15.16: Analyse paramétrique de survie: méthodes Weibull et exponentielles

L'analyse paramétrique de survie modélise les données de survie en supposant une distribution de probabilité spécifique pour le temps écoulé jusqu'à ce qu'un événement se produise. Les distributions Weibull et exponentielles sont deux des méthodes les plus couramment utilisées dans ce contexte, en raison de leur polyvalence et de leur application relativement simple.

Distribution de Weibull

La distribution de Weibull est un modèle flexible utilisé dans l'analyse paramétrique de survie. Elle peut gérer à la fois des taux de risque croissants et décroissants, en fonction de son paramètre de forme (\beta (β)). Lorsque \beta (β) > 1, le taux de risque augmente au fil du temps, ce qui le rend adapté à la modélisation de processus tels que le vieillissement, où le risque augmente avec le temps. Si \beta (β) < 1, le risque diminue au fil du temps, représentant des scénarios tels que la fiabilité des machines où le risque de défaillance diminue après les tests initiaux. Le modèle de Weibull est particulièrement utile dans la recherche médicale, l'ingénierie et les études de fiabilité en raison de sa capacité à s'adapter à divers modèles de taux de risque.

Distribution exponentielle

Le modèle exponentiel est un modèle de survie paramétrique plus simple et constitue essentiellement un cas particulier de la distribution de Weibull avec le paramètre de forme (\beta (β) fixé à 1. Le modèle exponentiel suppose un taux de risque constant au fil du temps, ce qui signifie que la probabilité que l'événement se produise est uniforme quel que soit le temps écoulé. Ce modèle est moins flexible que le modèle de Weibull, mais il est utile dans les situations où le risque constant est une hypothèse raisonnable, comme la modélisation du temps de défaillance de certains systèmes ou dispositifs mécaniques.

En pratique, le choix entre les modèles de Weibull et exponentiel dépend de la nature de la fonction de risque sous-jacente. Si le taux de risque change au fil du temps, la distribution de Weibull offre un ajustement plus précis. Cependant, pour des scénarios plus simples avec un risque constant, le modèle exponentiel offre une facilité d'interprétation et de calcul.

Les deux modèles jouent un rôle essentiel dans la compréhension des temps de survie et peuvent aider à guider la prise de décision dans les domaines de la santé, de l'ingénierie de la fiabilité et de divers autres domaines.

Les modèles de Weibull et exponentiels sont fréquemment utilisés dans l’analyse de survie.

Une distribution de Weibull à deux paramètres a une courbe de survie donnée comme suit.

C’est β qui détermine la fonction de danger. Un bêta supérieur à un indique que le taux de risque augmente avec le temps avec l’augmentation du risque au fil du temps t.

Un bêta inférieur à un montre que le taux d’aléa diminue au fil du temps et indique un risque décroissant.

Un bêta égal à un indique un taux de risque constant. Cela change également le modèle de Weibull en modèle exponentiel, qui s’exprime comme suit.

Dans la population humaine, un taux de risque constant est moins probable sur une longue période. Mais, on peut supposer qu’il est constant pendant une courte durée, par exemple 5 à 10 ans.

Si un graphique d’estimations de S(t) sur une échelle logarithmique est une ligne droite, l’utilisation du modèle exponentiel pour l’analyse de survie est plus appropriée. En effet, log S(t) = ₋λt devient une droite où ₋λ est la pente.