ETUDES PRONOSTIQUES Pr Ganry

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)

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

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.

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

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)

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

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

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 ?

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

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

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)

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…

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

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

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

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 ?

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

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-

Analyse de survie : méthode actuarielle

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

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…

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

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).

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 +++

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 …

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 :

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

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

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

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 7 X2 = âge 45 X3 = glycorachie  0,6 mmol/l X4= pneumonie

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