Courbes de Kaplan-Meier

Une courbe de Kaplan-Meier représente l’évolution, au cours du temps, de la probabilité de rester sans événement. Historiquement, l’événement étudié était souvent le décès, d’où le terme de « courbe de survie ». Mais la méthode peut être utilisée pour étudier le temps jusqu’à une récidive, une hospitalisation, une progression tumorale, une infection ou tout autre événement défini à l’avance.

L’intérêt majeur de la méthode est qu’elle permet d’utiliser des données où les participants ne sont pas tous suivis pendant la même durée. Une personne suivie trois ans sans événement apporte malgré tout de l’information pendant ces trois années, même si l’on ignore ce qui lui arrive ensuite.

Le principe général

Supposons que l’on suive 100 patients pendant cinq ans et que l’événement étudié soit le décès. Au début du suivi, tout le monde est vivant : la survie estimée vaut donc 100 %. À chaque décès, la courbe descend. Entre deux décès, elle reste horizontale.

La courbe possède ainsi une forme caractéristique en escalier.

Un segment horizontal signifie simplement :

aucun événement observé pendant cet intervalle.

Une marche descendante signifie :

un ou plusieurs événements viennent de survenir.

Pourquoi la courbe ne descend pas continuellement

Kaplan-Meier est une estimation non paramétrique construite à partir des moments où surviennent réellement les événements. Si aucun décès n’est observé entre le mois 6 et le mois 9, l’estimation reste identique pendant cette période.

Ce n’est donc pas une courbe lisse représentant un mécanisme biologique continu, mais une représentation empirique des données disponibles.

La probabilité conditionnelle

L’idée mathématique est relativement intuitive. À chaque instant où survient un événement, on calcule la proportion de personnes qui restent sans événement parmi celles qui étaient encore à risque juste avant cet instant.

Supposons que 100 personnes soient encore suivies et qu’un décès survienne. La probabilité conditionnelle de survivre à cet instant est alors :

99 / 100 = 0,99.

Si plus tard 90 personnes sont encore à risque et qu’un autre décès survient :

89 / 90 ≈ 0,989.

La survie cumulée correspond au produit de ces probabilités successives.

La formule

À un instant où surviennent des événements :

S(t) = produit des (1 − dᵢ / nᵢ)

où dᵢ représente le nombre d’événements à cet instant et nᵢ le nombre de personnes encore à risque juste avant.

Il n’est pas nécessaire de calculer cette formule à la main pour lire une courbe, mais elle permet de comprendre pourquoi chaque événement pèse davantage lorsque peu de personnes restent suivies.

Exemple simple

Supposons 10 patients. Au début :

S = 100 %.

Un décès survient alors que les 10 patients sont encore suivis :

S = 9/10 = 90 %.

Plus tard, un autre décès survient parmi les 9 encore à risque :

S = 90 % × 8/9 = 80 %.

La survie estimée devient alors 80 %.

La censure

Une caractéristique fondamentale des courbes de Kaplan-Meier est la présence de censures, souvent représentées par de petits traits verticaux ou des symboles placés sur la courbe.

Une observation est censurée lorsque l’on sait qu’une personne est restée sans événement jusqu’à un certain moment, mais que l’on ne connaît pas la suite.

Cela peut arriver parce que la personne est arrivée à la fin de l’étude sans événement, a quitté l’étude ou a été perdue de vue.

Une censure ne fait pas descendre la courbe

Supposons qu’un patient soit suivi pendant deux ans sans décès puis quitte l’étude. Nous savons qu’il a survécu au moins deux ans. Sa censure ne constitue donc pas un décès.

La courbe ne descend pas à ce moment.

En revanche, cette personne n’est plus incluse dans le nombre de personnes à risque après cette date.

Exemple

Au temps t, 50 patients sont encore suivis. Cinq sont censurés.

La courbe reste au même niveau.

Mais après leur censure, seulement 45 personnes continueront à contribuer aux estimations ultérieures.

Cela devient très important lorsque de nombreuses censures surviennent.

La censure n’est pas une disparition d’information

La personne censurée contribue à l’analyse jusqu’au dernier moment où son statut est connu.

