L'analyse de survie représente une méthodologie statistique puissante qui est devenue de plus en plus essentielle dans la recherche sur le traitement psychologique.Cette technique consiste à modéliser le temps jusqu'à ce qu'un événement donné ne se produise, étant donné que l'événement n'est pas encore survenu, ce qui en fait une valeur particulière pour comprendre les résultats du traitement à long terme.
Qu'est-ce que l'analyse de survie et pourquoi est-ce important en psychologie?
L'analyse de survie est fondamentalement différente des approches statistiques traditionnelles utilisées dans la recherche psychologique. L'analyse de survie est utilisée pour analyser les données des patients qui sont suivis pendant différentes périodes et dans lesquels le résultat d'un événement dichotomique, peut ou non être survenu au moment de l'arrêt de l'étude; les données de tous les patients sont utilisées dans l'analyse, y compris les données des patients qui ont abandonné, quelle que soit la durée du suivi.
Souvent, le résultat d'un essai contrôlé randomisé est la durée jusqu'à ce qu'un événement se produise après le traitement ou l'intervention. Dans la recherche sur le traitement psychologique, ces événements peuvent inclure la rechute des symptômes, l'abandon du traitement, la réadmission aux soins ou la récurrence de comportements problématiques.
La valeur unique des données du temps à l'événement
Les méthodes statistiques traditionnelles comme les tests t ou les analyses chi-carré peuvent nous dire si les traitements diffèrent dans leurs taux de réussite globale, mais ils ne peuvent pas tenir compte de la dimension temporelle de la récupération et de la rechute. Cette technique augmente le modèle de régression logistique, habituellement utilisé pour prédire des résultats dichotomiques tels que morts par rapport vivants, malades par rapport à sains, en conditionnant l'événement à temps.
L'analyse traditionnelle suggère qu'ils sont également efficaces. Cependant, l'analyse de survie pourrait révéler que le traitement A produit des améliorations rapides qui se sontompent au fil du temps, tandis que le traitement B montre des gains initiaux plus lents mais des effets plus durables. Cette compréhension nuancée est essentielle pour la prise de décisions cliniques et la planification du traitement.
Comprendre les données censurées
Un des concepts les plus importants de l'analyse de survie est la censure. Un temps de survie est décrit comme censuré lorsqu'il y a un temps de suivi, mais l'événement n'est pas encore survenu ou n'est pas connu pour avoir eu lieu. Dans les études de traitement psychologique, la censure se produit fréquemment et pour diverses raisons.
Les données de la censure se rapportent à des sujets qui n'ont pas connu l'événement étudié. Plutôt que de rejeter ces observations précieuses, l'analyse de la survie les intègre de façon appropriée, en utilisant l'information sur la durée pendant laquelle ces individus sont restés exempts d'événement, ce qui empêche le biais qui résulterait de l'analyse de ceux qui ont vécu l'événement d'intérêt.
Concepts fondamentaux et terminologie dans l'analyse de survie
Avant de procéder à une analyse de survie, les chercheurs doivent comprendre plusieurs concepts et fonctions statistiques clés qui constituent le fondement de cette méthodologie, qui peuvent sembler abstraits au départ, mais qui fournissent le cadre mathématique pour comprendre comment les traitements influent sur le moment où les résultats psychologiques se produisent.
La fonction de survie
La courbe Kaplan-Meier montre la probabilité de survie (événement non survenu) en fonction du temps. Le temps est tracé sur l'axe des X et la probabilité de survie sur l'axe des Y. La fonction de survie, désignée comme S(t), représente la probabilité qu'un individu survivra au-delà du temps t sans subir l'événement d'intérêt. Dans les contextes psychologiques de traitement, cela pourrait représenter la probabilité de rester exempt de rechute ou de poursuivre le traitement.
Au début d'une étude (t = 0), la fonction de survie est égale à 1,0, ce qui signifie que 100% des participants n'ont pas encore vécu l'événement. À mesure que le temps progresse et que des événements surviennent, la fonction de survie diminue, créant un schéma de progression qui reflète la nature discrète des événements observés.
La fonction de danger
Bien que la fonction de survie nous parle de la probabilité de ne pas avoir d'événement, la fonction de risque fournit des informations complémentaires sur le risque. Les fonctions de risque représentent le taux instantané de décès (ou d'échec) étant donné qu'une personne a survécu jusqu'à ce moment.
Par exemple, dans le traitement de la toxicomanie, le risque de rechute pourrait être le plus élevé immédiatement après l'achèvement du traitement et diminuer au fil du temps à mesure que les individus développent des compétences d'adaptation et des réseaux de soutien plus solides.
Les rapports de risque et leur interprétation
Le rapport de danger est une mesure fondamentale dans l'analyse de survie qui quantifie le risque relatif entre les groupes. Le rapport de danger est utilisé pour évaluer la probabilité de l'événement se produisant alors que le contrôle d'autres co-prédicateurs (co-variables/co-facteurs) s'il est ajouté au modèle. Un rapport de risque de 1,0 indique aucune différence de risque entre les groupes, tandis que les valeurs supérieures à 1,0 indiquent une augmentation du risque et les valeurs inférieures à 1,0 indiquent une diminution du risque.
Par exemple, si une nouvelle thérapie cognitive-comportementale produit un rapport de risque de 0,60 par rapport au traitement habituel, cela signifie que les patients recevant la nouvelle thérapie ont 60% du risque de rechute à un moment donné par rapport à ceux recevant un traitement standard, ou équivalent, une réduction de 40 % du risque.
Préparation de vos données pour l'analyse de survie
La préparation des données est essentielle pour effectuer des analyses de survie valides. La structure et la qualité de votre ensemble de données auront une incidence directe sur la fiabilité de vos résultats et les enseignements que vous pouvez tirer de votre analyse.
Variables essentielles et structure des données
Chaque analyse de survie nécessite au moins trois éléments clés d'information pour chaque participant : un identifiant unique, la variable temporelle et l'indicateur de situation de l'événement. La variable temporelle représente la durée d'un point de départ clairement défini (comme l'initiation au traitement ou le congé à l'hôpital) jusqu'à l'événement ou au dernier contact de suivi. Ce temps peut être mesuré en jours, semaines, mois ou années, selon la nature de l'état psychologique et du traitement étudié.
