PEGASUS · UNIGE — Statistiques pour médecins · semestre 1 · CHAPITRE 11 / 15

Ch11 — Analyse de survie

⭐⭐⭐ LE CHAPITRE DES GRAPHIQUES · un événement et son temps de survenue · la courbe de survie part de 1, ne remonte jamais, survie = 1 − risque à chaque t · la courbe estimée est un escalier · lire une survie verticalement, un temps médian horizontalement à 0,50 · les censures (croix) ne sont pas des événements · Kaplan-Meier estime, le log-rank teste, le hazard ratio mesure, Cox l'estime — séance 11 — Pr C. Combescure

📊 Diapos : 58/58 mappées (Statistiques pour médecins_11_survie.pdf — 1 diapo par page, format 16:9, 720 × 397 pt, numéro imprimé = numéro de page) et 58/58 regardées une par une (10 montages) 🎙️ Oral : séance 11 en entier (1 h 47 de parole, pause 44:34 → 1:00:00) + l'ouverture de la séance 12 (rappel du chapitre, 00:00 → 16:24 : « la méthode va toujours vous cracher une courbe, mais après il faut savoir interpréter si ce résultat est valide ») 📝 Exercices : 5 exercices officiels du fichier questions11 (lire la courbe du glioblastome · trois affirmations V/F · médianes 24 vs 36 mois · log-rank · quelle mesure pour quel critère de jugement) tous corrigés par le prof et recalculés en Python 📜 Annales : 3 questions sur 43 en quatre ans (SFO 2021 Q9, 2023 Q24, 2024 Q26) — 2021 Q9 et 2024 Q26 sont LA MÊME question mot pour mot ; les trois sont des LECTURES DE GRAPHIQUE (médiane, décès entre deux temps, « meurent plus vite », tous morts ?, Kaplan-Meier ≠ log-rank) 🎯 Programme d'examen dans les mots du prof (42:31, 1:09:15, 1:15:25) : « Il faut que vous sachiez interpréter ces courbes de survie » · « Vous n'avez pas besoin de savoir faire ce calcul pour l'examen. On ne vous demandera pas de calculer à la main » · « Sur le calcul, il faut connaître le principe » — et le rappel de la séance 12 : savoir dire si l'estimation est valide (censure indépendante du risque) 🗑️ Hors examen (logo poubelle) : le calcul pas à pas de Kaplan-Meier (d.31-40, « il faudrait être fou pour ça »), la photo de l'escalier (d.25), le détail de l'échelle ECOG (d.45) ; l'histoire de Sir Cox et la digression sur les vaccinés hospitalisés (oral, 1:00:00) ⚠️ Écarts déclarés : 9 — l'oral attribue les taux 10,4 et 8,8 aux mauvais groupes (l'article : 10,38 = usual care, 8,83 = intervention) · HR ECOG dit « 2,2 » et « 0,5 » pour 2,18 et 0,46 · SENIOR dit « 0,7 » pour 0,69 · arrondis intermédiaires 0,88 et 0,83 dans le calcul KM (le produit exact donne 0,656) · « 86 » pour 86,4 · année de Kaplan-Meier non vérifiable · PAMPer 85 % / 75 % à 48 h lus à l'oral seulement · questions11 ex. 5 cite « cours 9 » et « cours 10 » pour les Ch10 et Ch10 bis (décalage de numérotation) · les graphiques des 3 annales ne sont pas dans le retranscrit : reconstitués d'après les valeurs du corrigé, la clé C de 2023 Q24 non revérifiable. Aucun ne change une conclusion ; tous sont signalés là où ils tombent.
0/0
🐎 PEGASUS📊 Diapos 2.0 Ch11🧠 Page blanche
🎯 LE CHAPITRE QUI SE LIT SUR UN DESSIN. Trois annales sur 43, et les trois montrent deux courbes de survie et demandent de les lire : où passe la courbe à 0,50 (temps médian), combien de décès entre 1 et 4 ans (90 − 60 = 30 %, pas 20), qui « meurt plus vite » (la courbe du dessous, en moyenne de groupe), est-ce que tout le monde est mort (non : la courbe n'atteint pas 0), et qui a construit les courbes (Kaplan-Meier, pas le log-rank). Le prof a fixé la frontière lui-même : il faut savoir interpréter les courbes, il ne faut pas savoir calculer Kaplan-Meier — mais il faut en connaître le principe et l'hypothèse (censure indépendante du risque). Autour du dessin, une chaîne de définitions : données de survie (événement + temps), temps d'origine, survie = 1 − risque, escalier, censure (croix ≠ marche), log-rank (H₀ = courbes identiques), hazard ratio (≈ ratio de taux, référence !), modèle de Cox. Les 35 micro-notions ci-dessous suivent l'ordre de la séance.
▶

