L'analyse de survie expliquée : Kaplan-Meier, log-rank et Cox
Dès qu'une thèse s'intéresse au délai jusqu'à un événement — décès, rechute, guérison, sortie d'hospitalisation — les tests classiques ne suffisent plus. Pourquoi ? À cause d'une particularité de ces données : la censure. Voici, sans jargon inutile, comment fonctionnent Kaplan-Meier, le log-rank et le modèle de Cox, et les hypothèses qu'un jury vérifiera.
Pourquoi une méthode à part ? Le temps et la censure
Étudier un délai pose un problème que les autres tests ignorent : à la fin de l'étude, certains sujets n'ont pas encore vécu l'événement — soit parce que l'étude s'arrête, soit parce qu'on les a perdus de vue. On parle de données censurées. Les exclure serait une faute : on perdrait l'information « ce patient a survécu au moins jusqu'à tel temps ». L'analyse de survie est précisément l'outil qui exploite cette information partielle.
En clair — une donnée « censurée », c'est « on ne sait pas quand l'événement arrivera, mais on sait qu'il n'était pas encore arrivé à tel moment ». On garde ces sujets, jusqu'au dernier instant où on les a suivis.
Kaplan-Meier : lire une courbe de survie
L'estimateur de Kaplan-Meier trace la probabilité de « survie » (ne pas avoir vécu l'événement) au fil du temps. La courbe forme un escalier : elle descend à chaque événement et reste plate entre deux. Les sujets censurés y apparaissent sous forme de petits traits — ils ne font pas chuter la courbe, mais retirent l'individu du « nombre à risque » pour la suite.
Deux lectures à retenir : la médiane de survie (le temps où la courbe passe sous 50 %) et la survie à un instant donné (par exemple « survie à 5 ans »). Affichez toujours le nombre de sujets à risque sous l'axe : en fin de courbe, les estimations reposent souvent sur très peu de monde et deviennent instables.
En clair — la courbe répond à : « quelle proportion n'a pas encore vécu l'événement à chaque instant ? ». Une marche = un événement. Un petit trait = quelqu'un qu'on a cessé de suivre, sans événement.
Le test du log-rank : comparer deux courbes
Pour comparer la survie de deux groupes (traités vs témoins), on utilise le test du log-rank. Il confronte, à chaque temps d'événement, le nombre d'événements observés au nombre attendu si les groupes étaient identiques, puis cumule ces écarts. Un p < 0,05 indique que les courbes diffèrent.
Une subtilité que pointe un jury de biostatistique. Le log-rank teste toujours, validement, l'égalité des deux courbes : il ne « suppose » pas les risques proportionnels. Mais il est conçu pour être le plus puissant quand l'écart de risque est proportionnel. Si les courbes se croisent, les écarts précoces et tardifs se compensent — et le log-rank peut ne rien détecter malgré une vraie différence.
En clair — le log-rank reste « juste » dans tous les cas, mais il devient myope face à deux courbes qui se croisent : ce qui monte d'un côté et descend de l'autre s'annule. D'où la règle : toujours regarder ses courbes avant de conclure.
Le modèle de Cox : ajuster et quantifier
Le test du log-rank dit si les groupes diffèrent, mais pas de combien, ni en tenant compte d'autres facteurs (âge, stade…). C'est le rôle du modèle de Cox à risques proportionnels. Il fournit, pour chaque facteur, un hazard ratio (HR) ajusté avec son intervalle de confiance.
En clair — le hazard ratio compare le « risque instantané » entre groupes. HR = 0,7 : à chaque instant, l'événement est 30 % moins probable dans le groupe traité. HR = 1 : aucune différence. HR = 1,5 : risque accru de 50 %.
Les hypothèses et pièges devant un jury
Les risques proportionnels. Le modèle de Cox suppose que l'effet d'un facteur reste constant dans le temps ; le log-rank, lui, en a besoin pour être pleinement puissant (il reste valide sinon, mais peut ne rien voir si les courbes se croisent). Vérifiez l'hypothèse pour Cox (résidus de Schoenfeld, inspection des courbes) : c'est la critique de soutenance la plus fréquente.
- Censure indépendante (non informative). L'analyse suppose que le fait d'être censuré n'est pas lié au pronostic. Un patient perdu de vue parce qu'il va trop mal viole cette hypothèse et biaise les courbes. Subtilité : elle ne se teste pas sur les données — elle s'argumente cliniquement (montrer que les sorties d'étude ne sont pas liées au risque).
- Courbes qui se croisent. Signal d'un effet qui s'inverse dans le temps : le Cox standard ne convient plus, et le log-rank risque de ne rien détecter (envisagez Gehan-Wilcoxon, une covariable dépendante du temps, ou la survie restreinte moyenne RMST).
- Biais du temps immortel. Classer les sujets selon un événement survenu après le début du suivi crée un intervalle où ils « ne pouvaient pas » mourir — et fausse l'avantage du groupe.
- Trop peu d'événements. Comme pour la régression logistique, visez au moins une dizaine d'événements par variable (EPV) dans le modèle de Cox ; sinon les HR sont instables. (Heuristique commode ; voir Riley/van Smeden pour un dimensionnement plus fin.)
Ce qu'il faut reporter
- La médiane de survie (avec IC 95 %) de chaque groupe, ou la survie à un temps clé (1 an, 5 ans).
- Le p du log-rank pour la comparaison.
- Les HR ajustés + IC 95 % du modèle de Cox.
- Le nombre de sujets à risque sous la courbe, et la mention de la vérification des risques proportionnels.
En résumé
L'analyse de survie existe pour une seule raison : exploiter les données censurées sans les jeter. Kaplan-Meier décrit, le log-rank compare, le modèle de Cox ajuste et quantifie (HR). Le tout repose sur deux hypothèses qu'un jury vérifiera : les risques proportionnels et la censure non informative. Les valider — et regarder ses courbes — sépare une analyse de survie solide d'une analyse contestable.