La survie nette correspond à la survie qui serait observée en l’absence de mortalité due à d’autres causes que la pathologie d’intérêt, ici le cancer. C’est un indicateur qui permet de s’affranchir des différences de mortalité qui seraient imputables à des causes autres que le cancer étudié. Les modèles développés dans le cadre de l’estimation de la survie nette considèrent la mortalité observée comme la résultante de deux forces de mortalité : la mortalité due au cancer étudié (excès de mortalité) et la mortalité due aux autres causes (mortalité attendue). Cette dernière découle des tables de mortalité de la population générale stratifiées sur un nombre limité de variables (ex. sexe, département). Cependant, elles n’incluent pas certaines variables pouvant influencer la mortalité en excès, qu’il s’agisse de variables observables dans les données (ex. niveau de déprivation) ou peu probablement (ex. consommation de tabac). Ce manque d’information dans ces tables donne des estimations biaisées des effets sur la mortalité en excès (Grafféo et al., 2012). Pour pallier ce problème, des modèles de régression prenant en compte l’absence d’une variable additionnelle dans la table de mortalité ont été proposés pour estimer la mortalité en excès (Touraine et al., 2020 ; Mba et al., 2020). Le niveau de stratification des tables de mortalité étant insuffisant, inconnu et multifactoriel, une des limites de ces modèles est la difficulté d’inférence lorsque plusieurs variables sont absentes. Notre objectif était de proposer une approche par classes latentes pour modéliser la mortalité attendue dans le cadre de l’analyse de la mortalité en excès permettant de prendre en compte une ou plusieurs variables additionnelles et d’identifier des sous-groupes non-observés (latents) de patients.

Nous avons proposé un modèle à classes latentes dans lequel l’effet des différentes classes latentes sur la mortalité attendue peut varier en fonction des variables qui les caractérisent. Les performances de ce modèle ont été évaluées par une étude de simulations. Pour cela, nous avons construit différentes tables de mortalité stratifiées sur des classes latentes, selon des scénarios plausibles d’un point de vue épidémiologique. Nous avons notamment considéré les cas :

– d’une seule variable observable dans les données et manquante dans la table de mortalité ;

– de deux variables observables dans les données et manquantes dans la table de mortalité ;

– d’une seule variable non-observable dans les données et manquante dans la table de mortalité.

Comparé aux deux modèles développés en présence d’une seule variable observable dans les données et manquante dans la table de mortalité, le modèle proposé a montré de performances comparables quel que soit le critère de performance considéré. En effet, le modèle proposé et les deux autres modèles fournissaient des biais proches de 0 et des erreurs quadratiques moyennes similaires. Par ailleurs, le modèle proposé est resté robuste dans les autres scénarios, notamment avec des biais proches de 0.

Nous avons montré qu’en cas de tables de mortalité insuffisamment stratifiées, que les variables soient observables ou non dans les données, un modèle à classes latentes avait de bonnes performances pour estimer la mortalité en excès. En outre, il permet d’effectuer une classification a posteriori des patients permettant une meilleure description des profils épidémiologiques des patients et de leur impact sur la mortalité attendue.