ETUDES PRONOSTIQUES Pr Ganry.

Présentation au sujet: "ETUDES PRONOSTIQUES Pr Ganry."— Transcription de la présentation:

1 ETUDES PRONOSTIQUES Pr Ganry

2 DEFINITION Les études pronostiques étudient la liaison entre des paramètres dont on cherche la valeur pronostique, et le critère de jugement choisi (décès par exemple)

3 Adapter le traitement en fonction des critères pronostiques +++
INTERET DE L ’INFORMATION PRONOSTIQUE Adapter le traitement en fonction des critères pronostiques +++ Dans le cadre des Essais thérapeutiques : permettre de définir des critères d’inclusion / non inclusion

4 INTERET DE L ’INFORMATION PRONOSTIQUE
MAIS Le paramètre doit aboutir à une importante explication pronostique La valeur pronostique du paramètre doit être validée sur plusieurs séries de malades.

5 Principe de l’étude pronostique :
Méthodes statistiques Permettre d ’analyser simultanément l ’information pronostique de plusieurs paramètres

6 liés à la maladie (ex: stade)
3 types de paramètres pronostiques liés au sujet (ex: âge, sexe) liés à la maladie (ex: stade) traduisant le retentissement de la maladie (ex: indice de gravité)

7 Méthode statistique: généralités
schéma habituel d’une étude pronostique: Sélection des facteurs individuellement pronostiques : étape univariée Sélection des facteurs finalement pronostiques, c-a-d lorsque leurs liaisons avec les autres facteurs sont pris en compte, grâce à un modèle de régression : étape multivariée La validation du modèle défini par ces variables pronostiques sur des séries de malades

8 1- Définir le critère de jugement de l’étude pronostique :
Déroulement de l’étude pronostique : 1- Définir le critère de jugement de l’étude pronostique : Souvent unique ex : décès Parfois double ex: décès récidive

9 2- Choix des variables à étudier :
Comment choisir lors de la conception de l’étude les variables dont on veut analyser le rôle éventuellement pronostique ?

10 2- Choix des variables à étudier :
N variables choisies lors de la conception de l’étude N1 variables N2 variables pronostiques analyse univariée analyse multivariée

11 1- variables pronostiques connues
2- Choix des variables à étudier : Littérature : 1- variables pronostiques connues 2- variables classiques (âge, sexe, type de traitement...)

12 2- Choix des variables à étudier :
Hypothèses pronostiques : 3- variable(s) pronostique(s) dont on souhaite tester la valeur pronostique, ou variable(s) suspectée(s) être pronostique(s)

13 ex 1: événement décès oui / non
1ère phase : étape univariée analyse statistique en fonction des variables et des évènements analysés : ex 1: événement décès oui / non tests statistiques adaptés : X2, t-student, analyse de variance…

14 Étude pronostique sur cancer du sein
Vivantes (n=123) Décédées (n=112) âge 55+/-12 63+/-15 0,03 BMI 1,23+/-22 1,34+/-21 NS VS 34 45 T1 78% 33% 0001 N1 75% 34% M0 94% 44% ER+ 68% 13% 003 Synd paranéopl 3% 23% 0,01 IR associée 2% 5% 0,1

15 ex 2: analyse de survie et comparaison de courbes de survie
1ère phase : étape univariée analyse statistique en fonction des variables et des évènements analysés : ex 2: analyse de survie et comparaison de courbes de survie

16 Définitions pour l’analyse de la survie
Date d’origine: Date de début de prise en compte du suivi des patients Date des dernières nouvelles: Date à laquelle les derniers renseignements concernant l’état du patient sont connus Etat aux dernières nouvelles: Vivant ou décédé par exemple

17 Définitions pour l’analyse de la survie
Date de point: Date choisie pour arrêter l’étude Recul: Délai écoulé entre date d’origine et date de point Perdu de vue: Sujet dont on ne connait pas l’état à la date de point vivant? décédé ?

18 courbes de survie : Kaplan-Meier
,2 ,4 ,6 ,8 1 Survie % 20 40 60 80 100 120 140 mois Temps Groupe (2) Groupe (1) 3,207 1 0,0733 Chi-Square DF P-Value Logrank (Mantel-Cox) Test for temps Censor Variable: événement Grouping Variable: group

19 Comparaison de 2 courbes de survie selon la présence ER dans le cancer du sein
,2 ,4 ,6 ,8 1 Survie % 20 40 60 80 100 120 140 mois Temps ER+ ER-

20 Analyse de survie : méthode actuarielle

21 On garde les variables significatives :
1ère phase : étape univariée On garde les variables significatives : Seuil de significativité : p  0,05 mais aussi souvent p = 0,1 voire 0,2

22 Ce modèle de régression dépend du type d’étude pronostique menée :
1ère phase : étape univariée A la fin de l’étude univariée, on a donc retenu N1 variables que l’on va rentrer dans un modèle de régression Ce modèle de régression dépend du type d’étude pronostique menée : - modèle de régression logistique, - modèle de Cox…

23

24 2ème phase : étape multivariée
Attention : le nombre N1 de variables que l’on peut analyser dans un modèle de régression dépend du nombre d’événements vis-à-vis du critère de jugement Observés dans l’étude Règle empirique : Nb évènements / nb variables >10

25 Si ce ratio n ’est pas respecté :
CHOIX DES VARIABLES CANDIDATES Si ce ratio n ’est pas respecté : Choix raisonné tenant compte des connaissances préalables ( littérature, étape univariée) Elimination des variables éventuellement entachées d ’imprécision ( valeurs manquantes, erreur de mesure).

26 Conduite à tenir vis-à-vis des données manquantes :
Point important sur la qualité scientifique de l’étude ++++ la plupart des méthodes multivariées nécessitent un jeu complet de données +++

27 1- prendre la valeur moyenne des sujets
Conduite à tenir vis-à-vis des données manquantes : ex : il manque la TA lors de l’inclusion ou à T6 de 5 patients . Conduite à tenir : 1- prendre la valeur moyenne des sujets 2- prendre la dernière valeur connue …

28 en contrôlant les liaisons éventuelles entre les variables.
2ème phase : étape multivariée Objectif final : parvenir à un modèle contenant le plus petit nombre de variables possible tout en contrôlant les liaisons éventuelles entre les variables. Méthode : utilisation d’un modèle de régression :

29 2 techniques : pas à pas ascendant pas à pas descendant
2ème phase : étape multivariée on va introduire les N1 variables retenues lors de l’analyse univariée dans le modèle de régression choisi : 2 techniques : pas à pas ascendant pas à pas descendant

30 2ème phase : étape multivariée
le modèle de régression va permettre de sélectionner N2 variables à partir des N1 variables retenues après l’analyse univariée et testées dans notre modèle de régression

31 2ème phase : étape multivariée : schéma récapitulatif
N Variables N1 Variab N2 var Début de l’étude Analyse univariée Analyse Multivariée

32 X3 = glycorachie  0,6 mmol/l X4= pneumonie
Exemple : résultat de l’étude des facteurs pronostiques des méningites à ménincoccogues : mise en évidence de 4 variables pronostiques : modèle final X 1 = glasgow  X2 = âge 45 X3 = glycorachie  0,6 mmol/l X4= pneumonie

33 sur une série limitée et spécifique
3ème phase : validation du modèle Question : ce modèle est-il utilisable en clinique ? nécessite de le valider sur de nouvelles séries de malades pour confirmer ou non la valeur pronostique des variables mises en évidence sur une série limitée et spécifique