Skip to content
Retour aux résultats

Analyse de Kaplan-Meier — Estimation non paramétrique de la survie

Introduite par
Edward L. Kaplan and Paul Meier
Année
1958
Type
Nonparametric survival estimator
Famille
Clinical / epidemiology

Ce texte est une traduction automatique et n’a pas encore été relu. Lire l’original en anglais

Taille de police

À quoi sert-elle ?

L'analyse de Kaplan-Meier (KM) est une méthode non paramétrique d'estimation de la fonction de survie à partir de données de temps jusqu'à l'événement.

Introduite par Kaplan et Meier en 1958, elle produit la courbe de survie classique en escalier qui montre la probabilité de survivre au-delà de chaque temps d'événement observé, en tenant compte correctement des observations censurées — participants qui ont quitté l'étude ou n'avaient pas encore subi l'événement à la fin du suivi. C'est l'une des techniques les plus utilisées dans la recherche clinique et épidémiologique.

L’intuition derrière la méthode

Imaginez suivre un groupe de patients atteints de cancer pour voir combien de temps ils survivent après le traitement. Certains décèdent pendant l'étude (événements observés) ; d'autres sont encore en vie à la fin de l'étude ou abandonnent (censurés). Une simple moyenne ignore la censure et sous-estime la survie. L'estimateur de Kaplan-Meier multiplie plutôt une série de probabilités de survie conditionnelles — la chance de survivre à chaque temps d'événement successif étant donné la survie jusqu'à ce point — produisant une courbe en escalier qui ne chute que lorsqu'un événement réel se produit. Les observations censurées réduisent l'ensemble des risques mais ne comptent pas comme des événements, leur information est donc utilisée jusqu'au moment de leur sortie.

Histoire

L'analyse de Kaplan-Meier trouve son origine dans un article historique de 1958 par Edward L. Kaplan et Paul Meier publié dans le Journal of the American Statistical Association. Meier avait dérivé l'estimateur produit-limite indépendamment ; un éditeur de journal a reconnu le travail parallèle et a encouragé une publication conjointe. L'article a d'abord été accueilli avec un intérêt modeste mais est devenu l'un des articles scientifiques les plus cités jamais publiés. Le test du log-rank associé a été développé par Nathan Mantel en 1966. La méthode est devenue centrale dans le rapport des essais cliniques à partir des années 1970, et les agences réglementaires du monde entier attendent désormais les courbes KM dans le cadre de toute soumission d'analyse de temps jusqu'à l'événement.

Quand l’utiliser

Utilisez l'analyse de Kaplan-Meier chaque fois que le résultat est le temps jusqu'à un seul événement bien défini (décès, récidive, sortie, échec du traitement) et que les temps de suivi varient entre les participants. C'est la première étape standard de toute analyse de survie et elle est appropriée pour les essais randomisés comme pour les études de cohortes observationnelles. Préférez les courbes KM pour l'affichage descriptif et la comparaison de groupes lorsque l'hypothèse des risques proportionnels est respectée ; passez à la régression de Cox lorsque vous devez ajuster simultanément plusieurs covariables. N'utilisez pas KM lorsque l'événement ne peut pas survenir plus d'une fois par personne et que des événements concurrents (par exemple, décès d'une autre cause avant l'événement d'intérêt) sont présents — utilisez plutôt une analyse des risques concurrents. KM n'est pas non plus adapté lorsque la censure est susceptible d'être informative, lorsque l'ajustement par covariable continue est nécessaire, ou lorsque le résultat est binaire plutôt que temps jusqu'à l'événement.

Limites et points d’attention

  • Ne peut pas ajuster simultanément plusieurs facteurs de confusion — utilisez la régression des risques proportionnels de Cox pour les estimations ajustées par covariable.
  • Suppose une censure non informative ; des estimations biaisées résultent si la censure est liée au pronostic.
  • Ne gère pas les événements récurrents ou les risques concurrents sans extension vers des méthodes plus spécialisées.
  • Le test du log-rank comparant les courbes a une puissance réduite lorsque le rapport des risques instantanés change au fil du temps (courbes qui se croisent ou convergent).
  • Les estimations deviennent instables aux temps de suivi longs lorsque peu de participants restent à risque.

Les conditions de la source ne remplacent ni une revue scientifique indépendante ni la validation par un moteur d’analyse.