N1 · Ce que la séance révise du Ch10, et les objectifs

d.1-6
0/3
⬜

Le rappel du Ch10 — risque, quatre mesures, prévalence, et quelle mesure dans quel design

~6 min
📊 DIAPOS d.2-3
Risque = proportion d'individus préalablement non-malades qui ont contracté la maladie, sur une période d'observation fixe, à spécifier. Mesures d'association : DR, RR, RRR, NNT. Prévalence = proportion atteinte à un moment donné. Tableau d.3 : dans une cohorte, DR ✓ et RR ✓ ; NNT et RRR « peu adaptés » (ils parlent d'un traitement) ; dans un essai randomisé, les quatre.
🎙️ ORAL (01:11 → 05:28)
« Ce qui est important dans cette notion de risque, c'est que la période d'observation doit être la même pour tout le monde. […] La mortalité, c'est un risque qui ne peut qu'augmenter au cours du temps. » · « La valeur de référence […] ce n'est pas la même pour la différence de risque [zéro] et pour le risque relatif [un]. » · « Dans les cohortes, on n'utilise pas trop le NNT parce que le NNT, c'est une interprétation qui fait appel à un traitement expérimental. »
⚠️ PIÈGE
« Le risque ne peut qu'augmenter au cours du temps » est la phrase qui prépare tout le chapitre : la survie (1 − risque) ne pourra donc que descendre. Un QCM « le NNT est la mesure privilégiée des études de cohorte » va contre la d.3.
📝 TOMBE EN QCM
questions11 ex. 5 reprend exactement ce tableau (DR, RR, NNT, RRR pour un critère binaire à durée commune). Diapos 2.0 d.2-3, C11-Q1.
⬜

Le taux d'incidence, le lexique en trois lignes, et le mot « incidence »

~6 min
📊 DIAPOS d.4-5
Taux d'incidence = risque de contracter la maladie par unité de temps : nouveaux cas / Σ personne-temps à risque (le compte s'arrête à l'événement). Lexique d.5 : prévalence (existants · population · moment · sans unité) · risque (nouveaux · sains au début · même durée pour tous · sans unité) · taux (nouveaux · Σ durées à risque · durées variables · par 1 000 personnes-temps). « Incidence » seul = taux ou incidence cumulée (= risque).
🎙️ ORAL (06:31 → 08:08)
« Lorsqu'il y a un décès, ça s'arrête au décès et je fais la somme sur l'ensemble des individus. » · « Il y aura un facteur 12 » entre personnes-mois et personnes-années · « Le terme incidence tout seul ne veut pas dire grand-chose. […] Regardez s'il y a des unités de type personne-temps et dans ce cas-là, ce sera un taux d'incidence. Si c'est rapporté par 100 ou 1 000 personnes, là, ce sera un risque. »
⚠️ PIÈGE
Le taux d'incidence est le pont vers le hazard ratio (d.52, d.54) : « rapport des risques instantanés », idée proche du rapport des taux d'incidence. Qui ne sait plus ce qu'est un taux ne comprendra pas le HR.
📝 TOMBE EN QCM
Les trois annales jumelles du Ch10 (2021 Q7, 2023 Q20, 2024 Q25) et, ici, C11-Q9 (qui exige quoi) et C11-Q19 (HR = 10,38 / 8,83). Diapos 2.0 d.4-5.
⬜

