Le test du logrank pour comparer des courbes de survie
HTML-код
- Опубликовано: 5 авг 2024
- Ce cours est consacré au test statistique du logrank (appelé aussi le test du log-rank ou le test de Mantel-Cox) qui permet de comparer deux ou plusieurs courbes de survie. Cette vidéo montre un tutoriel pas à pas qui explique comment réaliser le test du logrank pour comparer deux courbes de survie, sur un exemple concret et illustré.
Est-ce que la différence entre ces deux fonctions de survie est significative ? Est-elle bien réelle, ou elle est peut-être due au hasard et au fait que les effectifs sont faibles ? Comment le savoir ? Le test du logrank nous permet justement de réponde à cette question.
Le principe de fonctionnement du test du logrank est basé sur la comparaison entre le nombre d’évènements observés et le nombre d’évènement attendus, sous l’hypothèse d’égalité de fonctions de survie. La statistique du test suit la distribution de chi-deux, ce qui nous permet de calculer la p-valeur associée au test.
Intervenant : Ekaterina Flin, ingénieur en informatique, groupe EpiMed, Institut pour l’Avancée des Biosciences (IAB), Université Grenoble Alpes (UGA)
#analyse_de_survie #logrank
Table des matières
00:00 Cancer du sein : la différence de survie est-elle significative ?
00:48 Présentation de l’exemple étudié dans ce cours
01:15 Formalisation du problème, l’hypothèse nulle du test
02:04 Signification de la p-valeur pour le test du logrank
02:57 Effectif de chaque groupe et données de survie censurées
03:45 Calcul du nombre de patients à risque
04:55 Calcul du nombre d’évènements (décès)
05:20 Calcul du risque instantané
05:52 Calcul du nombre d’évènements attendus
06:27 Comparer le nombre de décès attendus et observés
06:46 Calcul de la statistique du test de chi-deux
07:37 Principe du calcul de la p-valeur
08:10 Calcul de la p-valeur avec Python et scipy
09:14 Interprétation du résultat
10:29 Conditions d’application du test du logrank
11:16 Points clés à retenir et conclusions
Liens
Introduction à l’analyse de survie, courbe de Kaplan-Meier : • Introduction à l’analy...
Créer une courbe de survie de Kaplan-Meier avec Python : • Créer une courbe de su...
Article recommandé :
C.Alberti, J.-F.Timsit, S.Chevret. Mémento biostatistique. Analyse de survie : le test du logrank. Revue des Maladies Respiratoires. Volume 22, Issue 5, Part 1, November 2005, Pages 829-832.
doi.org/10.1016/S0761-8425(05...
www.sciencedirect.com/science...
Comment vous avez calculé les variance dans chaque groupe, merci de me répondre
Bonsoir madame
J'ai vraiment aimé votre cours sur l'analyse de survie.
Pouvez vous me trouvez un thème de soutenance sur ce sujet en utilisant le machine learning ou l'IA
Bonjour,
Merci pour votre message.
Pourriez-vous préciser SVP le contexte de votre soutenance et le niveau d’études ? S’agit-il d’un stage (dont l’objectif est de réaliser vous-même une étude originale) ou vous présentez une recherche bibliographique ?
Dans le dernier cas, vous pouvez éventuellement regarder le modèle Cox-nnet et ses applications à la biologie. Il s’agit d’une architecture de réseaux de neurones adaptée à l’analyse de survie qui permet de prédire le pronostic des patients atteints de cancers à partir des données d’expression de gènes (et d’autres données médicales). Cette architecture est relativement simple à comprendre, elle convient bien pour débuter en deep learning. Sinon, dans les articles consacrés à Cox-nnet (voir liens ci-dessous), vous trouverez des comparaisons de Cox-nnet avec d’autres modèles plus classiques de machine learning adaptés à l’analyse de survie, par exemple, Random Forest Survival et CoxBoost, avec les références bibliographiques correspondantes. Ces modèles et leurs applications peuvent probablement aussi vous intéresser.