Points forts

  • Complètement non paramétrique — ne fait aucune hypothèse sur la forme de la distribution de survie.
  • Intègre correctement les observations censurées, maximisant l'utilisation de tout le temps de suivi disponible.
  • Produit une visualisation intuitive et immédiatement interprétable (la courbe de survie en escalier).
  • La survie médiane avec intervalles de confiance est facilement dérivée comme statistique récapitulative.
  • Largement comprise par les audiences cliniques, épidémiologiques et réglementaires.

Applications

  • Comparaison de la survie globale entre les bras de traitement dans les essais contrôlés randomisés en oncologie.
  • Estimation du temps jusqu'à la réadmission à l'hôpital après une chirurgie cardiaque dans les études de cohortes cardiovasculaires.
  • Rapport de la survie sans progression dans les soumissions réglementaires pour de nouveaux médicaments oncologiques.
  • Analyse du temps jusqu'à l'arrêt du traitement ou l'apparition d'un événement indésirable dans les études de pharmacovigilance.
  • Estimation de la survie du greffon dans les registres de transplantation et les études de rejet d'organes.
  • Description du temps jusqu'à la récidive après résection chirurgicale dans les cohortes de cancer colorectal ou du sein.

Comment ça marche

Comment ça marche

1

Spécifiez l'événement d'intérêt (par exemple, décès, récidive de la maladie, réadmission à l'hôpital), l'origine temporelle (par exemple, date de randomisation, date de diagnostic) et le mécanisme de censure. Chaque participant contribue un temps de survie et un indicateur d'événement (1 = événement survenu, 0 = censuré). Assurez-vous que la censure est non informative — c'est-à-dire que les participants censurés ne doivent pas différer systématiquement en termes de pronostic de ceux qui restent à risque.

2

Triez tous les temps d'événements observés du plus petit au plus grand. Les égalités (événements multiples au même instant) sont résolues par convention standard. À chaque temps d'événement distinct t_i, enregistrez n_i (le nombre de participants à risque juste avant t_i) et d_i (le nombre d'événements à t_i). Les observations censurées qui surviennent entre des temps d'événements consécutifs réduisent n_i pour les étapes ultérieures mais ne sont pas comptées comme des événements.

3

Calculez la probabilité de survie à chaque temps d'événement en utilisant la formule du produit-limite : S(t) = produit sur tous les t_i <= t de (1 - d_i / n_i). L'estimation commence à S(0) = 1 et diminue par paliers uniquement aux temps d'événements, restant constante entre les événements. Cela ne fait aucune hypothèse sur la distribution sous-jacente des temps de survie.

Formule
S(t) = \prod_{t_i \le t} \left(1 - \frac{d_i}{n_i}\right)
4

Les observations censurées — participants perdus de vue, retirés, ou sans événement à la date de clôture de l'étude — sont incorporées en les retirant de l'ensemble des risques à leur temps de censure, après avoir contribué au dénominateur n_i jusqu'à ce point. Une manipulation correcte de la censure est essentielle : si la censure est informative (corrélée au pronostic), l'estimation KM sera biaisée et des méthodes plus sophistiquées seront nécessaires.

5

Lorsque deux groupes ou plus (par exemple, traitement vs. contrôle) sont comparés, une courbe KM distincte est estimée pour chaque groupe et les courbes sont affichées ensemble. Le test du log-rank (ou test de Mantel-Cox) fournit un test de signification formel pour l'hypothèse nulle de fonctions de survie égales. Le test du log-rank est le plus puissant lorsque le rapport des risques instantanés entre les groupes est approximativement constant dans le temps (hypothèse des risques proportionnels) ; des variantes pondérées comme le test de Wilcoxon-Breslow sont disponibles lorsque les différences précoces sont d'un plus grand intérêt.

6

Présentez les courbes KM graphiquement avec un tableau du nombre de sujets à risque sous l'axe des x. Rapportez le temps de survie médian (le temps auquel S(t) croise 0,5) avec des intervalles de confiance à 95 % (typiquement la formule de Greenwood). Si une comparaison a été effectuée, rapportez la p-valeur du log-rank et le rapport des risques instantanés d'un modèle de Cox. Spécifiez la taille totale de l'échantillon, le nombre d'événements et la durée du suivi.

