15.3: Courbes de survie

Les courbes de survie sont des représentations graphiques qui décrivent l'expérience de survie d'une population au fil du temps, offrant un moyen intuitif de suivre la proportion d'individus qui restent sans événement à chaque instant. Ces courbes sont largement utilisées dans des domaines tels que la médecine, la santé publique et l'ingénierie de la fiabilité pour visualiser et comparer les probabilités de survie entre différents groupes ou conditions.

L'estimateur de Kaplan-Meier est la méthode la plus courante pour construire des courbes de survie. Cette approche non paramétrique génère une fonction par paliers, où la courbe chute à chaque fois qu'un événement (comme un décès, une récidive de maladie ou une défaillance mécanique) se produit. Les segments horizontaux entre les chutes indiquent des périodes de stabilité, pendant lesquelles aucun événement ne se produit. L'axe des x de la courbe représente le temps, tandis que l'axe des y montre la probabilité de survie, allant de 0 à 1. Les courbes de survie fournissent plusieurs informations clés:

1. Probabilité de survie au fil du temps:

   La courbe illustre la probabilité que les individus survivent au-delà de points temporels spécifiques. Par exemple, si la courbe de survie d’un groupe de traitement reste supérieure à celle d’un groupe témoin, cela indique l’efficacité du traitement à prolonger la vie ou à retarder l’événement.

2. Temps de survie médian:

   Le temps de survie médian est le point où la probabilité de survie tombe à 0,5, indiquant le temps auquel la moitié de la cohorte devrait avoir vécu l’événement. Cette mesure est particulièrement importante dans les études cliniques en tant que référence pour l’efficacité du traitement.

3. Comparaisons de groupes:

   Les courbes de survie sont des outils puissants pour comparer les expériences de survie de différents groupes, tels que les patients subissant divers traitements ou les systèmes soumis à différentes conditions de stress. Des tests statistiques comme le test du log-rank sont souvent utilisés parallèlement aux courbes de survie pour déterminer si les différences observées entre les groupes sont statistiquement significatives.

Par exemple, dans un essai clinique comparant deux thérapies contre le cancer, les courbes de survie peuvent révéler quel traitement offre les meilleurs résultats de survie. Une courbe qui diminue plus progressivement indique un groupe avec de meilleures probabilités de survie. De même, en ingénierie de fiabilité, les courbes de survie sont utilisées pour estimer la durée de vie des composants ou des systèmes, ce qui permet une planification efficace de la maintenance et une analyse des pannes.

En fournissant une représentation visuelle claire et accessible des données complexes de temps jusqu'à l'événement, les courbes de survie jouent un rôle crucial dans l'analyse des données. Leur capacité à résumer les probabilités de survie, à identifier des indicateurs clés comme le temps de survie médian et à faciliter les comparaisons de groupe les rend indispensables dans toute une gamme d'applications.

Considérons un graphique de la probabilité cumulative de décès représentée par l’âge sur l’axe des X par rapport à la proportion de décès sur l’axe des Y pour une année donnée.

Cela peut être exprimé sous la forme d’une équation, où la fonction de distribution cumulative F(t) est le rapport entre le nombre de personnes décédées au temps t et le nombre total observé.

Comme tous les membres de la population ne sont pas observés jusqu’à la mort, cette courbe ne peut pas estimer la survie.

Ainsi, la fonction de survie ou courbe de survie – S(t) – est la proportion ou le pourcentage de personnes vivant jusqu’au temps t ou au-delà. Il est exprimé comme suit.

La courbe de survie est ensuite tracée à l’aide de l’âge et du pourcentage de personnes qui survivent.

Il existe différents types de modèles de survie. Le modèle de survie exponentielle caractérise un risque constant au fil du temps, ce qui signifie que le risque que l’événement se produise est indépendant du temps.

Le modèle de survie de Weibull peut être utilisé dans diverses situations où le taux d’aléa augmente ou diminue de manière monotone au fil du temps.

Les modèles log-normal et log-logistique peuvent être utilisés dans des scénarios où le taux d’aléa n’est pas monotone.