Les six objectifs — et lesquels les annales visent

~4 min
📊 DIAPOS d.1, d.6
Comprendre : analyse de survie · courbe de survie · données incomplètes · méthode de Kaplan-Meier · test du log-rank · rapport des risques instantanés. Lecture : Petrie & Sabin, chapitre 44. Les six objectifs sont les six blocs de la séance ; les 3 annales tombent sur les deux premiers (lire une courbe) et sur la distinction Kaplan-Meier / log-rank.
🎙️ ORAL (00:04, 09:11 → 11:17)
« Je ne vous expliquerai pas comment survivre à une pieuvre géante. » · « Le produit de ces analyses de survie, ça va être ce qu'on appelle une courbe de survie. […] Un des intérêts de la méthode de Kaplan-Meier, c'est de pouvoir gérer, d'intégrer ce qu'on appelle les données incomplètes. […] Si je ne vous parlais pas du test du log-rank, ce serait un peu triste. »
⚠️ PIÈGE
« Rapport des risques instantanés » et « hazard ratio » sont le même objet (d.7, d.52) ; « ratio des risques instantanés » aussi. Un QCM peut employer l'une ou l'autre expression.
📝 TOMBE EN QCM
Option E des annales 2021 Q9 / 2024 Q26 : « pour construire ces courbes […] on a eu recours à la méthode du log rank » — FAUX, c'est Kaplan-Meier. Diapos 2.0 d.6, C11-Q1.
▶

N2 · ⭐⭐⭐ L'analyse de survie : un événement au cours du temps, un temps d'origine, des risques qui montent

d.7-10
0/3
⬜

Définition, trois résultats, trois utilités — et l'essai PAMPer

~7 min
📊 DIAPOS d.7
Analyse de la survenue d'un événement (décès, maladie…) au cours du temps depuis un temps d'origine cliniquement pertinent (début du traitement, diagnostic). Résultats : courbe de survie · temps médian de survie · hazard ratio. Utilités : estimer la survie d'une population · évaluer une association exposition–survie · évaluer l'efficacité d'une intervention. Exemple : plasma préhospitalier (NEJM 2018), deux courbes en heures depuis la randomisation.
🎙️ ORAL (09:11, 14:23 → 15:25)
« Ces méthodes ont été développées en cancérologie pour étudier les décès. Mais la méthode s'applique à tous les problèmes de santé binaires qui surviennent au cours du temps. » · « Au bout de 48 heures, on a une survie qui est égale à 85 % dans le groupe plasma et 75 % dans le groupe standard. […] Après 240 heures, il y a quasiment plus de décès. »
⚠️ PIÈGE
« Survie » ne veut pas dire « décès » : survie sans MACE (d.21), sans récidive (d.24). Et les valeurs 85 % / 75 % à 48 h ne sont que dans l'oral (écart déclaré : lecture de figure, non vérifiable sur la diapo).
📝 TOMBE EN QCM
Les trois annales portent sur un essai randomisé comparant deux traitements « après diagnostic » : c'est exactement la 3ᵉ utilité et le temps d'origine de la d.7. Diapos 2.0 d.7, C11-Q2.
⬜

Les données de survie : du temps calendaire au temps depuis l'origine

~6 min
📊 DIAPOS d.8-9
Chaque patient a un début et une fin d'observation ; ligne terminée par un point = événement, par une croix = pas d'événement au cours du suivi. Les recrutements s'échelonnent (dates différentes). On recale tout le monde à 0 : l'axe devient le temps depuis le début de l'observation. Le temps d'origine est un moment clinique, pas une date.
🎙️ ORAL (18:31 → 20:36)
« On va mélanger le binaire et le quantitatif parce qu'on s'intéresse non pas seulement à l'événement, mais aussi au moment de survenue de l'événement. » · « Idéalement, ce moment clinique, c'est le début du traitement. C'est le moment du diagnostic. […] Le moment calendaire, en fait, il ne nous intéresse pas. »
⚠️ PIÈGE
Une donnée de survie = deux informations (événement oui/non et délai). Un QCM « les données de survie sont des données binaires » est faux : c'est un troisième type à côté du binaire et du continu (d.57).
📝 TOMBE EN QCM
« Le 1ᵉʳ février, le 15 août, ce n'est pas intéressant » : distracteur classique « le temps d'origine est la date d'inclusion calendaire ». Diapos 2.0 d.8-9, C11-Q2.
⬜

