Guide pratique pour comprendre les publications scientifiques. Épisode 8 – Données de survie - 04/02/25
A practical guide to understand scientific publications. Episode 8 – Survival data

Résumé |
Introduction |
Comparer la survie des patients entre deux groupes, par exemple traités par deux traitements différents, est un enjeu important en médecine.
Messages importants |
Il est possible de comparer la survie globale (overall survival), l’évènement étant le décès, ou la survie sans maladie (free-disease survival), l’évènement étant la récidive de la maladie. L’étude évalue donc le temps écoulé jusqu’à la survenue de l’événement considéré. Les patients pour lesquels on ne connaît pas l’état à la fin d’une étude constituent des données dites censurées. La représentation graphique de la survenue d’un évènement est représentée par une courbe de survie dite de Kaplan-Meier où l’abscisse est le temps et l’ordonnée la probabilité de survivre (c’est-à-dire que l’événement ne soit pas encore survenu) au moins jusqu’à la date t : S(t). Le test permettant de comparer deux courbes de survie est le test du log-Rank. Le modèle semi-paramétrique de Cox permet d’exprimer le risque instantané de survenue de l’événement en fonction de l’instant t et des variables explicatives de l’étude. Il repose sur l’hypothèse de proportionnalité des risques : le rapport des risques (hazard ratio) des variables est supposé constant au cours du temps.
Conclusion |
Comprendre comment s’évalue la survie des patients est un enjeu majeur des études scientifiques en médecine. Cet article détaille les différentes notions nécessaires à la compréhension de ces études.
Le texte complet de cet article est disponible en PDF.Summary |
Introduction |
Comparing patient survival between two groups, for example treated with two different therapies, is an important issue in medicine.
Main messages |
It is possible to compare overall survival, where the event is death, or free-disease survival, where the event is disease recurrence. The study therefore evaluates the time elapsed until the occurrence of the event studied. Patients whose status is unknown at the end of a study are referred to as censored data. The graphical representation of the occurrence of an event is represented by a Kaplan-Meier survival curve, where the abscissa is time and the ordinate is the probability of surviving (i.e. the event has not yet occurred) at least until date t: S(t). The test used to compare two survival curves is the log-Rank test. The semi-parametric Cox model expresses the instantaneous risk of an event occurring as a function of time t and the study's explanatory variables. It is based on the assumption of proportionality of risks: the ratio of risks (or hazard ratio) of the variables is assumed to be constant over time, as we shall see in the section dealing with the Cox model.
Conclusion |
Understanding how patient survival is assessed is a major challenge for scientific studies in medicine. This article details the various concepts required to understand survival studies.
Le texte complet de cet article est disponible en PDF.Mots clés : Survie globale, Survie sans récidive, Courbe de Kaplan-Meier, Test du log-Rank, Modèle de Cox
Keywords : Overall survival, Free-disease survival, Kaplan-Meier curve, Log-Rank test, Cox model
Plan
Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’accès au texte intégral de cet article nécessite un abonnement.
Déjà abonné à cette revue ?