La variable de statut de l'événement est généralement codée comme indicateur binaire (0 ou 1), où 1 indique l'événement et 0 indique la censure. Il est essentiel que la définition de l'événement soit précise et opérationnalisée de façon uniforme chez tous les participants.
Définition de l'événement d'intérêt
La définition de l'événement doit être cliniquement significative, mesurable de façon fiable et clairement précisée avant le début de la collecte de données.Dans la recherche sur le traitement psychologique, les événements peuvent inclure la rechute des symptômes, l'abandon du traitement, l'hospitalisation ou le retour à une déficience fonctionnelle.
En analyse de survie, l'événement doit être bien défini avec deux niveaux et se produire à un moment précis. Comme le résultat principal de l'événement est généralement défavorable (p. ex. décès, métastases, rechute, etc.), l'événement est appelé « danger ».
Détermination de l'origine temporelle
Pour mesurer le temps de survie, il faut définir clairement le début et le point final et noter les observations censurées. Dans les études de traitement psychologique, les origines temporelles communes comprennent la date d'initiation du traitement, la date de rémission ou la date de sortie de l'hôpital.
Pour les études portant sur la durabilité du traitement, l'origine du temps peut être le moment où les patients obtiennent la rémission. Pour les études comparant différentes interventions, l'origine du temps serait généralement la randomisation ou le début du traitement. La cohérence dans la définition de ce point de départ pour tous les participants est essentielle pour des comparaisons valables.
Collecte de données longitudinales de suivi
L'analyse de survie exige la collecte de données longitudinales et des évaluations de suivi régulières pour détecter les événements. La fréquence des évaluations doit être déterminée par le moment prévu des événements et les caractéristiques cliniques de l'état étudié.
Il est important de documenter non seulement les événements, mais aussi ceux où les participants sont connus pour leur dernier événement sans être exposés à des événements, ce qui est essentiel pour bien traiter les observations censurées. Les chercheurs devraient mettre en oeuvre des stratégies pour réduire au minimum les pertes de suivi, comme la collecte de multiples méthodes de contact, la communication régulière avec les participants et l'utilisation de sources de données administratives lorsqu'elles sont disponibles.
La méthode Kaplan-Meier : estimation des courbes de survie
L'estimateur Kaplan-Meier est la méthode non paramétrique la plus utilisée pour analyser les données de survie dans la recherche psychologique. L'analyse Kaplan-Meier et le modèle de régression proportionnelle des risques Cox sont les méthodes les plus utilisées dans l'analyse de survie.
Comment fonctionne l'estimateur Kaplan-Meier
La méthode Kaplan-Meier est intuitive et non paramétrique et nécessite donc peu d'hypothèses. Cependant, outre une variable de traitement (témoin, traitement 1, traitement 2, ...), elle ne peut pas facilement intégrer des variables et des prédicteurs supplémentaires dans le modèle. La méthode calcule la probabilité de survie à chaque moment où un événement se produit en multipliant la proportion d'individus qui ont survécu à cet intervalle par la probabilité de survie cumulative de tous les intervalles précédents.
La courbe Kaplan-Meier qui en résulte est une fonction par étapes qui diminue chaque fois qu'un événement se produit. La hauteur de chaque étape reflète le nombre d'événements qui se produisent à ce moment par rapport au nombre d'individus encore à risque.
Interprétation des courbes Kaplan-Meier
Les courbes Kaplan-Meier fournissent de riches renseignements visuels sur les résultats du traitement au fil du temps. L'axe Y représente la proportion de participants qui restent sans événement, tandis que l'axe X représente le temps depuis le point de départ défini.
Une plus grande séparation entre les courbes indique de plus grandes différences dans les résultats. Le moment où les courbes divergent peut également fournir des indications cliniques importantes – la divergence précoce suggère des effets de traitement rapides, tandis que la divergence tardive pourrait indiquer des avantages retardés ou une durabilité différentielle.
Le test de log-rank pour comparer les groupes
Bien que l'inspection visuelle des courbes Kaplan-Meier fournisse des indications précieuses, des tests statistiques officiels sont nécessaires pour déterminer si les différences observées sont statistiquement significatives. Le test log-rank, qui est le plus couramment utilisé et lié au modèle de risques proportionnels Cox, est plus sensible que Wilcoxon pour détecter les différences entre les groupes survenant plus tard dans le suivi.
Le test log-rank compare le nombre d'événements observés dans chaque groupe au nombre prévu sous l'hypothèse nulle de l'absence de différence entre les groupes. Il pèse tous les points de temps de façon égale, ce qui le rend particulièrement puissant pour détecter les différences qui persistent pendant la période de suivi.
Limites de l'analyse Kaplan-Meier
L'analyse de la survie de Kaplan-Meier se concentre uniquement sur la période d'observation et l'occurrence des événements. Par conséquent, d'autres facteurs de risque (comme le sexe et l'âge) ne sont pas pris en considération.Cela représente une limite importante lorsque plusieurs facteurs peuvent influencer les résultats.
En outre, l'hypothèse de risque proportionnel est une condition préalable à l'utilisation de l'essai de log-rank, car elle suppose que le rapport de risque demeure constant tout au long de la période d'étude. Un rapport de risque constant signifie que le taux de mortalité du groupe de traitement/groupe témoin est toujours constant à partir du jour 1, du jour 2, ... jusqu'à la fin de l'étude.
Cox Risques proportionnels Régression : Analyse multivariable
Bien que l'analyse Kaplan-Meier fournisse des informations descriptives précieuses, la régression proportionnelle des risques de Cox étend l'analyse de survie à un cadre multivariable. La norme de l'industrie pour l'analyse de survie est le modèle proportionnel des risques de Cox (aussi appelé modèle de régression de Cox). À ce jour, lorsqu'un nouveau modèle de survie est proposé, les chercheurs comparent leur modèle à celui-ci.
