La survie nette est la survie qui serait observée si la seule cause possible de décès était la pathologie d’intérêt, ici le cancer. Cet indicateur permet de s’affranchir des différences de mortalité qui seraient imputables à des causes autres que le cancer. Dans l’estimation de la survie nette, les modèles proposés considèrent la mortalité observée comme la résultante de deux forces de mortalité : la mortalité due au cancer (excès de mortalité) et la mortalité due aux autres causes (mortalité attendue). Cette dernière découle des tables de mortalité de la population générale. Toutefois, ces tables n’incluent pas certaines co-variables démographiques pouvant influencer la mortalité en excès. Il a été montré que l’absence de la prise en compte de telles co-variables conduisait à des biais dans les estimations des effets sur la mortalité en excès [1Grafféo N., et al. The impact of additional life-table variables on excess mortality estimates Statistics in Medicine 2012 ;  31 (30) : 4219-4230

Cliquez ici pour aller à la section Références]. Afin de pallier ce problème, un modèle de régression multivarié a été proposé pour estimer la mortalité en excès lorsque la mortalité attendue dans la population étudiée diffère de celle de la population générale [2Touraine C., et al. More accurate cancer-related excess mortality through correcting background mortality for extra variables Stat Methods Medl Res 2019 ; 10.1177/0962280218823234

Cliquez ici pour aller à la section Références]. La limite majeure de ce modèle réside dans la proportionnalité constante en fonction de l’âge entre les risques attendus des différentes catégories de la covariable additionnelle. L’objectif de ce travail était de proposer un modèle permettant d’assouplir cette contrainte de proportionnalité en introduisant un ou plusieurs points de rupture, ou points de changement.

Nous avons proposé une extension du modèle de Touraine et al. -modèle de référence-, dans lequel l’effet de la covariable additionnelle sur la mortalité attendue peut varier en fonction de l’âge par l’introduction d’un terme multiplicatif, constant par intervalles d’âges. Les performances de ce modèle, avec un seul point de rupture, ont été évaluées par une étude de simulation. Pour cela, nous avons construit différentes tables de mortalité stratifiées sur la covariable additionnelle avec et sans effet proportionnel, selon des formes différentes. Nous avons choisi comme critères de performance le biais, l’erreur quadratique moyenne et le taux de couverture empirique.

Comparé au modèle de référence, le modèle proposé a montré de meilleures performances quel que soit le critère de performance considéré. En effet, le modèle proposé et le modèle de référence fournissaient des biais proches de 0, des erreurs quadratiques moyennes similaires et des taux de couverture proches de 95 % dans les scénarios simulés avec une proportionnalité constante. En revanche, dans les scénarios simulés avec un écart à la proportionnalité, le modèle proposé présentait, comparativement au modèle de référence, des biais et erreurs quadratiques moyennes plus faibles et des taux de couverture empiriques supérieurs, proches de 95 %.

Les résultats ont montré qu’un modèle de régression multivarié introduisant un point de rupture avait des performances supérieures à celles d’un modèle de régression avec une proportionnalité constante. Il est donc nécessaire de prendre en compte de tels points de rupture dans la modélisation pour corriger un manque de précision dans les tables de mortalité. L’estimation de la proportionnalité entre les risques attendus des différentes catégories de la covariable additionnelle est un défi important dans la détermination du nombre de points de rupture nécessaire pour mieux ajuster le modèle proposé aux données.