoit le test utilisé, les hypothèses restent les mêmes : ¾H0 : pas de différence de survie entre les deux groupes étudiés ¾H1 : différence de survie entre les deux groupes étudiésComparer 2 fonctions Sde survie
On réalise ces deux tests à partir des jtables de contingence chacune détaillant pour chaque groupe k tj(djk censurées juste avant tj(njk) :Évenements à tjGroupe 1Groupe 2Total
Nb réalisés à tjdj1dj2dj
Nb non réalisés à tjnj1-dj1nj2-dj2nj-dj
Total justeavant tjnj1nj2nj
On répète
l´opération pour chaque instant tjExemple :
tj, onSde survie entre les deux groupes étudiés :
Évenements à tjGroupe 1Groupe 2Total
Nb réalisés à tjej1ej2dj
Nb non réalisés à tjnj1-ej1nj2-ej2nj-dj
Total àtjnj1nj2nj
ejkCritére utilisé pour le test
À partir des minstants tj(1 jm), on calcul le critére Qobsfonction des observations qui sera comparé à sa valeur critique Qcrit:On rejette H0 si :
Se référer à
la table des quantiles du Chi2 jtjdj1dj2nj1nj2ej1ej211022121
22022119
33012117
44022116
55022114
66302112
77101712
88041612
91010158
101102138
111202126
121310124
131501114
141610113
151701103
16221172
17231161
jtjdj1dj2nj1nj2ej1ej21102212111
22022119
33012117
44022116
55022114
66302112
77101712
88041612
91010158
101102138
111202126
121310124
131501114
141610113
151701103
16221172
17231161
jtjdj1dj2nj1nj2ej1ej21102212111
220221191.050.95
33012117
44022116
55022114
quotesdbs_dbs29.pdfusesText_35[PDF] exercices corrigés analyse de survie
[PDF] vision poétique de la nuit
[PDF] 144
[PDF] 8 millions en chiffre
[PDF] 4 milliards 570 million
[PDF] cent millième en chiffre
[PDF] centaine de mille
[PDF] centile exemple
[PDF] 95 percentile définition
[PDF] percentile definition
[PDF] musso pdf je reviens te chercher
[PDF] central park pdf ekladata
[PDF] central park musso film
[PDF] synthèse anglais centrale