Calculateur de rapport de risque

Utilisez le rapport de hasard lorsque vous comparez des résultats de temps jusqu'à l'événement entre deux groupes — tels que la survie après traitement, le temps jusqu'à la rechute ou la durée jusqu'à la panne d'équipement. Le rapport de hasard vous indique à quel point un événement est plus (ou moins) susceptible de se produire à un moment donné dans un groupe par rapport à un autre.

Qu'est-ce qu'un rapport de hasard ?

Le rapport de hasard (HR) est le rapport des taux de hasard entre deux groupes :

$HR = \frac{h_1(t)}{h_0(t)}$

Où :

• $h_1(t)$ = taux de hasard dans le groupe traitement/exposé
• $h_0(t)$ = taux de hasard dans le groupe contrôle/non exposé

Interpréter le rapport de hasard

Exemple : HR = 0.70 pour un nouveau traitement du cancer signifie que les patients sous le nouveau traitement ont un risque de décès inférieur de 30% à tout moment donné par rapport au traitement standard.

Hasard vs. Risque

Le risque est cumulatif ; le hasard est instantané. Le rapport de hasard compare ces taux instantanés.

Calculer le rapport de hasard

À partir de la régression de Cox

La plupart des rapports de hasard proviennent de la régression des risques proportionnels de Cox :

$h(t|X) = h_0(t) \exp(\beta X)$

Le rapport de hasard pour un prédicteur binaire X est :

$HR = e^\beta$

Où β est le coefficient de régression.

À partir de données récapitulatives

Si vous avez des comptes d'événements et du temps-personne :

$HR = \frac{Événements_1 / Temps\text{-}personne_1}{Événements_0 / Temps\text{-}personne_0}$

Exemple :

• Traitement : 30 événements en 500 années-personnes
• Contrôle : 45 événements en 480 années-personnes

$HR = \frac{30/500}{45/480} = \frac{0.060}{0.094} = 0.64$

Le traitement réduit le hasard de 36%.

Intervalle de confiance pour HR

Le log du rapport de hasard est approximativement normal :

$\ln(HR) \pm z^* \times ES(\ln HR)$

Erreur standard de la sortie de régression de Cox, ou approximée :

$ES(\ln HR) \approx \sqrt{\frac{1}{E_1} + \frac{1}{E_0}}$

Où E₁ et E₀ sont les comptes d'événements dans chaque groupe.

Exemple :

• HR = 0.64, ln(HR) = -0.446
• ES = √(1/30 + 1/45) = √(0.033 + 0.022) = 0.235
• IC à 95% pour ln(HR) : -0.446 ± 1.96(0.235) = [-0.91, 0.02]
• IC à 95% pour HR : [exp(-0.91), exp(0.02)] = [0.40, 1.02]

Puisque l'IC inclut 1, l'effet n'est pas statistiquement significatif à α = 0.05.

Hypothèse de hasards proportionnels

Le rapport de hasard suppose des hasards proportionnels : le rapport reste constant dans le temps.

$\frac{h_1(t)}{h_0(t)} = HR \text{ (constant)}$

Vérifier l'hypothèse

1. Courbes de Kaplan-Meier : Ne devraient pas se croiser
2. Résidus de Schoenfeld : Ne devraient montrer aucune tendance temporelle
3. Graphique log-log : Devrait être des lignes parallèles

Quand elle est violée

Si les hasards ne sont pas proportionnels :

• Rapportez des HR spécifiques au temps
• Utilisez le temps de survie moyen restreint (RMST)
• Stratifiez par périodes de temps
• Utilisez des modèles de temps de défaillance accéléré

HR vs. autres mesures

Interprétation clinique

Réduction du risque

$\text{Réduction du risque} = 1 - HR$

HR = 0.70 → 30% de réduction du risque

Augmentation du risque

$\text{Augmentation du risque} = HR - 1$

HR = 1.50 → 50% d'augmentation du risque

Nombre de sujets à traiter

Le HR ne donne pas directement le NST ; vous avez besoin des risques absolus :