C’est précisément l’un des avantages de Kaplan-Meier par rapport à une analyse qui supprimerait simplement tous les patients dont le suivi est incomplet.

L’hypothèse derrière la censure

La méthode suppose toutefois que la censure soit suffisamment non informative relativement au pronostic, ou qu’elle puisse être considérée comme indépendante conditionnellement aux informations prises en compte.

Si les personnes censurées sont systématiquement beaucoup plus malades ou beaucoup plus saines que celles qui restent observées, l’estimation peut être biaisée.

Exemple problématique

Supposons que les patients dont la maladie s’aggrave quittent l’étude parce qu’ils sont transférés vers un autre établissement et ne sont plus suivis.

Les censurer comme s’ils étaient comparables aux autres peut artificiellement améliorer la courbe de survie.

Kaplan-Meier gère le suivi incomplet, mais il ne transforme pas une perte de suivi sélective en information neutre.

L’axe horizontal

L’axe des abscisses représente le temps depuis un point de départ défini.

Ce point peut être :

  • randomisation ;
  • diagnostic ;
  • début du traitement ;
  • chirurgie.

Il faut toujours vérifier ce temps zéro, car deux courbes utilisant des points de départ différents ne sont pas directement comparables.

L’axe vertical

L’axe vertical représente généralement la probabilité estimée de rester sans événement.

Pour une survie globale :

1,00 = 100 % vivants.

Pour une survie sans progression :

1,00 = 100 % sans progression ni autre événement inclus dans la définition.

Il faut donc toujours vérifier quel événement fait descendre la courbe.

« Survie » ne signifie pas toujours survie au sens littéral

Une courbe intitulée progression-free survival peut descendre lorsqu’un patient :

  • progresse ;
  • meurt.

Une courbe de disease-free survival peut utiliser une autre combinaison d’événements.

Deux courbes ayant la même forme peuvent donc représenter des réalités cliniques très différentes.

Première règle de lecture

Avant de regarder la séparation des courbes, demander :

« Quel est exactement l’événement ? »

Une différence spectaculaire sur un critère radiologique intermédiaire n’a pas la même signification qu’une différence de mortalité toutes causes.

Comparer deux courbes

Dans un essai thérapeutique, on représente souvent :

  • groupe traitement ;
  • groupe contrôle.

Si la courbe du traitement reste au-dessus de celle du contrôle, cela signifie qu’à chaque moment considéré, une plus grande proportion estimée de patients est encore sans événement.

Mais cela ne suffit pas à quantifier complètement l’effet.

Exemple

À cinq ans :

Traitement

Survie estimée :

85 %.

Contrôle

75 %.

La différence absolue à cinq ans est :

10 points de pourcentage.

Cela signifie qu’environ dix personnes supplémentaires sur cent sont sans événement à cette date dans le groupe traité, sous les conditions de l’étude.

Risque relatif à une date donnée

Si l’événement est le décès :

  • contrôle : 25 % de décès ;
  • traitement : 15 %.

Le risque relatif à cinq ans est :

15 / 25 = 0,60.

Mais cette mesure à cinq ans ne résume pas nécessairement toute la trajectoire temporelle.

Le hazard ratio

La même étude peut rapporter :

HR = 0,65.

Le HR utilise l’ensemble de la dynamique temporelle, alors que la différence de survie à cinq ans porte sur un point précis.

Ces deux informations sont complémentaires.

Une grande séparation visuelle n’est pas nécessairement une grande différence absolue

L’échelle verticale peut être tronquée.

Supposons que l’axe vertical commence à :

0,90 au lieu de 0.

Une différence entre :

97 % et 94 %

peut visuellement sembler énorme.

En réalité, la différence absolue est de :

3 points.

Toujours regarder l’échelle

Un graphique honnête n’est pas obligé de commencer à zéro, surtout lorsqu’on souhaite visualiser de petites différences. Mais le lecteur doit garder en tête l’ordre de grandeur réel.

La perception visuelle peut être amplifiée par le choix des axes.

Le tableau « number at risk »

Sous les courbes, les publications présentent souvent un tableau indiquant le nombre de patients encore à risque à différents moments.

