Méthodes avancées
Analyse de survie : Kaplan-Meier et modèle de Cox expliqués
L’analyse de survie étudie le délai jusqu’à la survenue d’un événement : décès, rechute, guérison. C’est une méthode statistique spécialisée que vous rencontrerez souvent en recherche clinique, notamment en oncologie.
Qu’est-ce que la courbe de Kaplan-Meier ?
La courbe de Kaplan-Meier représente la probabilité de survie au fil du temps pour un groupe de patients. Elle prend en compte les données censurées (patients perdus de vue, ou toujours en vie à la fin du suivi), ce que les méthodes classiques ne peuvent pas faire.
Le modèle de Cox : aller plus loin
La régression de Cox (modèle à risques proportionnels) permet d’étudier l’effet simultané de plusieurs facteurs sur la survie. Elle produit des hazard ratios (HR) qui mesurent le risque relatif de l’événement entre groupes, ajusté sur les facteurs de confusion.
Quand utiliser l’un ou l’autre ?
Kaplan-Meier est idéal pour décrire et comparer visuellement la survie entre 2 ou 3 groupes, avec le test du log-rank. Le modèle de Cox est nécessaire dès que vous voulez ajuster sur des covariables ou obtenir des mesures d’association (HR).
library(survival)
fit <- survfit(Surv(delai, deces) ~ groupe, data = df) # Kaplan-Meier
survdiff(Surv(delai, deces) ~ groupe, data = df) # log-rank
m <- coxph(Surv(delai, deces) ~ age + stade, data = df) # Cox
cox.zph(m) # risques proportionnelsCEBI Stats a réalisé des analyses de survie en oncologie (cancer du sein, cancer du col de l’utérus). Contactez-nous pour votre étude.