$NST = \frac{1}{|Risque_1 - Risque_0|}$

Applications

Essais cliniques

• Survie après traitement du cancer
• Temps jusqu'à progression de la maladie
• Durée de la réponse au traitement

Épidémiologie

• Mortalité par statut d'exposition
• Temps jusqu'à l'infection
• Âge d'apparition de la maladie

Ingénierie de fiabilité

• Temps jusqu'à défaillance par type de composant
• Comparaison du temps moyen entre défaillances
• Analyse de période de garantie

Sciences sociales

• Temps jusqu'à la récidive
• Durée de l'emploi
• Temps jusqu'au mariage/divorce

Interprétation du graphique en forêt

Les méta-analyses affichent les HR sur des graphiques en forêt :

• Ligne verticale à HR = 1 est nulle
• Points à gauche de 1 : le traitement réduit le hasard
• Points à droite de 1 : le traitement augmente le hasard
• IC ne croisant pas 1 : statistiquement significatif

HR ajusté vs. non ajusté

HR non ajusté : Compare les groupes sans contrôler les facteurs de confusion

HR ajusté : Contrôle les covariables dans la régression de Cox

$h(t|X, Z) = h_0(t) \exp(\beta_X X + \beta_Z Z)$

Le HR ajusté pour X maintient Z constant : $HR_X = e^{\beta_X}$

Analyse stratifiée

Lorsque les hasards proportionnels sont respectés dans les strates mais pas globalement :

$h(t|X) = h_{0,strate}(t) \exp(\beta X)$

Chaque strate a son propre hasard de base, mais le HR est supposé commun.

Taille d'échantillon pour HR

Pour détecter un rapport de hasard avec une puissance adéquate :

$n = \frac{(z_\alpha + z_\beta)^2}{p_1 p_0 (\ln HR)^2}$

Où p₁ et p₀ sont la proportion d'événements dans chaque groupe.

Plus d'événements nécessaires pour un HR plus proche de 1.

Erreurs courantes

Confondre HR et RR

HR ≠ rapport de risque. Pour un suivi long avec de nombreux événements, ils peuvent différer substantiellement.

Ignorer la non-proportionnalité

Si les courbes se croisent, un seul HR est trompeur. Rapportez les effets variant dans le temps.

Sur-interpréter les petits HR

HR = 0.98 est une réduction de 2% mais peut ne pas être cliniquement significatif.

Oublier la censure

L'analyse du rapport de hasard nécessite une gestion appropriée des observations censurées.

Directives de présentation

Format APA/médical : « Les patients recevant le traitement A avaient un taux de mortalité significativement plus faible par rapport au traitement B (HR = 0.64, IC à 95% [0.45, 0.91], p = 0.013). »

Inclure :

• Rapport de hasard avec IC
• Valeur p
• Nombre d'événements dans chaque groupe
• Temps de survie médians si approprié
• Note si les hasards proportionnels vérifiés

Contexte historique

David Cox a développé le modèle des hasards proportionnels en 1972, révolutionnant l'analyse de survie. Il permet l'ajustement de covariables sans spécifier la fonction de hasard de base.

Le rapport de hasard est devenu la mesure d'effet standard pour les données de temps jusqu'à l'événement dans les essais cliniques et l'épidémiologie.

Calculs associés

• Calculateur de Kaplan-Meier — Courbes de survie
• Test du log-rank — Comparer les distributions de survie
• Calculateur de risque relatif — Rapport de risque
• Calculateur NST — Nombre de sujets à traiter

Résumé

Le rapport de hasard compare les taux d'événements instantanés entre les groupes. HR = 1 signifie aucune différence ; HR < 1 signifie risque plus faible dans le premier groupe ; HR > 1 signifie risque plus élevé. Dérivé de la régression de Cox, le HR suppose des hasards proportionnels (rapport constant dans le temps). Vérifiez cette hypothèse avant d'interpréter. Rapportez le HR avec IC à 95% et vérifiez la proportionnalité. Le HR est la mesure d'effet standard pour l'analyse de survie dans les essais cliniques et les études épidémiologiques.