Les estimateurs de Kaplan–Meier et de Pohar–Perme sont utilisés pour estimer les distributions de survie dans le cadre de la survie brute et de la survie nette, respectivement. Les courbes de survie sont classiquement comparées par des tests de type log-rank. Ces tests sont optimaux quand les risques sont proportionnels. Des alternatives robustes à cette hypothèse ont été proposées. Certaines donnent le même poids à toutes les observations alors que d’autres, reposant sur des a priori sur les distributions, sont plus aptes à détecter des différences précoces ou tardives. Notre objectif était de proposer un test comparant des distributions de survie brute ou nette :

– robuste à la non-proportionnalité des risques ;

– donnant plus de poids aux clusters d’événements temporels ;

– sans a priori sur les formes des courbes de survie.

Nous avons utilisé le test basé sur le graphe PP-plot qui permet de comparer des distributions de survie nette. Suivant notre travail précédent [1Wolski A., et al. Comparaison de k distributions de survie nette : un test simple à l’épreuve de situations de non-proportionnalité des risques Rev Epid Sante Publique 2018 ;  66 : S143-S144 [inter-ref]

Cliquez ici pour aller à la section Références], nous avons étendu ce PP-test à la survie brute pour groupes, avec stratification possible sur des variables catégorielles. Via une étude de simulations, nous avons comparé les performances du PP-test à celles obtenues par les tests de type log-rank et des tests basés sur la durée de survie (nette) moyenne restreinte, notés AD-RM(N)ST dans le cadre des survies brute et nette. Dans le cadre de la survie brute, nous avons aussi utilisé des tests du log-rank pondérés. Nous avons généré des clusters temporels en faisant varier la proportion d’événements précoces ou tardifs. L’intérêt du PP-test a été illustré sur des données cliniques sur le cancer du sein dans le cadre de la survie brute, et des données d’un registre sur le cancer colorectal dans le cadre de la survie nette.

Les simulations ont montré que le PP-test contrôlait l’erreur de type I au niveau 5 %. Il était plus puissant que le test AD-RM(N)ST en présence de clusters d’événements. Dans le cadre de la survie brute, il avait des performances similaires au test de Fleming-Harrington pour des choix optimaux des paramètres, c.-à-d., basés sur la connaissance a priori des formes des courbes de survie. Dans le cadre de la survie brute, le PP-test appliqué aux données de cancer du sein conduisait aux mêmes conclusions que le test AD-RMST dans les situations de non-proportionnalité des risques. Le test de Fleming–Harrington était mis en défaut dans les cas où l’on accordait à tort plus de poids aux différences tardives. Dans le cadre de la survie nette, le PP-test appliqué sur les données de cancer colorectal a rejeté l’hypothèse d’égalité des distributions pour des groupes déterminés par classes d’âge ou par localisation de la tumeur. Les tests de type log-rank et AD-RMNST ne permettaient pas de mettre en évidence ces différences.

Le PP-test permet de comparer distributions de survie brute ou nette, dans des situations de proportionnalité des risques ou non. Il accorde plus d’influence aux clusters d’événements et ne nécessite aucune hypothèse sur la forme des courbes de survie. Muni d’une version stratifiée, le PP-test apparaît, par sa complétude, comme un outil complémentaire aux tests couramment utilisés pour l’étude de données de survie.