Comprendre le modèle Cox
La régression proportionnelle des risques de Cox, ou juste la régression de Cox, est similaire à la régression linéaire ou logistique multivariable. La régression de Cox examine la survie en fonction de plusieurs variables indépendantes différentes, et la signification statistique de chacune de ces IV est évaluée pour le résultat de l'intérêt (occurrence de l'événement). Le modèle estime comment divers facteurs influencent le risque de l'expérience de l'événement tout en tenant compte des effets d'autres variables.
Plutôt que de modéliser la courbe de survie, qui est l'approche adoptée par la méthode Kaplan-Meier, le modèle Cox estime la fonction de danger. En général, les fonctions de danger sont plus stables et donc plus faciles à modéliser que les courbes de survie.
Construire un modèle de régression de la Cox
La construction d'un modèle de régression efficace de Cox exige une réflexion approfondie sur les variables à inclure. Plus généralement, nous ne nous intéressons qu'à un seul IV, et les autres IV sont des covariables, dont les effets sont « ajustés » dans l'analyse.
La sélection des covariables devrait être guidée par des considérations théoriques et des recherches antérieures indiquant quels facteurs sont susceptibles d'influencer les résultats. Inclure trop de covariables par rapport au nombre d'événements peut conduire à des estimations exagérées et instables, tandis que l'omission d'importants facteurs de confusion peut biaiser les résultats.
Interprétation des résultats de la régression de la Cox
La régression de la Cox produit des rapports de risque pour chaque variable prédictrice, ainsi que des intervalles de confiance et des valeurs de p. Le coefficient de traitement est le logarithme du rapport de risque pour un patient traité 1 par rapport à un patient traité 2 par rapport au même âge. L'exponentielle (antilog) de cette valeur indique qu'une personne recevant le traitement 1 est 0,152 fois plus susceptible de mourir à tout moment qu'un patient traité 2.
Pour les prédicteurs continus, le rapport de danger représente le changement de danger associé à une augmentation d'une unité du prédicteur, qui maintient toutes les autres variables constantes. Pour les prédicteurs catégoriques, le rapport de danger compare le danger d'une catégorie à la catégorie de référence.
L'hypothèse des risques proportionnels
Le modèle Cox repose sur une hypothèse critique : les rapports de risque demeurent constants au fil du temps. L'hypothèse clé est des risques proportionnels et la violation de cette hypothèse peut invalider les résultats d'une étude. Cela signifie que si le traitement A présente la moitié du risque de traitement B à un mois, il devrait maintenir ce même rapport à six mois, un an et plus.
Le test de classement logarithmique et le modèle de risque proportionnel de Cox supposent que le rapport de risque est constant au fil du temps. Il faut prendre soin de vérifier cette hypothèse. Les violations peuvent être détectées par des méthodes graphiques (comme les log-minus-logs) ou des tests statistiques formels (comme les tests basés sur les résidus de Schoenfeld).
Avantages de la régression de la Cox sur Kaplan-Meier
Le modèle de risque proportionnel de Cox, par contre, intègre facilement des variables prédictives, mais il est plus ésotérique. Le modèle est éprouvé depuis des décennies, est éprouvé et vrai et continue de fonctionner bien par rapport à d'autres solutions. La capacité d'adaptation pour plusieurs confondateurs simultanément rend la régression de Cox particulièrement utile dans les études d'observation où les groupes de traitement peuvent différer sur des caractéristiques de base importantes.
La régression de la Cox permet également aux chercheurs d'examiner les interactions entre les variables, de tester les modifications d'effet et d'inclure des covariables dépendantes du temps qui changent au cours du suivi.
Guide étape par étape pour effectuer une analyse de survie
La réalisation d'une analyse rigoureuse de la survie pour les résultats du traitement psychologique implique une série systématique d'étapes, de la planification initiale à l'interprétation finale.
Étape 1 : Définir votre question et votre événement de recherche
Commencez par décrire clairement votre question de recherche.Comparez-vous la durabilité des différents traitements? Identifier les prédicteurs de la rechute? Examiner comment les caractéristiques du patient influencent les résultats à long terme? Votre question de recherche guidera toutes les décisions subséquentes sur la conception et l'analyse des études.
Ensuite, vous pouvez rendre votre événement d'intérêt opérationnel avec précision. Pour une étude de traitement de dépression, vous pouvez définir la rechute comme répondant aux critères DSM-5 pour un épisode dépressif majeur, en marquant au-dessus d'un seuil spécifique sur l'échelle de dépression de Hamilton pour deux évaluations consécutives, ou en exigeant une intensification du traitement.
Étape 2 : Concevoir votre étude et collecte de données
Déterminer le plan d'étude approprié pour votre question de recherche. Les essais contrôlés randomisés fournissent les preuves les plus solides de l'efficacité du traitement, tandis que les études de cohortes d'observation peuvent examiner les résultats dans des contextes réels.
Planifiez votre calendrier de suivi en fonction du calendrier prévu des événements et du déroulement naturel de l'état. Des évaluations plus fréquentes permettent de mieux cerner les événements, mais augmentent le fardeau des participants et les coûts de l'étude.
Étape 3: Préparez et nettoyez votre ensemble de données
Structurez vos données avec une ligne par participant et des colonnes pour l'ID du participant, la variable temporelle, le statut de l'événement, le groupe de traitement et toute covariable. Vérifiez que les valeurs temporelles sont calculées correctement depuis l'origine temporelle définie jusqu'à la date de l'événement ou la dernière date de suivi. Vérifiez les valeurs impossibles, comme les heures négatives ou les dates de l'événement avant l'origine temporelle.
Cochez la variable de statut de votre événement de façon uniforme, en utilisant généralement 1 pour les événements et 0 pour les observations censurées. Documentez les raisons de censure (fin de l'étude, perte de suivi, retrait, événements concurrents) car cette information peut être importante pour les analyses de sensibilité.