C’est l’un des éléments les plus importants du graphique.

Par exemple :

TempsDébut1 an3 ans5 ans
Traitement50045025040
Contrôle50044023035

On voit qu’à cinq ans, l’estimation repose seulement sur quelques dizaines de personnes.

Pourquoi cela compte

Au début de la courbe, plusieurs centaines de personnes contribuent à l’estimation. À la fin, il peut n’en rester que quelques-unes.

Chaque événement tardif fait alors bouger fortement la courbe.

La partie terminale est donc généralement beaucoup plus incertaine.

Exemple extrême

Au temps 1 :

1 décès parmi 500 personnes produit une petite marche.

Très tard dans le suivi :

1 décès parmi 5 personnes encore à risque peut provoquer une chute considérable.

Visuellement, cette dernière marche semble spectaculaire, mais elle repose sur très peu d’information.

Ne jamais interpréter la queue d’une courbe sans regarder le nombre à risque

C’est une règle essentielle.

Une divergence impressionnante à dix ans peut parfois ne concerner que :

  • 8 personnes dans un groupe ;
  • 5 dans l’autre.

Elle constitue alors une information beaucoup plus fragile que la séparation observée lorsque plusieurs centaines de participants étaient encore suivis.

Les intervalles de confiance

Une courbe de Kaplan-Meier peut être accompagnée d’un intervalle de confiance.

Celui-ci est généralement étroit au début, lorsque beaucoup de personnes sont encore à risque, puis s’élargit avec le temps.

Cela reflète directement l’incertitude croissante.

Pourquoi l’incertitude augmente

Deux phénomènes s’accumulent :

  • événements ;
  • censures.

Le nombre de personnes contribuant à l’estimation diminue progressivement.

La précision se dégrade.

Deux courbes qui se séparent

Supposons que les courbes commencent ensemble puis divergent progressivement.

Cela peut suggérer un bénéfice qui s’accumule avec le temps.

Mais il faut regarder :

  • taille absolue de la différence ;
  • intervalle de confiance ;
  • nombre à risque ;
  • tests statistiques.

La seule apparence visuelle ne suffit pas.

Deux courbes séparées dès le début

Cela peut correspondre à un effet très précoce du traitement.

Mais cela peut également inciter à vérifier :

  • définition du temps zéro ;
  • équilibre initial ;
  • événements très précoces.

Dans un essai correctement randomisé, une divergence précoce peut être parfaitement réelle.

Courbes qui se rapprochent

Un traitement peut avoir un bénéfice initial qui diminue ensuite.

Les courbes peuvent alors :

  • diverger ;
  • se rapprocher.

Un seul chiffre moyen peut masquer cette dynamique.

Courbes qui se croisent

Lorsque les courbes se croisent, l’interprétation devient particulièrement intéressante.

Supposons que le traitement soit initialement défavorable puis bénéfique à long terme.

On peut observer :

contrôle au-dessus au début

puis

traitement au-dessus plus tard.

Pourquoi le HR devient alors difficile à résumer

Un modèle de Cox à hazards proportionnels suppose approximativement un rapport constant des hazards.

Si l’effet change de direction, cette hypothèse est clairement mise en difficulté.

Un HR global peut alors cacher des effets opposés.

Exemple

Première année :

traitement plus dangereux.

Après un an :

traitement protecteur.

HR moyen :

0,95.

Conclure simplement :

« aucun effet »

serait insuffisant.

Il faut regarder la dynamique temporelle.

Le test du log-rank

Pour comparer globalement deux courbes de survie, on utilise fréquemment le test du log-rank.

Il teste l’hypothèse selon laquelle les deux groupes ont la même fonction de survie au cours du suivi, sous certaines conditions.

Que signifie une petite p-value ?

Par exemple :

p = 0,01.

Cela indique que les différences observées entre les courbes sont difficiles à expliquer par le seul hasard selon l’hypothèse testée.

Cela ne dit pas :

  • taille du bénéfice ;
  • importance clinique ;
  • nombre de mois gagnés.

