Modèle de régression des risques proportionnels de Cox pour les données de temps jusqu'à l'événement
- Introduite par
- Sir David Roxbee Cox
- Année
- 1972
- Type
- Semi-parametric regression model
- Famille
- Clinical / epidemiology
Ce texte est une traduction automatique et n’a pas encore été relu. Lire l’original en anglais
À quoi sert-elle ?
Le modèle de risques proportionnels de Cox est une méthode de régression semi-paramétrique qui estime l'effet d'une ou plusieurs covariables sur le risque instantané (hazard) — le taux instantané d'un événement tel que le décès, la récidive ou la défaillance — sans faire d'hypothèse sur la forme de la fonction de risque de base.
Introduit par David Cox en 1972, c'est l'outil dominant pour l'analyse de survie multivariée en recherche clinique et épidémiologique.
L’intuition derrière la méthode
Supposons que vous vouliez savoir si l'âge et le type de traitement affectent conjointement la rapidité avec laquelle les patients atteignent la rémission. Le modèle de Cox répond à cette question sans vous obliger à spécifier si le risque sous-jacent augmente, diminue ou reste stable au fil du temps. Il fonctionne en classant les événements par ordre chronologique et en estimant quels schémas de covariables sont associés aux événements les plus précoces. L'hypothèse des « risques proportionnels » signifie que le rapport des risques entre deux individus ayant des valeurs de covariables différentes reste constant au fil du temps — si un patient traité est deux fois plus susceptible de se rétablir au 3e mois, il le reste au 12e mois. Chaque covariable produit un rapport de risques instantanés (hazard ratio) : un HR de 1,5 signifie un taux d'événement instantané 50 % plus élevé par unité d'augmentation de cette covariable.
Histoire
David Cox a publié le modèle des risques proportionnels dans un article marquant de 1972 dans le Journal of the Royal Statistical Society, Series B. Le modèle était révolutionnaire car il permettait l'ajustement des covariables dans l'analyse de survie sans spécifier la distribution du risque de base. Cox a introduit le concept de vraisemblance partielle — qu'il a formalisé plus complètement dans un suivi de 1975 — permettant l'estimation à partir du seul ordre des événements. L'article est devenu l'un des plus cités de toutes les statistiques et a valu à Cox un titre de chevalier. Des extensions incluant des covariables variant dans le temps, des bases stratifiées et des termes de fragilité (effets aléatoires) ont depuis rendu le cadre applicable aux contextes de données groupées, d'événements récurrents et de risques concurrents.
Quand l’utiliser
Utilisez le modèle de Cox lorsque votre résultat est un temps jusqu'à l'événement, que la censure est présente (tous les participants ne subissent pas l'événement) et que vous devez ajuster les covariables. C'est la méthode multivariée par défaut pour les études de cohorte, les essais cliniques et les analyses de registres avec des critères de jugement de survie. Ne l'utilisez pas lorsque l'hypothèse des risques proportionnels est gravement violée pour toutes les covariables — envisagez plutôt un modèle de temps de défaillance accéléré ou des alternatives paramétriques flexibles. Évitez-le lorsque les événements sont très rares par rapport au nombre de covariables (moins de 10 événements par prédicteur est une règle empirique reconnue pour l'instabilité). Pour une exposition unique sans covariables, les courbes de Kaplan-Meier avec des tests de log-rank sont plus simples et suffisantes.
Limites et points d’attention
- L'hypothèse des risques proportionnels doit être respectée — si les rapports de risques instantanés changent au fil du temps, les estimations sont moyennées et potentiellement trompeuses.
- Ne produit pas de prédictions absolues de temps de survie sans estimation supplémentaire du risque de base.
- Les performances se dégradent lorsque les événements sont rares par rapport aux covariables ; le risque de surapprentissage augmente avec moins de 10 événements par prédicteur.
- La censure doit être non informative ; si les patients abandonnent parce qu'ils se détériorent, les estimations sont biaisées.