Étape 4: Effectuer des analyses descriptives
Avant de procéder à une analyse formelle de la survie, examinez vos données de façon descriptive. Calculez le nombre et la proportion d'événements dans chaque groupe, les temps médians de suivi et la distribution de la censure. Créez des tableaux de fréquence de base et des statistiques sommaires pour vos covariables.
Envisager de créer des tabulations croisées simples pour examiner la relation entre les prédicteurs potentiels et l'occurrence des événements. Bien que ces analyses ne tiennent pas compte du temps ou de la censure, elles peuvent fournir des renseignements initiaux et aider à identifier les variables qui justifient l'inclusion dans des modèles multivariables.
Étape 5 : Générer des courbes de survie Kaplan-Meier
Commencez votre analyse de survie en estimant les courbes Kaplan-Meier pour vos groupes d'intérêt primaires. La plupart des logiciels statistiques fournissent des procédures simples pour générer ces courbes. Examinez visuellement les courbes pour comprendre le schéma des événements au fil du temps, identifiez quand les groupes commencent à diverger, et évaluez si l'hypothèse de risques proportionnels semble raisonnable.
Calculer les temps médians de survie (le temps auquel 50 % des participants ont vécu l'événement) pour chaque groupe si des événements suffisants se sont produits. Signaler le nombre à risque à des moments clés pour aider les lecteurs à comprendre combien de participants contribuent aux estimations à différents stades du suivi.
Étape 6 : Construire et évaluer des modèles de régression de la Cox
Si votre question de recherche implique plusieurs prédicteurs ou nécessite un ajustement pour les confondateurs, procédez à l'analyse de régression de Cox. Commencez par un modèle univariable comprenant seulement votre prédicteur principal d'intérêt. Puis construisez des modèles multivariables qui s'adaptent pour les covariables pertinentes.
Vérifier l'hypothèse de risques proportionnels pour votre modèle final en utilisant des procédures de diagnostic appropriées. Examiner les placettes résiduelles pour identifier les observations ou les modèles influents suggérant une mauvaise spécification du modèle.
Étape 7 : Interprétation et rapport des résultats
Interpréter vos résultats dans le contexte de votre question de recherche et la signification clinique des résultats. Signaler les rapports de risque avec des intervalles de confiance et des valeurs p, mais aussi décrire les implications pratiques. Par exemple, plutôt que simplement dire qu'un traitement a un rapport de risque de 0,70, expliquer que cela représente une réduction de 30 % du risque de rechute à tout moment.
Présentez vos résultats à l'aide de tableaux et de figures. Inclure les courbes Kaplan-Meier avec des étiquettes claires, des légendes et des annotations indiquant les nombres à risque. Fournissez des tableaux montrant les rapports de risque pour tous les prédicteurs dans votre modèle final. Discutez des implications cliniques et théoriques de vos résultats, reconnaissez les limites et suggérez des orientations pour la recherche future.
Logiciel statistique pour l'analyse de survie
Les logiciels statistiques multiples offrent des outils complets pour effectuer des analyses de survie. Le choix des logiciels dépend souvent de la disponibilité institutionnelle, de la familiarité personnelle et des besoins analytiques spécifiques.
R et le paquet de survie
R est un environnement de programmation statistique libre et ouvert, avec de vastes capacités d'analyse de survie. Le paquet de survie, inclus dans la distribution de base R, fournit des fonctions pour l'estimation Kaplan-Meier, les tests de log-rank et la régression Cox.
La souplesse de R permet des analyses avancées, y compris des covariables dépendantes du temps, des modèles de risques concurrents et des analyses récurrentes d'événements. La documentation exhaustive et la communauté active des utilisateurs rendent relativement facile de trouver des solutions aux défis analytiques.
Procédures d'analyse de survie du SPSS
SPSS propose une analyse de survie par son interface point-and-click, la rendant accessible aux chercheurs qui préfèrent les logiciels à menu. La procédure Kaplan-Meier produit des courbes de survie et des tests de rang de log, tandis que la procédure Cox Regression gère des modèles multivariables. SPSS fournit des tableaux de sortie clairs et des graphiques de base, bien que les options de personnalisation soient plus limitées que dans R.
Le SPSS est largement utilisé dans la recherche en psychologie et en sciences sociales, et de nombreux chercheurs connaissent déjà son interface. Le logiciel comprend des outils de diagnostic utiles pour vérifier les hypothèses du modèle et identifier les cas influents. Cependant, SPSS est un logiciel commercial nécessitant une licence, ce qui peut limiter l'accessibilité pour certains chercheurs.
Procédures SAS pour l'analyse de survie
PROC LIFETEST est souvent utilisé pour étudier les temps de survie non ajustés d'un groupe sans influence d'autres covariables dans le modèle. Il est également utilisé comme une approche d'analyse de survie non paramétrique lorsque l'hypothèse de risques proportionnels dans la régression de Cox est violée. La procédure produira les temps de survie moyen, médian et quartile du groupe ou des sous-groupes de la population.
SAS fournit des procédures puissantes pour l'analyse de survie, y compris PROC LIFETEST pour l'analyse Kaplan-Meier et PROC PHREG pour la régression Cox. Ces procédures offrent des options étendues pour la personnalisation et peuvent gérer des structures de données complexes et des modèles avancés.
Comme SPSS, SAS nécessite une licence commerciale, bien que de nombreux établissements universitaires fournissent un accès. La syntaxe de programmation a une courbe d'apprentissage plus raide que SPSS mais offre une plus grande flexibilité. SAS est largement utilisé dans les essais cliniques et la recherche pharmaceutique, ce qui en fait une valeur pour les chercheurs travaillant dans ces contextes.
Commandements d'analyse de survie de la Stata
Stata fournit des capacités d'analyse de survie complètes grâce à sa suite de commandes st (survival time). Le logiciel combine l'accessibilité d'une interface avec menu avec la puissance de la programmation en ligne de commande. Stata produit des graphiques de haute qualité et offre des commandes post-estimation étendues pour le diagnostic et la présentation de modèles.
