Analyse de survie de base R

Question 1

Une fonction clé pour l’analyse des données de survie dans R est la fonction

Answer 1

Surv()

Question 2

role de Surv()

Answer 2

spécifier le type de données de survie que nous avons, à savoir,
censuré à droite, censuré à gauche, censuré par intervalle.

Question 3

la fonction Surv()accepte comme arguments

Answer 3

premier argument les temps de survie observés,

et comme second l’indicateur d’événement.

Question 4

La fonction utilisée pour calculer l’estimation de Kaplan-Meier est

Answer 4

survfit()

Question 5

exemple de estimation de kaplan meir

Answer 5

fit = survfit(Surv(time, status) ~ 1, data = )

Question 6

La sortie de base de la fonction survfit()donne

Answer 6

le nombre de sujets,
le nombre d’événements,
le temps de survie médian
et son intervalle de confiance à 95%.

Question 7

le code pour calculer les probabilités de survie à 1000 et 2000 jours

Answer 7

summary(KM_fit, times = c(1000, 2000))

Question 8

voulons trouver à combien de jours la probabilité de survie est égale à 0,7 et à combien de jours elle est égale à 0,6 - le code est

Answer 8

quantile(KM_fit, probs = 1 - c(0.7, 0.6))

Question 9

Pour calculer l’estimateur de Breslow, nous utilisons

Answer 9

la fonction survfit() avec la même syntaxe que pour l’estimateur de Kaplan-Meier

la seule différence est que nous devons maintenant définir l’argument typesur “fleming-harrington”.

Question 10

Nous avons deux tests statistiques standard pour tester une hypothèse simple avec une variable de regroupement

Answer 10

logrank

Question 11

quel test de comparaison choisir

Answer 11

Le test du log-rank est le test le plus puissant lorsque l’hypothèse des risques proportionnels (PH) est satisfaite.

Question 12

Pour vérifier l’hypothèse l’hypothèse de risque proportionnel

Answer 12

nous pouvons tracer les fonctions de risque cumulées pour les deux groupes;
lorsque PH est satisfait, les deux courbes seront proportionnelles l’une à l’autre (c’est-à-dire qu’elles s’éloignent progressivement l’une de l’autre).

Question 13

formule pour tracer la fonction de risque cumulé

Answer 13

plot(KM_fit, fun = “cumhaz”)

Question 14

les differente fonctions daln l’analue de survie

Answer 14

La fonction de survie S(t)
La fonction de probabilité de densité f (t)
La fonction de répartition F(t)
La fonction de risque h(t)
La fonction de risque cumul´ee H(t)

Question 15

La fonction de probabilit´e de densit´e f (t)

Answer 15

repr´esente la limite de

la probabilit´e que l’´ev´enement se produise au temps t

Question 16

La fonction de survie S(t)

Answer 16

probabilité que l’evenement se produise apres le temps t

S(t) = Pr(T > t)

Question 17

La fonction de répartition F(t)

Answer 17

probabilité que l’évènement se produise après le temps t.

F(t) = Pr(T ≤ t) = 1 − S(t)

Question 18

La fonction de risque h(t)

Answer 18

représente la limite de la probabilité que l’´évènement se produise au temps t, sachant qu’aucun évènement ne s’est produit jusqu’au temps t.

Question 19

La fonction de risque cumulée H(t)

Answer 19

Ht = -log(S(t))

Question 20

Formulation générale d’un modelé `a risques proportionnels (PH)

Answer 20

λ(t|Xi) = λ0(t)exp(βi*Xi)

Question 21

λ0(t)

Answer 21

est la fonction de risque de base (groupe de référence :x1 = x2 = ::: = 0).

Question 22

estimation de λ0(t)

Answer 22

λ0(t) n’est pas estimée.

