Calculateur de survie de Kaplan-Meier

Utilisez l'analyse de Kaplan-Meier lorsque vous suivez le temps qu'il faut pour qu'un événement se produise—survie d'un patient, temps avant défaillance d'un équipement, ou durée avant que les clients annulent. L'avantage clé est la gestion des données incomplètes : si certains sujets n'ont pas encore connu l'événement à la fin de votre étude, Kaplan-Meier intègre correctement cette information partielle plutôt que de l'écarter.

Qu'est-ce que l'analyse de Kaplan-Meier ?

L'analyse de Kaplan-Meier estime les probabilités de survie au fil du temps, en tenant compte des données censurées—sujets qui n'ont pas connu l'événement à la fin de l'étude.

Question posée : « Quelle est la probabilité de survivre (ou de rester sans événement) au-delà du temps t ? »

Exemples :

• Temps jusqu'au décès après un diagnostic de cancer
• Temps jusqu'à la défaillance d'une machine
• Temps jusqu'à l'attrition des clients
• Temps jusqu'à la récidive de la maladie

Concepts des données de survie

Événement

Le résultat d'intérêt : décès, défaillance, rechute, attrition.

Temps de survie

Temps depuis l'entrée dans l'étude jusqu'à l'événement ou la censure.

Censure

Lorsque nous n'observons pas l'événement :

• Censure à droite : Le sujet quitte l'étude ou l'étude se termine avant l'événement
• Censure à gauche : L'événement s'est produit avant le début de l'observation
• Censure par intervalle : L'événement s'est produit dans un intervalle de temps

La plupart des analyses de survie se concentrent sur les données censurées à droite.

L'estimateur de Kaplan-Meier

$\hat{S}(t) = \prod_{t_i \leq t} \left(1 - \frac{d_i}{n_i}\right)$

Où :

• $t_i$ = temps auquel les événements se sont produits
• $d_i$ = nombre d'événements au temps $t_i$
• $n_i$ = nombre à risque juste avant le temps $t_i$

Exemple de calcul

Données : Temps de survie des patients (mois)

Calcul étape par étape :

Interprétation :

• 87,5 % survivent au-delà de 3 mois
• 72,9 % survivent au-delà de 7 mois
• 38,9 % survivent au-delà de 12 mois

La courbe de survie

La courbe de Kaplan-Meier est une fonction en escalier qui :

• Commence à S(0) = 1 (100 % de survie)
• Chute à chaque temps d'événement
• Les observations censurées sont souvent marquées par des traits
• Peut ou non atteindre zéro

Intervalles de confiance

Formule de Greenwood

Erreur standard de l'estimation de survie :

$SE[\hat{S}(t)] = \hat{S}(t) \sqrt{\sum_{t_i \leq t} \frac{d_i}{n_i(n_i - d_i)}}$

Intervalle de confiance à 95 %

$\hat{S}(t) \pm 1,96 \times SE[\hat{S}(t)]$

Ou utiliser des intervalles transformés logarithmiquement pour une meilleure couverture près de 0 ou 1.

Temps de survie médian

Le temps auquel S(t) = 0,50 :

D'après l'exemple : Survie médiane ≈ 8-12 mois (interpoler où S(t) croise 0,50).

Si la survie ne descend jamais en dessous de 50 %, la médiane est indéfinie.

Comparaison des courbes de survie

Test du log-rank

Le test standard pour comparer deux ou plusieurs courbes de survie.

$\chi^2 = \frac{(O_1 - E_1)^2}{E_1} + \frac{(O_2 - E_2)^2}{E_2}$

Où O = événements observés, E = attendus sous l'hypothèse nulle.

Interprétation

• p < 0,05 : Les courbes de survie diffèrent significativement
• p ≥ 0,05 : Aucune preuve de différence

Autres tests

• Wilcoxon (Gehan-Breslow) : Accorde plus de poids aux événements précoces
• Tarone-Ware : Compromis entre log-rank et Wilcoxon
• Peto-Peto : Wilcoxon modifié

Risque instantané et rapport de risque

Fonction de risque

Risque instantané d'événement au temps t, étant donné la survie jusqu'à t :

$h(t) = \lim_{\Delta t \to 0} \frac{P(t \leq T < t + \Delta t | T \geq t)}{\Delta t}$

Rapport de risque

Rapport des risques entre groupes :

$HR = \frac{h_1(t)}{h_2(t)}$

• HR = 1 : Risques égaux
• HR > 1 : Le groupe 1 a un risque plus élevé
• HR < 1 : Le groupe 1 a un risque plus faible

Hypothèses

Censure non informative

La censure est indépendante de la survie—les sujets censurés ont le même pronostic que ceux qui restent.