La documentation d'analyse de survie de Stata est particulièrement solide, avec des explications et des exemples clairs. Le logiciel traite bien les conceptions complexes des relevés et les structures de données groupées, qui peuvent être importantes dans la recherche psychologique impliquant des données imbriquées ou hiérarchiques. Stata a besoin d'une licence commerciale mais est largement utilisé dans la recherche en épidémiologie et en services de santé.
Considérations particulières pour la recherche sur les traitements psychologiques
L'application de l'analyse de survie aux résultats du traitement psychologique implique des considérations uniques qui diffèrent des applications médicales traditionnelles. La compréhension de ces nuances aide les chercheurs à concevoir des études plus appropriées et à interpréter les résultats plus précisément.
Définition de la réapparition et de la réapparition
Contrairement aux événements médicaux comme la mort ou la récidive tumorale, la rechute psychologique implique souvent des éléments subjectifs et des symptômes dimensionnels.Les chercheurs doivent décider s'il faut définir catégoriquement la rechute (répondre aux critères de diagnostic) ou dimensionnellement (en dépassant un seuil de symptômes).Chaque approche présente des avantages : des définitions catégoriques s'harmonisent avec la pratique clinique et les systèmes de diagnostic, tandis que les définitions dimensionnelles peuvent saisir des changements cliniquement significatifs plus tôt et avec une plus grande sensibilité.
Le moment de l'évaluation des rechutes est également important. La rechute devrait-elle être définie par des symptômes à une seule évaluation ou devrait-elle être prolongée par une élévation des symptômes? L'exigence de symptômes soutenus réduit les faux positifs des fluctuations temporaires, mais peut retarder la détection de véritables rechutes.
Manipulation des événements récurrents
De nombreux troubles psychiatriques ne se caractérisent pas par un seul événement, mais plutôt par des événements récurrents, comme des épisodes affectifs multiples.Cette étude vise à démontrer une méthode d'analyse de survie qui prend en compte les récurrences multiples. L'analyse de survie standard se concentre sur le temps jusqu'au premier événement, mais cela peut ne pas saisir pleinement le cours des affections caractérisées par des rechutes multiples.
Les résultats obtenus avec la méthode des événements multiples diffèrent considérablement de ceux obtenus avec l'analyse standard de la KM. Lorsqu'on tient compte des données sur les événements récurrents, la probabilité de bien rester était plus faible et les temps de survie plus longs. De plus, alors que l'analyse standard de la KM indiquait que les patients mâles avaient une plus grande probabilité de bien rester, la méthode alternative a révélé que les deux sexes étaient également susceptibles de rester bien.
Remédier aux effets de retrait
Les plans d'arrêt, où les patients sont randomisés pour poursuivre ou interrompre le traitement, sont courants dans la recherche de traitement psychologique. Cependant, ces plans présentent des défis analytiques uniques. Ils conduisent inévitablement à des différences de temps pour la rechute, même lorsqu'il y a peu ou pas de différence dans le risque cumulatif de rechute au suivi final.
L'analyse de survie est utile lorsque le moment du résultat est important et dépend des personnes qui veulent éviter les événements indésirables précoces plus que les événements tardifs. Les chercheurs devraient examiner si le temps nécessaire pour rechuter ou risque global de rechute est le résultat le plus cliniquement significatif, particulièrement lorsque les effets de sevrage peuvent gonfler les taux de rechute précoce dans les groupes d'arrêt.
Comptabilisation de l'adhésion au traitement et de la dose
Dans la recherche sur le traitement psychologique, les participants varient souvent dans leur adhésion aux protocoles de traitement et la dose de traitement reçue. Cette variabilité peut être intégrée dans les analyses de survie comme covariables dépendantes du temps, permettant d'examiner comment les changements dans l'engagement du traitement au fil du temps influencent les résultats.
Les analyses d'intention à traiter, qui analysent les participants selon leur affectation randomisée, quel que soit le traitement reçu, demeurent la norme d'or pour les essais randomisés. Cependant, des analyses supplémentaires par protocole ou traitées peuvent fournir des renseignements précieux sur les effets du traitement dans des conditions optimales.
Sujets avancés dans l'analyse de survie
Au-delà des approches de régression fondamentale Kaplan-Meier et Cox, plusieurs méthodes avancées étendent l'analyse de survie pour aborder des questions de recherche plus complexes et des structures de données rencontrées dans la recherche sur le traitement psychologique.
Analyse des risques concurrents
Par exemple, dans une étude de traitement de dépression à long terme, les participants peuvent subir une rechute, développer une affection psychiatrique différente nécessitant un traitement alternatif ou mourir de causes non liées. L'analyse traditionnelle de la survie traite ces événements concurrents comme des observations censurées, ce qui peut conduire à des estimations biaisées.
Les méthodes de risque concurrentes, comme les fonctions cumulatives d'incidence et les modèles Fine-Gray, tiennent compte de la présence d'événements concurrents, qui permettent d'estimer plus précisément la probabilité de chaque type d'événement et d'examiner comment les covariables affectent différemment les différents types d'événements.
Covariables temps-dépendant
La gravité des symptômes, l'utilisation de médicaments, les facteurs de stress de la vie et le soutien social peuvent tous fluctuer au cours du suivi. Les covariables dépendantes du temps permettent d'intégrer ces facteurs changeants dans les modèles de régression de Cox, fournissant des estimations plus précises de leurs effets sur les résultats.
La mise en oeuvre de covariables dépendantes du temps exige des données de restructuration afin que chaque participant ait plusieurs lignes représentant différents intervalles de temps avec des valeurs de covariables potentiellement différentes. Le modèle Cox estime ensuite comment les changements de ces covariables au fil du temps influencent le risque de l'événement. Cette approche est puissante mais nécessite une réflexion attentive sur le moment des mesures de covariables par rapport à l'événement pour éviter une causalité inverse.
Modèles de survie paramétriques
Bien que la régression de Cox soit semi-paramétrique (sans postuler sur la fonction de risque de base), les modèles de survie paramétriques supposent que les temps de survie suivent une distribution de probabilité spécifique telle que exponentielle, Weibull ou log-normale. Lorsque l'hypothèse de distribution est correcte, les modèles paramétriques peuvent fournir des estimations plus efficaces et permettre l'extrapolation au-delà de la période de suivi observée.