Le risque au cours du temps : 0/6 · 1/6 · 2/6 · 3/6

~5 min
📊 DIAPOS d.10
6 patients, événements à 2, 5 et 9 mois. Risque à 1 mois = 0/6 · à 4 mois = 1/6 · à 8 mois = 2/6 · à 10 mois = 3/6. Le risque varie avec le délai et ne peut pas diminuer. Aucune donnée incomplète ici : chaque risque est une proportion classique du Ch10 à un horizon fixé. ✓ Python
🎙️ ORAL (19:33 → 21:37)
« Dans cette représentation graphique, on pourrait calculer un risque. On n'a aucune donnée incomplète. […] Le risque à un mois, il est de zéro. […] Dans les quatre premiers mois, il y a une personne parmi les six qui a fait l'événement. Ça me donne un risque de un sixième. »
⚠️ PIÈGE
Le dénominateur reste 6 à tous les temps parce que tous sont suivis 10 mois. Dès qu'un suivi s'arrête avant (d.29), ce calcul devient impossible — c'est toute la raison d'être de Kaplan-Meier.
📝 TOMBE EN QCM
Base de la famille v3 « risque à t chez n patients tous suivis ». Diapos 2.0 d.10, C11-Q2.
▶

N3 · ⭐⭐⭐ La courbe de survie : survie = 1 − risque, part de 1, ne remonte jamais

d.11-13
0/3
⬜

Survie à t = 1 − risque à t, vrai à chaque temps

~5 min
📊 DIAPOS d.11
Probabilité de survie à t = probabilité de ne pas avoir eu l'événement entre l'origine et t = 1 − risque à t. La courbe = l'ensemble de ces probabilités en fonction du délai. Lecture : survie 0,30 à 10 mois ⇒ risque 0,70 ; survie 0,05 à 40 mois ⇒ 95 % ont eu l'événement. ✓ Python
🎙️ ORAL (21:37 → 23:43)
« N'oubliez pas qu'on est toujours dans l'inférence statistique. […] Là, ce que je vous montre, c'est une courbe de survie dans la population. » · « Survie est égale à un moins le risque. Et ça, c'est vrai à chaque temps. »
⚠️ PIÈGE
La courbe lisse est celle de la population ; l'échantillon donne un escalier (N4). Et « survie 0,30 » se dit aussi « 70 % ont fait l'événement » : les deux formulations tombent dans les mêmes options.
📝 TOMBE EN QCM
questions11 ex. 1 : survie 0,60 à 6 mois ⇒ risque 0,40 (« 1 − 0,60 = 0,40 »). Annale 2021 Q9 : « 20 % meurent entre 1 et 4 ans » = 90 − 60 = 30 %. Diapos 2.0 d.11, C11-Q2, C11-Q4.
⬜

Les trois propriétés : vaut 1 à l'origine, jamais croissante, n'atteint pas forcément 0

~5 min
📊 DIAPOS d.12
① Vaut 1 au temps d'origine (personne n'a encore eu l'événement). ② Ne peut pas être croissante (décroissante, au mieux stable). ③ Atteint 0 si tous ont eu l'événement — pas obligatoire. questions11 ex. 2 : « atteint toujours 0 » FAUX · « peut être croissante à certains moments » FAUX.
🎙️ ORAL (23:43 → 24:49)
« Courbe de survie, ça partira toujours de 1. […] Elle ne pourra jamais, jamais être croissante. Si vous avez une courbe de survie croissante, c'est qu'il y a eu une erreur quelque part. […] Ça va atteindre la valeur zéro si tous les participants finissent par avoir l'événement, ce qui n'est pas toujours le cas. »
⚠️ PIÈGE
LHS (d.51) : « on a l'impression que ça remonte, mais c'est un artefact, un effet d'optique ». Et annale 2021 Q9 option D : « dans le groupe B tous les gens sont morts au bout de 4 ans » — la courbe B est encore vers 60 % : FAUX.
📝 TOMBE EN QCM
questions11 ex. 2 mot pour mot, plus les options D des deux annales jumelles. Diapos 2.0 d.12, C11-Q2, C11-Q13.
⬜