Violée lorsque : Les patients se retirent en raison d'effets secondaires ou d'une mauvaise santé.

Les probabilités de survie sont constantes

Dans tout intervalle de temps, la probabilité de survie dépend uniquement du temps, pas de la date calendaire.

Les événements sont indépendants

L'événement d'un sujet n'affecte pas le risque d'un autre.

Temps de survie moyen restreint (RMST)

Aire sous la courbe de survie jusqu'au temps τ :

$RMST = \int_0^{\tau} S(t) \, dt$

Fournit un résumé significatif lorsque les risques ne sont pas proportionnels.

Applications

Oncologie

• Survie globale (temps jusqu'au décès)
• Survie sans progression (temps jusqu'à progression ou décès)
• Survie sans maladie

Ingénierie de fiabilité

• Temps jusqu'à défaillance des composants
• Temps moyen entre défaillances (MTBF)

Analytique client

• Temps jusqu'à l'attrition
• Durée de vie du client

Essais cliniques

• Comparaison de l'efficacité des traitements
• Estimation des bénéfices de survie

Présentation des résultats

Éléments standards :

• Courbe de survie de Kaplan-Meier avec bandes de confiance
• Nombre à risque aux points temporels clés
• Survie médiane avec IC à 95 %
• Taux de survie à 1 an, 2 ans, 5 ans
• Résultats du test du log-rank (si comparaison de groupes)
• Rapport de risque avec IC à 95 %

Exemple de rapport :

« La survie globale médiane était de 18 mois (IC à 95 % : 14-24) dans le groupe traitement contre 12 mois (IC à 95 % : 9-16) dans le groupe témoin. Le taux de survie à 2 ans était de 42 % (IC à 95 % : 32-52 %) contre 28 % (IC à 95 % : 19-38 %). Le test du log-rank a montré une différence significative (χ² = 8,4, p = 0,004), avec un rapport de risque de 0,62 (IC à 95 % : 0,45-0,86) favorisant le traitement. »

Au-delà de Kaplan-Meier

Régression de Cox à risques proportionnels

Modéliser l'effet de plusieurs covariables sur la survie :

$h(t|X) = h_0(t) \exp(\beta_1 X_1 + \beta_2 X_2 + \cdots)$

Modèles de survie paramétriques

Supposer une distribution spécifique (exponentielle, Weibull, log-normale) :

• Plus puissant si les hypothèses sont respectées
• Permettent l'extrapolation au-delà des données

Risques concurrents

Lorsque plusieurs types d'événements sont possibles (par exemple, décès par cancer contre autres causes).

Erreurs courantes

Ignorer la censure

Traiter les observations censurées comme des événements ou les exclure biaise les résultats.

Supposer des risques proportionnels

Le test du log-rank et les rapports de risque supposent des risques proportionnels. Vérifier avec les résidus de Schoenfeld ou l'inspection visuelle.

Petites tailles d'échantillon

Avec peu d'événements, les estimations de survie sont instables. Rapporter les intervalles de confiance.

Sur-interpréter les queues

Les estimations de survie tardives reposent sur peu de sujets—les larges intervalles de confiance reflètent l'incertitude.

Contexte historique

Edward Kaplan et Paul Meier ont développé cet estimateur en 1958, bien qu'ils aient travaillé indépendamment et combiné leurs approches pour publication.

La méthode a révolutionné l'analyse de survie en gérant correctement les observations censurées, permettant une analyse fiable des données d'essais cliniques où tous les sujets ne connaissent pas l'événement.

Calculs connexes

• Calculateur de risque relatif — Comparaison de risque
• Calculateur de rapport de cotes — Mesure d'association
• Calculateur NNT — Signification clinique
• Calculateur de taux de Poisson — Taux d'événements

Résumé

L'analyse de Kaplan-Meier estime les probabilités de survie au fil du temps tout en gérant correctement les observations censurées. La courbe de survie montre la probabilité de rester sans événement à chaque point temporel. Rapporter la survie médiane, les taux de survie aux moments clés et les intervalles de confiance. Comparer les groupes en utilisant le test du log-rank. La méthode suppose une censure non informative et est fondamentale pour toute analyse de survie. Pour l'ajustement des covariables, étendre à la régression de Cox.