Pièges courants

  • Ignorer les risques concurrents — utiliser KM lorsque les participants peuvent subir un événement concurrent (par exemple, décès avant récidive) conduit à une surestimation de l'incidence cumulée de l'événement d'intérêt ; utilisez plutôt la fonction d'incidence cumulée (CIF) de la régression de Fine-Gray ou les modèles de risques spécifiques à la cause.
  • Présenter des courbes sans tableau du nombre de sujets à risque — les portions tardives de la courbe basées sur très peu d'individus sont peu fiables et trompeuses sans contexte.
  • Censure informative — si les patients sont censurés parce qu'ils se sont détériorés et ont changé de traitement, la cohorte survivante est artificiellement sélectionnée ; des analyses de sensibilité ou une pondération par probabilité inverse de censure devraient être envisagées.
  • Rapporter uniquement la p-valeur du log-rank sans taille d'effet — la p-valeur indique la significativité mais pas l'ampleur de la différence ; accompagnez-la toujours d'un rapport des risques instantanés et d'un intervalle de confiance issus d'une régression de Cox.
  • Courbes de survie qui se croisent avec un seul test du log-rank — lorsque les courbes se croisent, le test du log-rank peut être non significatif même lorsqu'il existe une différence réelle précoce ou tardive ; le temps de survie moyen restreint ou les tests du log-rank pondérés sont plus informatifs.

Questions fréquentes

Quelle est la différence entre la courbe de Kaplan-Meier et la courbe des risques cumulés ?

La courbe KM montre S(t), la probabilité de survivre (de ne pas subir l'événement) au-delà du temps t, qui diminue de 1 vers 0. Le risque cumulé H(t) = -log S(t) augmente avec le temps et représente le risque instantané accumulé. Les deux sont des représentations équivalentes des mêmes données sous-jacentes ; le risque cumulé est linéaire sur une échelle logarithmique sous une distribution exponentielle, ce qui le rend utile pour la vérification des modèles.

Quand dois-je utiliser le test du log-rank par rapport à un modèle de Cox pour comparer des groupes ?

Utilisez le test du log-rank lorsque vous souhaitez un test de signification non paramétrique simple comparant deux courbes KM non ajustées ou plus. Utilisez la régression de Cox lorsque vous avez besoin d'ajuster pour des facteurs de confusion, d'inclure des prédicteurs continus, ou d'obtenir un rapport des risques instantanés comme mesure d'effet récapitulative. Les deux approches supposent des risques proportionnels ; lorsque cette hypothèse est violée, considérez l'analyse du temps de survie moyen restreint.

Comment calculer l'intervalle de confiance pour la survie médiane ?

L'approche standard applique la formule de Greenwood pour estimer la variance de S(t), puis construit des bandes de confiance ponctuelles autour de la courbe. L'intervalle de confiance pour la médiane est l'ensemble des points temporels où la bande de confiance croise la ligne de probabilité 0,5. La plupart des logiciels statistiques (package R survival, SAS LIFETEST, Stata stci) calculent cela automatiquement.

Puis-je utiliser Kaplan-Meier lorsque j'ai des risques concurrents ?

L'analyse KM standard traite les événements concurrents (par exemple, décès d'une autre cause avant l'événement d'intérêt) comme des observations censurées, ce qui conduit à une surestimation de l'incidence cumulée car les individus censurés sont supposés rester à risque. Lorsque des risques concurrents sont présents, utilisez la fonction d'incidence cumulée (CIF) issue de la régression de Fine-Gray ou des modèles de risques spécifiques à la cause au lieu de l'estimateur KM.

Quelle taille d'échantillon me faut-il pour une estimation fiable de Kaplan-Meier ?

La fiabilité dépend principalement du nombre d'événements observés plutôt que de la taille totale de l'échantillon. En règle générale, au moins 10 à 20 événements par groupe sont nécessaires pour des estimations de courbes stables, et des calculs de puissance formels pour le test du log-rank devraient être effectués en fonction du taux d'événements attendu, de la survie médiane et de la puissance souhaitée. Aux temps de suivi longs où peu de participants restent à risque (moins de ~5-10), la courbe devient peu fiable et doit être tronquée ou présentée avec une incertitude appropriée.

Méthodes associées

Sources

  1. Kaplan, E. L., & Meier, P. (1958). Nonparametric estimation from incomplete observations. Journal of the American Statistical Association, 53(282), 457–481.

    Ouvrir la référence DOI
    Copié.
  2. Kaplan–Meier estimator. Wikipedia.

    Ouvrir la référence de la publication
    Copié.