Les modèles paramétriques sont particulièrement utiles lorsque les chercheurs veulent estimer avec plus de précision les temps médians de survie ou les probabilités de survie à des moments précis. Ils facilitent également certains types d'analyses de sensibilité et peuvent être étendus à des structures plus complexes comme les modèles de guérison, qui supposent qu'une certaine proportion de la population ne subira jamais l'événement.
Modèles fragiles pour les données groupées
Les modèles de fragilité étendent la régression de Cox pour tenir compte de cette grappe en incluant des effets aléatoires qui capturent l'hétérogénéité non observée au niveau de la grappe. Cette approche fournit des erreurs standard plus précises et permet d'examiner la variation des résultats entre les grappes.
Les modèles de fragilité sont semblables, sur le plan conceptuel, aux modèles à effets mixtes dans d'autres contextes, et ils peuvent comprendre à la fois la fragilité partagée (où tous les individus d'une grappe partagent le même terme de fragilité) et la fragilité individuelle (où chacun a son propre terme de fragilité).
Applications dans des conditions psychologiques spécifiques
L'analyse de survie a été appliquée dans divers contextes psychologiques et de traitement. Comprendre comment la méthodologie a été utilisée dans différents domaines peut éclairer son application aux nouvelles questions de recherche.
Dépression et troubles anxieux
L'analyse de survie est largement utilisée dans les recherches sur la dépression pour examiner le temps de rechute après une réponse aiguë au traitement. Des études ont comparé la durabilité de différentes psychothérapies, examiné les durées optimales des médicaments d'entretien et identifié les prédicteurs de rémission prolongée. La méthodologie a révélé que bien que de nombreux traitements produisent des taux de réponse aiguë similaires, ils peuvent différer considérablement dans leur capacité à prévenir une rechute au cours de périodes de suivi prolongées.
Dans le cadre de la recherche sur les troubles anxieux, on a appliqué une analyse de survie pour examiner le temps nécessaire à la récurrence des symptômes, l'abandon du traitement et le retour à une déficience fonctionnelle.Ces études ont déterminé que des facteurs comme la dépression comorbide, la sévérité des symptômes et l'adhésion au traitement étaient des prédicteurs importants des résultats à long terme.
Troubles liés à la consommation d'alcool et d'autres drogues
Les analyses de survie ont montré que le meilleur indicateur de la durée de la participation communautaire à partir de données démographiques était l'âge (c.-à-d. que les personnes âgées et les personnes âgées de leurs compagnons de résidence étaient associées à une probabilité accrue de continuer à résider). L'analyse de survie a été particulièrement utile dans la recherche sur la toxicomanie, où les rechutes sont courantes et où les facteurs qui influencent le temps de première utilisation sont essentiels.
Les études ont examiné comment différentes modalités de traitement, services de soutien et caractéristiques du patient influencent le temps nécessaire pour rechuter ou abandonner le traitement. La méthodologie a révélé des points de vue importants sur les périodes critiques de vulnérabilité, comme les premières semaines après l'achèvement du traitement, et a éclairé le développement d'interventions ciblées de prévention des rechutes.
Maladie mentale grave
Dans le cadre de la recherche sur la schizophrénie et le trouble bipolaire, l'analyse de survie a examiné le temps nécessaire à l'exacerbation des symptômes, à l'hospitalisation psychiatrique et à l'arrêt du traitement, et a comparé l'efficacité de différents médicaments antipsychotiques, des interventions psychosociales et des modèles de traitement intégrés.
L'analyse de la survie a également été appliquée pour examiner la durabilité des interventions en matière d'emploi, de logement et de réadaptation, et elle a révélé comment le soutien environnemental et l'intensité des services influent sur la durabilité des gains fonctionnels, et a éclairé les décisions stratégiques concernant l'affectation des ressources et la conception des services.
Santé mentale des enfants et des adolescents
La recherche en santé mentale pédiatrique présente des défis uniques pour l'analyse de la survie, notamment les changements du développement, la participation de la famille et les transitions entre les systèmes de services.
L'analyse de survie a révélé d'importants modèles de développement, comme une vulnérabilité accrue aux rechutes pendant l'adolescence et les effets protecteurs de la participation de la famille. La méthodologie a également été utilisée pour examiner comment les transitions (comme le passage des services aux services aux enfants aux adultes) influent sur la continuité et les résultats du traitement, et pour éclairer les efforts visant à améliorer la coordination des soins durant ces périodes critiques.
Rapports et présentation des résultats de l'analyse de survie
Il est essentiel de rendre compte de façon claire et exhaustive des résultats de l'analyse de survie pour assurer la transparence, la reproductibilité et l'interprétation clinique.
Éléments essentiels à signaler
Commencez par décrire clairement votre définition de l'événement, l'origine du temps et les procédures de suivi. Signalez le nombre total de participants, le nombre d'événements, le nombre d'observations censurées et les raisons de censure.
Pour les analyses Kaplan-Meier, indiquez les temps de survie médians avec intervalles de confiance pour chaque groupe, ainsi que les probabilités de survie à des moments cliniquement significatifs (comme 6 mois, 1 an et 2 ans).
Création de visualisations efficaces
Les courbes Kaplan-Meier devraient comprendre des étiquettes claires d'axe, une légende identifiant chaque groupe et des annotations indiquant le nombre à risque à intervalles réguliers. Envisager d'utiliser différents styles de lignes ou couleurs pour distinguer les groupes, en assurant l'accessibilité pour les lecteurs ayant des déficiences de vision de couleur.
Pour les résultats de régression de Cox, les placettes forestières fournissent un résumé visuel intuitif des rapports de risque et des intervalles de confiance pour les différents prédicteurs, ce qui permet aux lecteurs de déterminer rapidement quels facteurs sont associés à un risque accru ou réduit et d'évaluer l'ampleur et la précision des effets.
