3 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
Previous PDF | Next PDF |
[PDF] Analyse de survie : le modèle de Cox
Analyse de survie : le modèle de Cox Le modèle de Cox est un modèle directement sur le risque instantané Loading required package: survival
[PDF] Analyses de Survie - Jonathan Lenoir
3 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] Analyse de données de survie groupées avec covariables
and this effect is different according to death causes Keywords : Gouped survival data, Time-dependent covariates, Discrete Cox model, Relative risk, Binary and
[PDF] Survie sous R
Des outils ainsi que des données pour l'analyse des durées de vie sont Dans l' exemple suivant, un mod`ele de Cox est ajusté sur l'objet de survie
[PDF] Introduction à lanalyse de survie - Cours en Ligne - AgroParisTech
de survie Le but de l'analyse de survie est d'estimer cette fonction Remarque : en écrivant le modèle de Cox, on fait l'hypothèse que les HR ne dépendent
[PDF] Introduction à lanalyse des dur`ees de survie - Laboratoire de
Il y a donc deux hypothèses importantes à vérifier dans l'utilisation du modèle de Cox : l'hypothèse de risques proportionnels (risque relatif constant au cours du
[PDF] Le modèle de Cox
30 jan 2013 · Analyse de durées de vie fiabilité Notes de cours, 2012 John Fox Cox proportional-hazards regression for survival
[PDF] Méthodologie statistique M 2018/02 Modèles semi - Insee
Ces spécificités propres à l'analyse de la survie sont présentées avec des covariables dans le modèle semi-paramétrique de Cox détaillé dans le troisième
[PDF] Introduction aux analyses de survie - DIVAT
Mod`ele de Cox survie • D'autres temps peuvent être étudié (time-to-event analysis) 4 / 100 La fonction de survie S(t) est la probabilité que l'événement se
[PDF] analyse de survie kaplan-meier
[PDF] fonction de hasard
[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] Analyses de Survie - Jonathan Lenoir [PDF] Analyses de Survie - Jonathan Lenoir](https://pdfprof.com/Listes/17/27934-17analyse-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