Une p-value ne remplace donc pas la courbe

Deux études peuvent avoir :

p = 0,01

avec des effets cliniques très différents.

Il faut également examiner :

  • HR ;
  • risques absolus ;
  • temps gagné ;
  • effets indésirables.

Le log-rank peut être peu adapté à certaines non-proportionnalités

Si les courbes se croisent ou si l’effet est fortement retardé, le test global classique peut perdre en puissance ou produire un résumé difficile à interpréter.

D’autres méthodes peuvent être préférables selon la question.

Médiane de survie

La médiane de survie correspond au moment où la courbe atteint :

50 %.

Autrement dit, la moitié des personnes ont connu l’événement et l’autre moitié ne l’a pas encore connu.

Exemple

Contrôle :

médiane = 18 mois.

Traitement :

médiane = 24 mois.

Différence :

6 mois.

Cette mesure est intuitive.

Mais elle ne résume qu’un seul point

Deux courbes peuvent avoir exactement la même médiane et pourtant être très différentes avant ou après ce point.

La médiane ne remplace donc pas l’ensemble de la courbe.

Médiane non atteinte

Si la courbe reste au-dessus de 50 % pendant toute l’étude, la médiane est :

non atteinte.

Cela signifie seulement que moins de la moitié des participants ont connu l’événement.

Ce n’est pas une preuve que la médiane future serait extrêmement longue.

Exemple

Après deux ans :

survie = 70 %.

La médiane n’est pas atteinte.

Elle pourrait être :

  • 3 ans ;
  • 10 ans ;
  • beaucoup plus.

Les données disponibles ne permettent simplement pas encore de la calculer.

Quartiles et autres points

On peut aussi examiner :

  • survie à un an ;
  • survie à cinq ans ;
  • 25e percentile.

Il n’existe pas un seul résumé obligatoire.

La mesure pertinente dépend de la question clinique.

Le temps médian de suivi

Attention à ne pas confondre :

médiane de survie

et

suivi médian.

Un article peut annoncer :

suivi médian = 36 mois

sans que cela signifie que la médiane de survie est de 36 mois.

Le premier décrit la durée d’observation, le second le temps jusqu’à l’événement.

Comment mesurer correctement le suivi médian

Même le calcul du suivi médian peut être non trivial dans les études de survie. Des méthodes comme le reverse Kaplan-Meier peuvent être utilisées pour l’estimer correctement.

C’est une nuance méthodologique, mais elle rappelle que les résumés temporels doivent être définis précisément.

Survie globale et survie sans progression

En cancérologie, on rencontre souvent plusieurs courbes.

Survie globale — OS

Temps jusqu’au décès toutes causes.

Survie sans progression — PFS

Temps jusqu’à progression ou décès selon la définition du protocole.

Un traitement peut améliorer fortement la PFS et peu ou pas l’OS.

Pourquoi ?

Parce que :

  • traitements ultérieurs peuvent compenser ;
  • progression retardée sans modification du décès ;
  • critère de progression plus sensible.

Cela ne signifie pas que la PFS est inutile, mais sa signification clinique est différente.

Exemple

Traitement :

PFS médiane :

8 → 14 mois.

OS médiane :

24 → 25 mois.

Le traitement retarde nettement la progression sans grande différence observée sur la survie globale.

Il faut alors examiner :

  • symptômes ;
  • qualité de vie ;
  • toxicité.

Courbes de récidive

Dans certaines maladies, l’événement étudié est la récidive.

Une courbe élevée signifie alors :

davantage de patients restent sans récidive.

Il faut éviter de lire automatiquement toutes les courbes comme une mortalité.

Inversion possible de l’événement

Certains graphiques représentent au contraire la probabilité cumulée d’avoir subi l’événement.

Ils montent avec le temps plutôt que de descendre.

Il faut vérifier l’étiquette de l’axe.

Survie versus incidence cumulée

Si :

S(t) = probabilité de rester sans événement,

alors en l’absence de risques compétitifs simples :

1 − S(t) représente la probabilité d’avoir connu l’événement avant t.

Mais en présence de plusieurs risques compétitifs, l’interprétation devient plus complexe.