Traitement des hypothèses et des limites
Expliquez comment vous avez traité les violations des hypothèses, que ce soit par stratification, covariables en fonction du temps ou par des méthodes de modélisation de rechange. Reconnaître les limites telles que la perte de suivi, la petite taille d'échantillon ou la puissance statistique limitée pour détecter les effets.
Discutez de la signification clinique de vos résultats, et non seulement de la signification statistique. Un rapport de danger statistiquement significatif peut avoir une importance clinique limitée si la différence absolue dans les taux d'événements est faible ou inversement, une constatation non significative peut encore suggérer une tendance cliniquement significative qui mérite d'être étudiée dans des échantillons plus importants.
Pièges courants et comment les éviter
Même les chercheurs expérimentés peuvent rencontrer des défis lors de la conduite d'analyses de survie.
Taille et taux d'événement inadéquats
Une étude avec 200 participants, mais seulement 10 événements auront une puissance statistique très limitée et des estimations instables. Planifiez votre échantillon en fonction des taux d'événements prévus et de la puissance statistique souhaitée, en tenant compte de la censure. Envisager d'étendre les périodes de suivi si les taux d'événements sont inférieurs aux prévisions.
La régression de la Cox ne devrait pas être utilisée pour un échantillon de petite taille parce que les événements pourraient se concentrer par accident dans une des cohortes qui ne produiront pas de résultats significatifs.
Ignorer la censure informative
L'analyse de survie standard suppose que la censure n'est pas informative, c'est-à-dire que la raison de la censure n'est pas liée au risque de l'événement. Toutefois, dans la recherche sur le traitement psychologique, les participants qui abandonnent peuvent différer systématiquement de ceux qui restent dans l'étude. Si les participants à risque élevé de rechute sont plus susceptibles d'être perdus par suite d'un suivi, les méthodes standard produiront des estimations biaisées.
Pour résoudre ce problème, il faut réduire au minimum les pertes à effectuer pour assurer le suivi au moyen de stratégies rigoureuses de rétention, comparer les caractéristiques des participants censurés et non censurés et effectuer des analyses de sensibilité selon différentes hypothèses concernant les résultats des participants censurés.
Violation des risques proportionnels Hypothèse
L'application de la régression de Cox lorsque l'hypothèse de risque proportionnel est violée peut conduire à des conclusions trompeuses. Vérifiez toujours cette hypothèse à l'aide de méthodes graphiques et de tests officiels. Si des violations sont détectées, envisager la stratification par la variable de délinquance, y compris les interactions avec le temps, ou en utilisant d'autres modèles qui ne nécessitent pas de risque proportionnel.
Rappelez-vous que les infractions mineures peuvent avoir un impact pratique minime, en particulier dans les grands échantillons. Utilisez le jugement clinique avec des tests statistiques pour décider si les violations de présomption justifient d'autres approches analytiques.
Surinterprétation des résultats non significatifs
L'absence de preuves ne prouve pas l'absence d'un tel traitement. Un test de log-rank non significatif ou un rapport de danger ne prouve pas que les traitements sont également efficaces, il peut simplement refléter une puissance statistique insuffisante.
À l'inverse, évitez d'interpréter trop les résultats statistiquement significatifs avec de faibles valeurs d'effet ou de larges intervalles de confiance.
Intégration de l'analyse de survie à d'autres méthodes
L'analyse de survie fournit des renseignements précieux sur les résultats de temps à autre, mais elle est plus puissante lorsqu'elle est intégrée à des approches analytiques complémentaires qui donnent une image plus complète des effets du traitement.
Combiner avec les trajectoires longitudinales des symptômes
L'analyse de la survie est préoccupante, car elle fournit des estimations à un moment donné. Elle ne fournit que la quantité de temps nécessaire pour atteindre un événement, mais n'estime pas ce qui se passe entre la randomisation et l'atteinte du résultat ou de la mesure dans laquelle les patients sont en rémission complète.
En complétant l'analyse de survie par des modèles de courbe de croissance ou des modèles à effets mixtes, l'examen des trajectoires des symptômes permet de mieux comprendre le processus de changement menant à la rechute ou à la récupération.
Intégrer la qualité de vie et les résultats fonctionnels
L'intégration de l'analyse de survie avec des mesures répétées du fonctionnement, de la qualité de vie et du fardeau des symptômes fournit une évaluation plus complète des effets du traitement. Certains traitements peuvent retarder la rechute, mais au prix d'effets secondaires ou de fonctionnement réduit, tandis que d'autres peuvent produire plus de temps pour la rechute, mais une meilleure qualité de vie pendant la rémission.
Des méthodes de survie ajustées en fonction de la qualité, adaptées à la recherche en oncologie, au temps de survie en poids par qualité de vie ou par état des symptômes, peuvent aider à identifier des traitements qui optimisent la durée et la qualité du bien-être, offrant une évaluation des résultats davantage centrée sur le patient.
Utilisation des analyses de médiation et de modération
L'analyse de la survie peut être étendue pour examiner les médiateurs (mécanismes par lesquels les traitements affectent les résultats) et les modérateurs (facteurs qui influencent l'efficacité du traitement). L'analyse de la médiation dans le contexte de la survie examine si les effets du traitement sur le temps de rechute s'expliquent par des changements dans des variables intermédiaires telles que les compétences d'adaptation, l'adhésion aux médicaments ou le soutien social.
L'analyse de la modération identifie les sous-groupes de patients qui bénéficient plus ou moins de traitements spécifiques, ce qui peut être réalisé en incluant des termes d'interaction dans les modèles de régression Cox ou en effectuant des analyses stratifiées.
Orientations futures et méthodes émergentes
Le domaine de l'analyse de survie continue d'évoluer, avec de nouvelles méthodes qui se développent pour répondre à des questions de recherche de plus en plus complexes dans la recherche sur le traitement psychologique.
Approches d'apprentissage automatique
Les méthodes d'apprentissage automatique, telles que les forêts de survie aléatoire et les réseaux neuronaux, sont adaptées pour l'analyse de la survie, qui peut traiter des relations complexes et non linéaires entre les prédicteurs et les résultats et peut identifier les modèles que les méthodes traditionnelles manquent.