Les conditions de la source ne remplacent ni une revue scientifique indépendante ni la validation par un moteur d’analyse.
Points forts
- Ne nécessite aucune hypothèse sur la forme du risque de base, ce qui le rend robuste sur un large éventail de distributions de temps de survie.
- Gère naturellement la censure à droite, omniprésente dans les données de suivi clinique.
- Produit des rapports de risques instantanés interprétables qui quantifient l'effet relatif de chaque covariable sur le taux d'événement instantané.
- Facilement étendu aux analyses stratifiées, aux covariables variant dans le temps et aux données groupées (modèles de fragilité).
- Largement implémenté dans tous les principaux logiciels statistiques (R, Stata, SAS, SPSS) avec des outils de diagnostic bien établis.
Applications
- Évaluer l'effet de l'attribution du traitement sur la survie globale ou la survie sans progression dans les essais cliniques randomisés.
- Identifier les facteurs pronostiques de récidive de la maladie ou de mortalité dans les études de registres du cancer et les études de cohortes hospitalières.
- Estimer l'association entre les expositions professionnelles et le temps jusqu'à l'apparition d'une maladie chronique en épidémiologie du travail.
- Modéliser le temps jusqu'à la réadmission à l'hôpital après ajustement pour l'âge, les comorbidités et le statut de sortie dans la recherche sur les services de santé.
- Évaluer les taux de défaillance des dispositifs ou des implants ajustés pour les facteurs de risque au niveau du patient dans les études d'ingénierie biomédicale.
Comment ça marche
Comment ça marche
Avant la modélisation, vérifiez l'hypothèse des risques proportionnels pour chaque covariable à l'aide de graphiques des résidus de Schoenfeld ou d'un test formel (corrélation des résidus mis à l'échelle avec le temps). Vérifiez également les taux d'événements quasi nuls dans les strates de covariables, les valeurs aberrantes extrêmes dans le temps de suivi et l'adéquation du mécanisme de censure — la censure doit être non informative pour une inférence valide.
Écrivez la fonction de risque instantané comme h(t|X) = h_0(t) * exp(b_1*X_1 + ... + b_p*X_p), où h_0(t) est le risque de base non spécifié et les b_i sont les coefficients de log-risque à estimer. Sélectionnez les covariables en fonction de la théorie du domaine ou de la littérature antérieure, et non uniquement sur la base de p-valeurs univariées ; incluez les facteurs de confusion connus quelle que soit leur signification.
Formule
h(t|X) = h_0(t) * exp(b_1*X_1 + ... + b_p*X_p)
Les coefficients sont estimés en maximisant la vraisemblance partielle, une fonction qui conditionne l'ordre des événements observés et annule le risque de base. Parce que le risque de base disparaît, aucune hypothèse de distribution sur le temps de survie n'est requise — d'où le terme « semi-paramétrique ». La méthode gère les temps d'événements liés via les approximations de Breslow ou d'Efron.
Évaluez l'ajustement du modèle avec les tests du rapport de log-vraisemblance, de Wald et du score pour la signification globale. Vérifiez l'influence des covariables individuelles avec les résidus dfbeta et évaluez la linéarité des prédicteurs continus à l'aide des résidus de martingale. Si l'hypothèse des risques proportionnels est violée pour une covariable, envisagez une stratification par cette variable ou l'ajout d'un terme d'interaction temporelle.
Exponenziez chaque coefficient pour obtenir un rapport de risques instantanés : HR = exp(b_i). Un HR > 1 indique un taux d'événement plus élevé (survie plus courte) ; un HR < 1 indique un taux d'événement plus faible (survie plus longue). Rapportez les HR avec des intervalles de confiance à 95 % et des p-valeurs bilatérales. Le HR représente un taux relatif instantané, et non un rapport de risque — communiquez clairement cette distinction aux publics non spécialisés.