Trois dynamiques : la forme de la courbe dit quand et combien

~4 min
📊 DIAPOS d.13
Gauche : survenue rapide, tout le monde finit par faire l'événement (0 avant 50 mois). Milieu : survenue tardive (peu au début, beaucoup vers 20-40 mois), tout le monde aussi. Droite : diminution lente et progressive, tout le monde ne fait pas l'événement : 0,80 à 60 mois. La forme informe sur la fréquence et le moment des événements.
🎙️ ORAL (24:49 → 26:58)
« Les prothèses de hanche […] c'est à 10 ans que vous verrez des événements. […] Tandis que pour certains cancers, cancer cérébral, par exemple, là, au bout de 24 mois, tout le monde est décédé, bien malheureusement. »
⚠️ PIÈGE
Deux courbes qui finissent au même point (0 à 24 mois, glioblastome ECOG, d.46) peuvent différer énormément avant : « il ne faut pas se fier à un seul time point ».
📝 TOMBE EN QCM
K′ de lecture de forme (« la survenue est plutôt tardive », « tout le monde finit par… »). Diapos 2.0 d.13, C11-Q2.
▶

N4 · ⭐⭐⭐ La courbe estimée en escalier : une marche à chaque événement

d.14-17
0/3
⬜

Estimer point par point : le risque aux temps d'événement, puis 1 − risque

~5 min
📊 DIAPOS d.14-15
6 patients, événements à 2, 5, 9 mois. Risque à 0 = 0/6 · 2 mois = 1/6 · 5 mois = 2/6 · 9 mois = 3/6 · 10 mois = 3/6 (rien après 9). Survie = 1 − risque : 1 · 5/6 · 4/6 · 3/6 · 3/6. On calcule aux moments où survient un événement : c'est là que la courbe bouge. ✓ Python
🎙️ ORAL (26:58 → 28:01)
« Comme j'ai calculé mes risques, je peux en déduire assez facilement la survie, puisque c'est un moins le risque. Au début, j'ai zéro événement. Je pars d'une survie de un ici. À deux mois, la survie, c'est les cinq qui sont survivants parmi les six. »
⚠️ PIÈGE
Entre 9 et 10 mois la survie ne change pas (3/6 → 3/6) : « pas de nouvel événement » = courbe horizontale, pas « courbe qui remonte » ni « fin de courbe ».
📝 TOMBE EN QCM
Famille v3 « courbe estimée sans censure : valeur à t ». Diapos 2.0 d.14-15, C11-Q3.
⬜

Relier les points : horizontale entre deux événements, marche pile à l'événement

~5 min
📊 DIAPOS d.16
Vaut 1 en 0 · entre 0 et 2 mois, pas d'événement ⇒ reste à 1 · à 2 mois, un événement ⇒ 5/6 · reste à 5/6 jusqu'à 5 mois ⇒ 4/6 · reste jusqu'à 9 mois ⇒ 3/6. La cassure se produit pile au moment de l'événement, jamais entre deux.
🎙️ ORAL (28:01 → 29:03)
« Entre zéro et deux mois, il ne se passe rien. C'est à deux mois qu'on observe un événement. Il va y avoir une cassure, une marche d'escalier de la courbe de survie qui va se produire pile à deux mois. […] Entre deux et cinq mois, il n'y avait pas non plus d'événement. Donc, la courbe de survie, elle va rester horizontale. »
⚠️ PIÈGE
On ne relie pas les points par des segments obliques (ce serait supposer des événements entre deux dates) : escalier, pas ligne brisée.
📝 TOMBE EN QCM
K′ « entre deux événements successifs, la courbe descend lentement » → FAUX. Diapos 2.0 d.16, C11-Q3.
⬜