Risques compétitifs

Supposons que l’événement étudié soit :

décès par cancer.

Une personne décédant d’une autre cause ne pourra plus mourir ensuite de ce cancer.

Ce décès concurrent modifie l’interprétation.

Pourquoi Kaplan-Meier peut surestimer certains risques spécifiques

Si les événements concurrents sont simplement censurés, Kaplan-Meier traite implicitement ces personnes comme si elles avaient encore la possibilité théorique de connaître l’événement étudié plus tard.

Pour estimer une incidence cumulée spécifique en présence de risques compétitifs, une fonction d’incidence cumulée peut être plus appropriée.

Exemple

On étudie une complication chez des patients très âgés.

Beaucoup meurent d’autres causes avant de pouvoir développer cette complication.

Une estimation Kaplan-Meier naïve peut surestimer la probabilité réelle d’observer la complication dans la population.

Kaplan-Meier reste parfaitement adapté à la survie toutes causes

Pour le décès toutes causes, il n’existe pas d’événement concurrent qui empêcherait le décès lui-même.

La situation est donc plus simple.

Une autre difficulté : changements de traitement

Dans un essai, des participants peuvent :

  • arrêter le traitement ;
  • changer de groupe ;
  • recevoir un traitement de secours.

La courbe en intention de traiter continue généralement à les classer selon leur groupe initial.

Elle mesure alors l’effet de la stratégie d’assignation.

Ce n’est pas forcément l’effet biologique pur

Si beaucoup de patients du groupe contrôle finissent par recevoir le traitement expérimental, les courbes peuvent se rapprocher.

Cela peut diluer l’effet observé.

Mais les analyses qui tentent de corriger ce phénomène peuvent réintroduire des biais.

Les courbes ne prouvent pas à elles seules la causalité

Deux courbes peuvent être très différentes dans une étude observationnelle simplement parce que les groupes diffèrent initialement.

Exemple

Patients recevant le traitement :

  • plus jeunes ;
  • maladie moins grave.

Leur courbe de survie sera probablement meilleure même si le traitement n’a aucun effet.

Il faut distinguer :

courbe descriptive

et

effet causal.

Dans un essai randomisé

La comparaison est beaucoup plus crédible parce que la randomisation tend à rendre les groupes comparables au départ.

Les courbes prennent alors une interprétation causale plus solide, sous réserve du suivi et de l’analyse.

Courbes ajustées

Dans les études observationnelles, on peut parfois présenter des courbes de survie ajustées obtenues à partir d’un modèle.

Elles tentent de représenter ce qui serait attendu si les groupes avaient une distribution comparable de certaines variables.

Mais l’ajustement dépend du modèle

Une belle courbe ajustée ne supprime pas :

  • confusion non mesurée ;
  • mauvais choix de variables ;
  • biais de sélection.

Le graphique final peut donner une impression de certitude supérieure à celle permise par le design.

Les courbes brutes et ajustées répondent à des questions différentes

Il peut être utile de voir les deux :

courbe brute pour les données observées ;

courbe ajustée pour l’estimation issue du modèle.

Il ne faut pas les confondre.

Les marques de censure

Sur une courbe, on voit souvent de nombreux petits traits.

Beaucoup de censures ne signifient pas automatiquement que l’étude est mauvaise.

Si elles correspondent simplement à des participants recrutés tard et arrivés sans événement à la fin de l’étude, cela peut être parfaitement normal.

Ce qui compte est la raison des censures

Des censures administratives en fin d’étude sont très différentes de pertes de suivi liées :

  • à la maladie ;
  • aux effets indésirables.

La quantité ne suffit pas ; il faut comprendre le mécanisme.

Une courbe peut être techniquement correcte mais trompeuse

Supposons que la différence entre groupes soit visible uniquement très tard, lorsque moins de 2 % des participants restent à risque.

Le graphique peut montrer une séparation spectaculaire.

Mais l’information est extrêmement fragile.

Une bonne publication doit afficher le nombre à risque

Sans ce tableau, le lecteur ne peut pas savoir combien de personnes soutiennent les différentes parties de la courbe.

C’est une information essentielle.

