La survie est un des indicateurs fréquemment utilisés pour évaluer le pronostic d’une maladie, aussi bien dans les essais cliniques que dans les études populationnelles. Un autre critère d’intérêt est la survie nette, qui permet de distinguer la mortalité liée à la pathologie étudiée (en excès) de la mortalité liée aux autres causes. L’approche « cause-spécifique » est classiquement utilisée pour l’estimer. Elle nécessite la connaissance de la cause de décès, qui est difficile à identifier notamment 10 à 15ans après le diagnostic. Dans une autre approche, utilisée dans les études populationnelles, la mortalité liée aux autres causes n’est pas estimée mais dérivée de tables de mortalité en population générale. Dans ce cadre, seuls l’estimateur non paramétrique de Pohar-Perme et l’approche basée sur une modélisation ajustée sur les variables démographiques des tables de mortalité estiment sans biais la survie nette. Cependant, ces estimateurs ne peuvent pas être utilisés tels quel dans les essais cliniques, les patients sélectionnés n’étant pas représentatifs de la population couverte par ces tables. L’objectif de ce travail était d’étudier les performances de différentes méthodes d’estimation de la survie nette dans les essais cliniques.

Les données réelles d’un essai clinique multicentrique, évaluant le bénéfice potentiel de la radiothérapie après mastectomie chez des patientes traitées pour un cancer du sein, ont été utilisées dans le cadre d’un travail de simulation pour générer des données et construire des scénarii cliniques plausibles. Les performances de l’estimateur de Kaplan-Meier, recommandé en recherche clinique, de Nelson-Aalen pondéré par la probabilité de survie attendue, ont été comparées à celles d’estimateurs utilisés dans l’approche populationnelle. Précisément, il s’agissait de l’estimateur de Pohar-Perme et d’un estimateur paramétrique reposant sur un modèle multivarié modélisant la différence entre la mortalité globale et la mortalité attendue des patientes, tirée des tables de mortalité corrigées afin de prendre en compte l’effet de sélection. Différents scenarii ont été considérés en faisant varier l’effet de l’âge et du traitement sur la mortalité en excès, le nombre de patientes par centre de recrutement et le nombre de centres de recrutement. Des tables de mortalités départementales ont été utilisées et nous avons considéré le département d’appartenance du centre comme variable proxy de résidence des patientes. Les indicateurs utilisés pour étudier les performances des estimateurs de la survie nette à court et long terme (5 et 10ans) étaient le biais, l’erreur quadratique moyenne et le taux de couverture empirique.

D’une manière générale, les simulations ont montré que le modèle de régression était plus robuste que les autres approches, et cela d’autant plus que le proxy de résidence était correct. Lorsque le temps de suivi était court, l’approche « cause-spécifique » et survie nette populationnelle fournissaient des estimations très peu différentes. Lorsque le temps de suivi était long, l’approche cause-spécifique devenait plus imprécise et le modèle de régression estimait avec un faible biais l’effet du traitement sur l’excès de mortalité.

En considérant l’information sur la résidence des patients et l’effet de sélection, les méthodes d’estimation de la survie nette développées dans les études populationnelles représentent une nouvelle alternative d’intérêt pour estimer la survie nette dans les essais cliniques.