Si vous codez en Python, vous pouvez tester vous-même certains modèles de machine learning pour la survie, disponibles dans la librairie scikit-survival. Pour cela, vous pouvez utiliser des données publiques d’expression de gènes dans les cancers. Par exemple, les données du cancer du sein, du cancer du poumon ou du cancer colorectal de TCGA pour lesquelles la taille du dataset est assez importante. Ces données déjà prétraitées, ainsi que les données de survie correspondantes, sont disponibles sur le site de Linked Omics (lien ci-dessous).
Bonne chance pour votre soutenance !
Liens Cox-nnet :
journals.plos.org/ploscompbiol/article?id=10.1371/journal.pcbi.1006076
academic.oup.com/nargab/article/3/1/lqab015/6180125
arxiv.org/abs/2009.04412
Lien scikit-survival :
scikit-survival.readthedocs.io/en/stable/user_guide/index.html
Lien Linked Omics :
linkedomics.org/login.php
C'est dans le cadre d'une soutenance de master en machine learning.
J'aimerais travailler un peu sur l'analyse de survie.
Mon mail est 1jeancodeur@gmail.com
Merci à vous 😊
Bonjour Madame, j'ai trop aimé votre cours et votre méthode d'explication.
pouvez vous svp nous maitre un lien pour trouvé les données réel?
Merci d'avance
Bonjour,
Merci pour votre commentaire.
Vous pouvez trouver certaines données réelles dans des bases de données publiques.
Pour les données de cancers, vous pouvez, par exemple, consulter les données TCGA sur le portail GDC portal.gdc.cancer.gov/. Dans la vidéo, les données TCGA-BRCA (cancer du sein) servent notamment d'exemple. Pour accéder plus facilement aux données cliniques TCGA (y compris les données de survie), vous pouvez les télécharger depuis la base de données EpiMed Database : epimed.univ-grenoble-alpes.fr/database/series?text=TCGA. Sinon, le portail Linked Omics linkedomics.org/ permet également de les télécharger assez facilement.
Beaucoup d'études avec des données d'expression de gènes sont disponibles sur le portail NCBI GEO : www.ncbi.nlm.nih.gov/geo/browse/?view=series. Certaines de ces études contiennent des données de survie et d'autres informations cliniques. Par exemple, pour le cancer du sein, vous pouvez regarder les études suivantes : GSE25066, GSE21653, GSE42568. Pour télécharger plus facilement les données cliniques en format Excel ou CSV vous pouvez toujours utiliser EpiMed Database (voir la vidéo ruclips.net/video/lSEifh6JoCA/видео.html pour plus de détails).
Bonjour madame j'ai une question concernant le calcule de la p-value avec Python si on veut faire ce calcule à la calculatrice casio comment je fais ?
Si votre calculatrice permet le calcul de la CDF (fonction de distribution cumulative) pour chi2, vous pouvez trouver la p-valeur facilement : 1-CDF. Il est aussi possible de réaliser ce calcul en ligne, par exemple, ici : www.danielsoper.com/statcalc/calculator.aspx?id=62
@@epimedopencourse mrc bcp
A 7.30 comment vous avez trouvé la variance svp?
On calcule habituellement la statistique de cette seconde méthode avec un logiciel statistique. Dans cet exemple, j'ai utilisé la librairie "lifelines" de Python.
Bonjour,
Merci beaucoup pour votre cours très utile.
Pourriez-vous me communiquer un numéro de contact svp? Je souhaiterais échanger avec vous.
D'avance merci.
Bonjour,
Cette chaîne propose des cours ouverts à tout public mais elle n’a pas vocation à assurer une aide personnalisée ou à intervenir sur vos projets/devoirs particuliers. Si vous avez une question d’intérêt général en rapport avec la vidéo, vous pouvez la poser dans les commentaires. En revanche, si vous avez des questions qui concernent vos projets spécifiques, je ne pourrai pas vous aider. Dans ce cas, je vous invite à vous tourner vers des formations ou des experts qui proposent un tel support.