Formule
HR = exp(b_i)
Pièges courants
- Ignorer l'hypothèse des risques proportionnels — ne pas tester et rapporter les résidus de Schoenfeld conduit à des violations non détectées qui faussent les estimations du rapport de risques instantanés sur toute la période de suivi.
- Traiter le rapport de risques instantanés comme un rapport de risque — le HR est un rapport de taux instantané, et non un rapport de risque cumulatif ; le traduire de manière excessive en langage de risque absolu induit en erreur les publics cliniques.
- Sur-ajustement avec trop de covariables par rapport aux événements — l'inclusion de toutes les variables candidates sans tenir compte du rapport événements par variable gonfle les erreurs de type I et produit des IC peu fiables.
- Ignorer les temps d'événements liés — l'approximation de Breslow par défaut est adéquate pour peu de liens, mais des liens substantiels nécessitent l'approximation d'Efron ou une méthode exacte.
Questions fréquentes
Qu'est-ce que l'hypothèse des risques proportionnels et comment la tester ?
L'hypothèse stipule que le rapport de risques instantanés entre deux schémas de covariables est constant au fil du temps. Testez-la en traçant les résidus de Schoenfeld mis à l'échelle en fonction du temps pour chaque covariable — une ligne plate suggère que l'hypothèse est respectée. La fonction cox.zph() du package survival de R fournit à la fois le graphique et un test de corrélation formel ; une p-valeur significative indique une violation qui devrait être traitée par stratification ou par un terme d'interaction temporelle.
Quand devrais-je préférer un modèle de survie paramétrique au modèle de Cox ?
Si les connaissances du domaine soutiennent fortement une distribution spécifique pour les temps de survie (par exemple, Weibull pour la défaillance d'un dispositif), un modèle entièrement paramétrique est plus efficace et produit des prédictions directes du temps de survie médian ou moyen. Le modèle de Cox est préférable lorsque vous êtes agnostique quant à la forme du risque ou lorsque la robustesse du modèle est plus importante que l'efficacité paramétrique — ce qui est la plupart du temps le cas en recherche clinique.
Puis-je utiliser le modèle de Cox avec des covariables variant dans le temps ?
Oui. La formulation du modèle de Cox basée sur le processus de comptage permet d'intégrer des covariables dont les valeurs changent au cours de la période de suivi (par exemple, des valeurs de laboratoire mises à jour, des changements de traitement). L'ensemble de données doit être restructuré dans un format d'intervalle début-fin pour chaque fenêtre d'observation. Ceci est entièrement pris en charge dans R (package survival), Stata et SAS.
De combien d'événements ai-je besoin ?
Une heuristique largement utilisée est d'au moins 10 événements par variable prédictive (EPV) dans le modèle. En dessous de ce seuil, les estimations des coefficients deviennent instables, les intervalles de confiance s'élargissent et le modèle peut ne pas converger de manière fiable. Pour les modèles avec de nombreuses covariables candidates, la régression pénalisée (ridge, LASSO) ou les méthodes de rétrécissement formelles peuvent améliorer la stabilité lorsque l'EPV est faible.
Quelle est la différence entre le modèle de Cox et l'analyse des risques concurrents ?
Lorsqu'un seul type d'événement est possible, le modèle de Cox standard s'applique. Les risques concurrents surviennent lorsqu'un sujet peut subir l'un des plusieurs événements mutuellement exclusifs (par exemple, décès lié au cancer vs décès d'autres causes). Dans ce contexte, les modèles de Cox spécifiques à la cause ou le modèle de risque de sous-distribution de Fine-Gray sont appropriés ; le modèle de Cox standard sur l'événement d'intérêt seul surestime l'incidence cumulative spécifique à la cause.
Méthodes associées
Sources
Cox, D. R. (1972). Regression models and life-tables. Journal of the Royal Statistical Society: Series B (Methodological), 34(2), 187–202.
Ouvrir la référence DOICopié.Collett, D. (2015). Modelling Survival Data in Medical Research (3rd ed.). CRC Press.
ISBN : 978-1439856789Copié.