Cependant, les méthodes d'apprentissage automatique exigent de grands ensembles de données pour la formation et la validation, et leur nature « boîte noire » peut rendre l'interprétation difficile. Elles sont mieux considérées comme complémentaires aux méthodes traditionnelles d'analyse de survie plutôt que comme des remplacements, surtout lorsque l'objectif est de comprendre les mécanismes causaux plutôt que de prédire purement.
Modèles de prévision dynamique
Les modèles de prédiction dynamique mettent à jour les estimations de risque à mesure que de nouvelles informations deviennent disponibles au cours du suivi. Plutôt que de fournir une seule prédiction au début, ces modèles intègrent des informations variables sur les symptômes, la réponse au traitement et d'autres facteurs pour fournir des prévisions constamment mises à jour du risque de rechute.
Les modèles de prédiction dynamique peuvent éclairer les stratégies de traitement adaptatif et les interventions juste à temps, en déclenchant un soutien supplémentaire lorsque les estimations de risque dépassent les seuils spécifiés.
Méthodes d'inférence causale
L'analyse traditionnelle de la survie peut identifier les associations entre les traitements ou les facteurs de risque et les résultats, mais l'établissement de la causalité exige des considérations supplémentaires.
Ces méthodes tentent d'imiter les essais randomisés à l'aide de données d'observation en ajustant les résultats pour tenir compte des biais de confusion et de sélection. Bien qu'elles nécessitent de solides hypothèses et une mise en oeuvre soigneuse, elles peuvent fournir des preuves précieuses sur les effets du traitement lorsque les essais randomisés ne sont pas réalisables ou lorsqu'on examine des questions sur les schémas de traitement et l'adhésion au monde réel.
Ressources pratiques et apprentissage ultérieur
Le développement de l'expertise en analyse de la survie exige un apprentissage et une pratique continus. De nombreuses ressources sont disponibles pour soutenir les chercheurs à différents niveaux d'expérience.
Manuels et tutoriels recommandés
Plusieurs excellents manuels offrent une couverture complète des méthodes d'analyse de survie. « Applied Survival Analysis » de Hosmer, Lemeshow et May offre des explications accessibles avec des exemples pratiques et un code logiciel. « Survival Analysis: A Self-Learning Text » de Kleinbaum et Klein fournit une approche d'apprentissage structurée avec des exercices et des solutions.
De plus en plus de didacticiels et de cours en ligne sont disponibles sur des plateformes telles que Coursera, DataCamp et les sites web universitaires. Beaucoup de ces ressources incluent des exercices pratiques avec des ensembles de données réels, permettant aux apprenants de pratiquer l'application des méthodes et l'interprétation des résultats.
Possibilités de perfectionnement professionnel
Des organisations professionnelles telles que la Society for Research in Psychopathology, l'Association for Psychological Science et l'American Psychological Association proposent des ateliers et des cours de formation continue sur l'analyse de la survie et les méthodes connexes, qui offrent des environnements d'apprentissage structurés et offrent des possibilités d'interaction avec des experts et des pairs.
De nombreuses universités offrent des cours courts ou des instituts d'été axés sur des méthodes statistiques avancées, y compris l'analyse de survie. Ces programmes intensifs peuvent accélérer l'apprentissage et offrir des occasions de travailler à travers des défis analytiques avec des instructeurs expérimentés.
Communautés en ligne et soutien
Les forums et les communautés en ligne fournissent des ressources précieuses pour résoudre les problèmes d'analyse et apprendre des expériences des autres. Les communautés actives d'accueil sur les overflows et Cross Validated discutent des méthodes statistiques et de la mise en œuvre des logiciels.
Les plateformes de médias sociaux comme Twitter et ResearchGate accueillent des communautés de chercheurs qui partagent des ressources, discutent de questions méthodologiques et fournissent un soutien aux pairs.
Conclusion : Faire progresser la recherche sur le traitement psychologique par l'analyse de survie
L'analyse de survie fournit des outils puissants pour comprendre l'efficacité et la durabilité à long terme des traitements psychologiques. En tenant compte des données de temps à autre et de la censure, ces méthodes permettent de comprendre que les approches analytiques traditionnelles ne peuvent pas fournir. L'analyse de survie fournit des techniques spéciales qui sont nécessaires pour comparer les risques de décès (ou d'autres événements) associés à différents traitements ou groupes, où le risque change au fil du temps. Kaplan–Meier fournit une méthode pour estimer la courbe de survie, le test de classement log fournit une comparaison statistique de deux groupes, et le modèle de risques proportionnels de Cox permet d'inclure d'autres covariables.
La méthodologie a de vastes applications dans les conditions psychologiques et les contextes de traitement, de l'examen de la prévention des rechutes dans les troubles de dépression et d'anxiété à la compréhension des facteurs qui influencent la récupération soutenue dans les troubles liés à la consommation d'alcool et d'autres drogues.
L'application réussie de l'analyse de survie exige une attention particulière à la conception de l'étude, une définition claire des événements et des origines temporelles, une manipulation appropriée des données censurées et une vérification rigoureuse des hypothèses du modèle.
À mesure que de nouvelles méthodes se développeront et que les outils informatiques deviendront plus accessibles, les possibilités d'analyses de survie sophistiquées continueront de s'élargir. En développant leur expertise et en les appliquant de façon réfléchie à d'importantes questions cliniques, les chercheurs peuvent produire des preuves qui permettent de mieux comprendre ce qui fonctionne pour qui et pendant combien de temps, ce qui améliore finalement les résultats pour les personnes recevant un traitement psychologique.
Pour ceux qui souhaitent en savoir plus sur les applications d'analyse de survie dans la recherche en santé, le BMJ Statistics at Square One[ fournit des introductions accessibles aux concepts fondamentaux. Le National Center for Biotechnology Information[ offre de nombreux exemples publiés d'analyse de survie dans la recherche clinique. De plus, Le projet R pour l'informatique statistique fournit un logiciel libre et une documentation exhaustive pour effectuer des analyses de survie.