La hauteur d'une marche = événements / individus suivis à ce moment

~5 min
📊 DIAPOS d.17
La courbe estimée a une forme en escalier : 1 en 0 · diminue aux moments d'événement · inchangée entre deux. Hauteur d'une marche = nombre d'événements rapporté au nombre d'individus suivis : 1 sur 6 ⇒ 5/6 ; 1 sur 10 ⇒ 0,90 ; 2 sur 6 au même moment ⇒ 4/6. ✓ Python
🎙️ ORAL (30:04 → 31:05)
« La hauteur va dépendre du nombre d'événements qui sont observés relativement au total de nombre d'individus qu'on est en train d'étudier. […] Un événement parmi dix individus, ma marche d'escalier ferait baisser la courbe de survie de 1 à 0,90. » · « Entre deux moments successifs où survient un événement, par définition, il ne se passe rien. »
⚠️ PIÈGE
« Rapporté au nombre d'individus suivis » — dès qu'il y a des censures, ce nombre diminue au fil du temps (d.35-37) : la même marche (1 événement) devient plus haute quand il reste moins de patients (1/8, 1/6).
📝 TOMBE EN QCM
C11-Q3 (dix patients, un événement ⇒ 0,90, pas 0,97 ni 0,50). Diapos 2.0 d.17.
▶

N5 · ⭐⭐⭐ Lire une courbe : survie à t, risque à t, temps médian — ce que demandent les 3 annales

d.18-21
0/4
⬜

Lire une survie : glioblastome, 0,66 à 2 mois · 0,32 à 6 mois · 0,08 à 12 mois

~6 min
📊 DIAPOS d.18
Survie à 2 mois = 0,66 ⇒ risque à 2 mois 0,34 · à 6 mois = 0,32 ⇒ 68 % décédés · à 12 mois = 0,08 ⇒ 92 % décédés dans l'année. Le geste : temps sur l'axe des x, monter jusqu'à la courbe, lire sur l'axe des y. ✓ Python
🎙️ ORAL (31:05 → 33:10)
« Les marches d'escalier, on ne les distingue pas trop parce qu'en fait, elles sont très, très rapprochées. » · « À deux mois, la survie est de 66 %, ce qui veut dire que le risque de décéder dans les deux premiers mois, c'est 34 %. […] À 12 mois, 8 % seulement de survie. 92 % des patients et des patientes sont décédés dans la première année. »
⚠️ PIÈGE
« Décès entre t₁ et t₂ » = survie(t₁) − survie(t₂), pas la survie à t₂ : annale 2021 Q9, « 20 % meurent entre 1 et 4 ans » alors que A passe de 90 % à 60 % ⇒ 30 %. Et la question peut parler de mortalité (1 − survie) : lire l'axe.
📝 TOMBE EN QCM
questions11 ex. 1 (0,60 à 6 mois, risque 0,40), annales 2021 Q9 = 2024 Q26 (option B), 2023 Q24 (options A et D : mortalité 70 % / « moralité » 50 % à 1 an). Diapos 2.0 d.18, C11-Q4, C11-Q5, C11-Q8.
⬜

Une marche plus haute = plusieurs événements au même temps

~3 min
📊 DIAPOS d.19
Une marche plus grande que la suivante : plusieurs événements observés à ce temps-là. Les temps sont arrondis (au jour) : plusieurs décès peuvent tomber le même jour et faire une grande marche.
🎙️ ORAL (33:10)
« C'est une marche d'escalier qui est plus haute que la suivante, ce qui veut dire qu'à ce moment-là, on a eu plus d'événements. […] C'est rare d'avoir la donnée de décès à l'heure, à la minute près, donc avec les arrondis sur les durées, on peut avoir des marches d'escalier assez importantes. »
⚠️ PIÈGE
Une grande marche ne signifie pas « le risque instantané a augmenté durablement » : elle signifie plus d'événements à cet instant — et, s'il reste peu de patients à risque, une seule mort fait déjà une grande marche (d.40 : 1/6).
📝 TOMBE EN QCM
K′ de lecture d'escalier. Diapos 2.0 d.19, C11-Q3.
⬜

