Applications du modèle à risque proportionnel de Cox

C’est la deuxième partie du cours consacré au modèle de Cox à risque proportionnel. La première partie est disponible ici : • Introduction au modèle... .
Les données et le code utilisés dans la vidéo sont disponibles sur le dépôt Github d'EpiMed : github.com/epimed/eoc-surviva..., dans le dossier cox-model.
Dans cette partie, nous allons faire deux démonstrations d’application du modèle de Cox, d’abord sur un jeu de données synthétiques, en analyse univariée, et puis sur des données réelles du cancer du sein, en analyse multivariée.
Dans le premier cas d’étude, nous allons générer les données sur la base de deux patients atteints de cancer, pour lesquels nous mesurons le taux d’expression d’un gène biomarqueur. Ensuite, nous utiliserons le modèle de Cox sur les données générées. Le calcul du modèle de Cox sera réalisé avec Python.
Dans le deuxième exemple, nous allons étudier l’impact du gène ANLN sur la survie dans le cancer du sein. Les données proviennent de la base de données publique TCGA-BRCA. Nous allons également inclure dans l’étude d’autres paramètres qui peuvent impacter la survie : l’âge du patient et le stade de cancer.
Pour les deux exemples, nous allons interpréter les résultats obtenus et prédire le pronostic de survie pour de nouveaux patients, en se basant sur le modèle de Cox.
Intervenant : Ekaterina Flin, ingénieur en informatique, groupe EpiMed, Institut pour l’Avancée des Biosciences (IAB), Université Grenoble Alpes (UGA)
#analyse_de_survie #coxph #python
Table des matières
00:00 Introduction
00:18 Exemple avec des données synthétiques
01:22 Génération de données
02:49 Calcul du modèle de Cox univarié avec Python
04:09 Interprétation des résultats
04:31 Présentation graphique du calcul
06:19 Prédiction de survie pour une nouvelle patiente
06:46 Exemple avec des données réelles
07:11 Prise en compte de plusieurs covariables
08:18 Calcul du modèle de Cox multivarié avec Python
09:02 Interprétation des résultats
10:33 Prédiction de survie avec plusieurs paramètres
Liens
Introduction au modèle à risque proportionnel de Cox : • Introduction au modèle...
Introduction à l’analyse de survie, courbe de Kaplan-Meier : • Introduction à l’analy...
Le test du logrank : • Le test du logrank pou...

[@ManalBEZIA]

Merci beaucoup

[@abderrahmaneboumedienederk5293]

Merci

[@eldosanchez777]

Bonjour, quelle commande tappez vous dans python pour tester la validité du model de cox?
Cordialement

[@epimedopencourse]

Bonjour,
Merci pour votre question intéressante.
Effectivement, il peut être très important de vérifier les conditions d’application d’un modèle statistique. Ceci dit, cette question est aussi compliquée. Le modèle de Cox et le test du logrank ont plusieurs conditions d’application, plus ou moins impactantes selon les questions qu’on souhaite résoudre et les hypothèses qu’on avance. Cela nécessite de réaliser une vraie étude qui ne se réduit pas à taper simplement une commande dans Python.
La librairie lifelines de Python contient certains outils qui peuvent aider, par exemple, à tester l’hypothèse des risques proportionnels et/ou à estimer l’effectif nécessaire. Vous pouvez trouver l’information détaillée sur ces outils dans la documentation de lifelines : lifelines.readthedocs.io/. Pour d’autres conditions, comme l’indépendance des variables explicatives, il faudrait réaliser des tests statistiques supplémentaires, en utilisant d’autres librairies, par exemple, scipy.

[@eldosanchez777]

@@epimedopencourse merci de m'avoir repondu :)

[@bernarddupont8590]

Bonjour,
Pourriez vous partager le fichier exempla que vous avez créé?
J'ai téléchargé une version du fichier TCGA-BRCA, mais je n'ai pas l'expression du gène ANLN. Où puis-je trouver votre version?
Je voudrais reproduire et comparer les résultats calculés avec une autre software statistique.
Cordialement.

[@epimedopencourse]

Bonjour,
Vous trouverez les données et le code utilisés dans cette vidéo sur le dépôt Github : github.com/epimed/eoc-survival-analysis, dans le dossier "cox-model".

[@bernarddupont8590]

@@epimedopencourse Bonjour,
Merci beaucoup.