Position du problème : Il est fréquent en épidémiologie de s’intéresser à l’association entre l’évolution d’une variable quantitative et la survenue d’un événement. L’objectif de cet article est de présenter les modèles conjoints pour l’analyse de données gaussiennes répétées et d’un temps de survie. Ces modèles permettent par exemple de réaliser une analyse de survie lorsqu’une variable explicative dépendant du temps est mesurée par intermittence ou d’étudier l’évolution d’un marqueur quantitatif conditionnellement à un événement.

Méthodes : Ils sont construits en combinant un modèle mixte pour variables gaussiennes répétées et un modèle de survie qui peut être paramétrique ou semi-paramétrique (modèle de Cox).

Résultats : Nous discutons les hypothèses sous-jacentes aux différents modèles conjoints proposés dans la littérature et les hypothèses nécessaires pour l’estimation de ces modèles par le maximum de vraisemblance. L’intérêt de ces méthodes est illustré sur une étude de l’histoire naturelle de la démence dans une cohorte de personnes âgées.

Background: In epidemiology, we are often interested in the association between the evolution of a quantitative variable and the onset of an event. The aim of this paper is to present a joint model for the analysis of Gaussian repeated data and survival time. Such models allow, for example, to perform survival analysis when a time-dependent explanatory variable is measured intermittently, or to study the evolution of a quantitative marker conditionally to an event

Methods: They are constructed by combining a mixed model for repeated Gaussian variables and a survival model which can be parametric or semi-parametric (Cox model).

Results: We discuss the hypotheses underlying the different joint models proposed in the literature and the necessary assumptions for maximum likelihood estimation. The interest of these methods is illustrated with a study of the natural history of dementia in a cohort of elderly persons.