Question 23

Pourquoi le Modelé et dit semi-paramétrique

Answer 23

ˆ Partie λ0(t) est non-paramétrique (pas d’estimation)
ˆ Partie exp(βi*Xi) et paramétrique (fonction Exponentielle avec prédicteur
linéaire)

Question 24

La proportionnalité des risques

Answer 24

βk (k = 1; :::; p) ne dependent pas du temps

Question 25

pour vérifier graphiquement PH

Answer 25

Tracer log(−log(S(t)))

Question 26

La proportionnalité des risques est respectée

Answer 26

si les courbes sont parallèles

Question 27

La proportionnalité des risques

Avantages de l’approche visuelle

Answer 27

Interprétation des résultats.
Évaluation possible de la correction pour gérer la
non-proportionnalité des risques

Question 28

La proportionnalité des risques

Limites de l’approche visuelle

Answer 28

ˆ Interprétations subjectives
ˆ Seulement une covariable
ˆ Covariables catégorielles uniquement

Question 29

modéliser la non-proportionnalité du risque lié à la

covariable X1

Answer 29

λ(t| X1; :::; Xi) = λ0(t)exp( β1(t) X1 + β2X2 + ::: + βiXi)

β1(t) X1 = La relation entre la Covariable change avec le temps.

on dit que la valeur est dépendante du temp

Question 30

modeliser un effet non-proportionnel de la covariable
X1 ?
du model λ(t| X1; :::; Xi) = λ0(t)exp( β1(t) X1 + β2X2 + … βiXi)

Answer 30

λ(t| X1; :::; Xi) = λ0(t)exp( β1(t) X1 + γ1X1 + β2X2 + …+ βiXi)
Si t ≤ u alors HR = exp(β1).
Si t > u alors HR = exp(β1 + γ1).
Si γ1 = 0, alors il n’y a aucun effet dépendant du temps.
on dit que l’effet et dépendant du temps

Question 31

la démarché dans la prise en compte de variable temporelle

Answer 31

modifier la structure de la base de données

Question 32

exemple d’une indication de stratification

Answer 32

une variable catégorielle qui ne satisfait pas l’hypothèse des risques proportionnels,

Question 33

Pour ajuster le modèle de Cox stratifié,

Answer 33

inclure le facteur de stratification dans la formule du modèle utilisant la fonction strata()

Question 34

commentaire du code suivant:
coxph(Surv(years, status2) ~ age + drug + log(serBilir) + strata(sex), data = pbc2.id)

et caractéristique de la stratification

Answer 34

correspond à un modèle de Cox stratifié pour l’ensemble de données PBC avec différentes fonctions de risque de base pour chacun sex

Notez qu’une caractéristique de la stratification est que nous corrigeons (de la manière la plus générale) l’analyse pour sex mais nous n’obtenons aucun coefficient pour sex.

Question 35

Si nous voulons permettre que l’effet de age sur le logarithme diffère entre les hommes et les femmes,

coxph(Surv(years, status2) ~ age + drug + log(serBilir),
data = pbc2.id)

Answer 35

nous incluons le terme d’interaction entre age et strata(sex)

coxph(Surv(years, status2) ~ age * strata(sex) + drug + log(serBilir),
data = pbc2.id)

Question 36

Lorsque nous calculons les probabilités de survie à partir d’un modèle de Cox stratifié, nous obtenons

Answer 36

une courbe différente par strate
Nous observons que même si nous avons précisé que le patient pour lequel nous voulons calculer les probabilités de survie est un homme, nous obtenons deux courbes à la fois pour les hommes et les femmes. C’est parce qu’il sexs’agit d’un facteur de stratification et non d’une covariable.

Question 37

Il est possible de stratifier selon plusieurs variables, comme le sexe et la présence d’œdèmes. Le code à renseigner est
Dans ce cas,

Answer 37

alors strata(sex, edema).

Dans ce cas, les différents groupes sont constitués par toutes les combinaisons possibles des
différentes variables., les différents groupes sont constitués par toutes les combinaisons possibles des
différentes variables.