Les axes doivent également être inspectés

Une courbe peut commencer à :

95 %

et se terminer à :

85 %.

Si l’axe vertical ne montre que cette zone, la variation occupe tout le graphique.

Ce n’est pas nécessairement frauduleux, mais l’impact visuel doit être distingué de l’impact numérique.

Exemple de lecture complète

Une étude rapporte :

HR = 0,75 ; IC 95 % 0,62–0,91.

À cinq ans :

  • survie traitement : 82 % ;
  • survie contrôle : 76 %.

Différence absolue :

6 points.

Nombre à risque à cinq ans :

  • traitement : 350 ;
  • contrôle : 330.

Cette différence tardive repose encore sur beaucoup de participants et paraît donc relativement informative.

Autre étude

Même différence apparente à dix ans :

  • 82 % versus 76 %.

Mais nombre à risque :

  • traitement : 12 ;
  • contrôle : 8.

L’estimation à dix ans est beaucoup plus fragile.

Les mêmes pourcentages ne portent pas la même quantité d’information.

Les intervalles de confiance le montrent souvent

Dans le second exemple, les bandes d’incertitude devraient devenir très larges.

C’est pourquoi elles sont particulièrement utiles dans les zones où peu de personnes restent suivies.

Ne pas lire uniquement la fin

Le lecteur est naturellement attiré par :

« où finissent les courbes ? »

Mais le point final peut être le moins fiable.

Il faut examiner toute la trajectoire.

Aire sous la courbe et RMST

La surface sous la courbe de survie jusqu’à un temps donné correspond au temps moyen restreint sans événement, ou RMST.

Cela permet de traduire les courbes en une différence de temps moyen.

Exemple

Sur cinq ans :

Traitement

RMST :

4,4 ans.

Contrôle

4,0 ans.

Différence :

0,4 année, soit environ 4,8 mois sans événement supplémentaires en moyenne.

Cette mesure peut être beaucoup plus intuitive qu’un HR.

Les courbes peuvent fournir plusieurs résumés complémentaires

Une même étude peut donc rapporter :

  • HR ;
  • survie à cinq ans ;
  • médiane de survie ;
  • RMST.

Ces mesures ne sont pas redondantes.

Elles décrivent différents aspects du phénomène.

Le meilleur résumé dépend de la forme des courbes

Si les hazards sont proportionnels, le HR peut être très utile.

Si les courbes se croisent, le RMST ou des différences à plusieurs moments peuvent être plus informatifs.

Il n’existe pas toujours une mesure unique idéale.

Lecture critique en cinq étapes

Pour lire rapidement une courbe de Kaplan-Meier, il est utile de suivre une séquence.

1. Quel événement est mesuré ? Décès, récidive, progression ?

2. Quel est le temps zéro ? Randomisation, diagnostic, traitement ?

3. Combien de personnes restent à risque ? Surtout là où les courbes semblent diverger.

4. Quelle est la différence absolue à des moments cliniquement pertinents ?

5. Les courbes sont-elles proportionnelles, croisées ou séparées tardivement ?

Ces cinq questions évitent déjà beaucoup d’erreurs.

Une sixième question : qu’en est-il des dommages ?

Une excellente courbe d’efficacité ne suffit pas pour décider qu’un traitement est préférable.

Il faut aussi regarder :

  • effets indésirables ;
  • qualité de vie.

Un gain de survie sans progression peut être obtenu au prix d’une forte toxicité.

Une septième : le critère était-il préspécifié ?

Une publication peut présenter plusieurs courbes possibles :

  • survie globale ;
  • progression ;
  • sous-groupes.

Le critère principal préspécifié mérite généralement plus de poids qu’une analyse sélectionnée après coup.

Courbes de sous-groupes

Une courbe très impressionnante dans un sous-groupe de 50 patients peut être une fluctuation aléatoire.

Le problème de multiplicité étudié précédemment s’applique également ici.

Ne pas confondre absence de séparation et équivalence

Si deux courbes semblent proches, cela ne prouve pas que les traitements sont équivalents.

L’étude peut simplement être trop petite ou trop courte.

Il faut examiner l’intervalle de confiance et le design.

Ne pas confondre séparation et importance clinique

À l’inverse, une différence statistiquement certaine peut être cliniquement petite.

Exemple :

survie à cinq ans :

98,5 % versus 98,0 %.

Avec un énorme échantillon, la différence peut être très significative.

Mais son importance clinique doit être évaluée en valeur absolue.

Une leçon d’esprit critique

Une courbe de Kaplan-Meier est particulièrement persuasive parce qu’elle donne l’impression que l’on voit directement le traitement fonctionner.

Mais le graphique reste une estimation statistique.

Il dépend :

  • définition de l’événement ;
  • censure ;
  • nombre de participants ;
  • design.

La beauté visuelle d’une séparation ne remplace jamais l’analyse méthodologique.

Exemple final

Essai randomisé fictif de 2 000 patients.

À cinq ans :

Traitement

Survie :

88 %.

Contrôle

82 %.

Différence absolue :

6 points.

Mortalité :

  • traitement : 12 % ;
  • contrôle : 18 %.

RR de mortalité à cinq ans :

0,67.

RAR :

6 points.

NNT à cinq ans :

≈17.

HR sur l’ensemble du suivi :

0,68.

Nombre à risque à cinq ans :

  • traitement : 610 ;
  • contrôle : 590.

La cohérence entre :

  • courbes ;
  • HR ;
  • risque absolu

rend l’effet beaucoup plus facile à interpréter.

Maintenant modifions un détail

Même graphique à huit ans, mais seulement :

  • 15 patients encore à risque dans le groupe traitement ;
  • 11 dans le contrôle.

Une nouvelle séparation spectaculaire apparaît.

Cette partie de la courbe doit être considérée avec beaucoup plus de prudence.

Tableau récapitulatif

ÉlémentSignification
Marche descendanteSurvenue d’un ou plusieurs événements
Segment horizontalAucun événement observé
Marque de censureFin du suivi connu sans événement
Number at riskNombre de personnes encore susceptibles de connaître l’événement
S(t)Probabilité estimée de rester sans événement jusqu’à t
Médiane de survieTemps où S(t) atteint 50 %
HRComparaison relative des hazards au cours du temps

À retenir

Une courbe de Kaplan-Meier estime la probabilité de rester sans événement au cours du temps tout en utilisant l’information provenant des observations censurées.

Elle descend uniquement lorsque surviennent des événements. Les censures ne font pas descendre la courbe, mais diminuent le nombre de personnes encore à risque.

Pour la lire correctement, il faut examiner simultanément :

l’événement étudié, le temps zéro, la séparation entre les courbes, le nombre de personnes encore à risque et l’incertitude.

La partie terminale d’une courbe doit être interprétée avec particulièrement de prudence, car elle peut reposer sur très peu de participants.

Une différence visuellement impressionnante n’est pas nécessairement un grand bénéfice absolu, et une p-value significative ne dit pas combien de temps ou combien d’événements ont réellement été gagnés.

Le principe fondamental est :

une courbe de Kaplan-Meier ne doit jamais être lue seulement par la distance visuelle entre deux lignes ; il faut toujours demander combien de personnes soutiennent cette différence, à quel moment, pour quel événement et avec quelle incertitude.

La bonne question n’est donc pas simplement :

« les courbes sont-elles séparées ? »

mais :

« de combien, pendant combien de temps, sur combien de patients, et qu’est-ce que cette séparation représente concrètement pour leur santé ? »

Pour aller plus loin

Kaplan et Meier — « Nonparametric Estimation from Incomplete Observations ». L’article fondateur de l’estimateur Kaplan-Meier.

David Cox — « Regression Models and Life-Tables ». Le texte fondateur du modèle de Cox, qui complète naturellement la lecture des courbes de survie.

Kleinbaum et Klein — Survival Analysis: A Self-Learning Text. Une présentation pédagogique de Kaplan-Meier, de la censure, du log-rank et du modèle de Cox.

Royston et Parmar — travaux sur le Restricted Mean Survival Time. Une référence utile pour comprendre comment traduire les courbes de survie en différences de temps moyen lorsque le hazard ratio est insuffisant.