Le temps médian de survie : le temps où la courbe passe par 0,50

~5 min
📊 DIAPOS d.20
Temps médian de survie = temps auquel la moitié des patients ont eu l'événement. Lecture : on part de 0,50 sur l'axe des y, on rejoint la courbe, on descend sur l'axe des x : ici 3 mois. Même logique que la médiane d'une variable continue (Ch2).
🎙️ ORAL (34:11 → 35:14)
« Le temps médian de survie, c'est le temps en deçà duquel 50 % des patients sont décédés et 50 % des patients sont encore vivants. […] C'est la valeur sur l'axe des X qui correspond à une survie de 50 %. » · « C'est à peu près trois mois. »
⚠️ PIÈGE
Annale 2021 Q9 option A : « temps médian de survie dans B est de 2 ans » alors qu'à 2 ans B est encore à ≈ 65 % : FAUX. Annale 2023 Q24 : « âge médian de survie » — le corrigé veut dire temps médian ; A ≈ 3 ans, B ≈ 2 ans ⇒ un an de plus (clé C). Survie et temps se lisent sur des axes différents.
📝 TOMBE EN QCM
questions11 ex. 1 (médiane ≈ 8-9 mois) et ex. 3 (24 vs 36 mois) ; les trois annales. Diapos 2.0 d.20, C11-Q5, C11-Q8, C11-Q22.
⬜

Quand la médiane n'est pas définie — et l'axe qui commence à 0,4

~5 min
📊 DIAPOS d.21
Stents à relargage de drogue, événement MACE : la courbe atteint 0,75 à 50 mois ⇒ le temps médian n'est pas défini (la courbe ne descend jamais jusqu'à 0,50). La plupart des MACE surviennent entre 6 et 24 mois ; plancher ≈ 70 %. ⚠️ L'axe des y commence à 0,4, pas à 0.
🎙️ ORAL (35:14 → 38:20)
« Le temps médian de survie, il n'est pas toujours défini. Pour qu'il soit défini, il faut que la courbe de survie tombe jusqu'à 50 % de survie. » · « Méfiez-vous de l'échelle des axes. Elle commence à 0,4, ce qui peut donner une interprétation un peu fausse. » · « Gardez l'esprit critique et ne croyez pas tout ce qu'on vous dit. »
⚠️ PIÈGE
« Médiane non définie » ≠ « médiane = durée du suivi » ≠ « médiane = 0,75 ». Même piège d'axe sur LHS (d.51 : de 0,8 à 1, la courbe « finit vers 0,85 » et non « les trois quarts sont morts »).
📝 TOMBE EN QCM
C11-Q6 (plafond 0,72 ⇒ médiane non définie). Diapos 2.0 d.21.
▶

N6 · ⭐⭐ Risque constant par unité de temps, résumé, et les liens risque · survie · taux

d.22-26
0/3
⬜

Risque constant 40 %/mois : 0,60 → 0,36 → 0,22 → 0,13, une courbe arrondie, jamais une droite

~7 min
📊 DIAPOS d.22-23
1 000 patients, 40 % par mois. 1ᵉʳ mois : 400 événements, 600 sans ⇒ 0,60 · 2ᵉ mois, parmi les 600 : 240, 360 ⇒ 0,36 · 3ᵉ : 144, 216 ⇒ 0,22 · 4ᵉ : 86, 130 ⇒ 0,13. Le risque se réapplique aux survivants : survie = 0,6ᵗ, forme arrondie (exponentielle). Glioblastome : ≈ 0,16 par mois, la courbe rouge épouse l'escalier — cas particulier, le risque par unité de temps n'est pas toujours constant. ✓ Python (0,6⁴ × 1 000 = 129,6 ; 40 % de 216 = 86,4 — écart d'arrondi déclaré)
🎙️ ORAL (38:20 → 42:31)
« On pourrait penser que cette courbe [linéaire] correspond à la situation où le risque d'événement est régulier au cours du temps. En fait, ce n'est pas vrai. » · « Il faut que je l'applique aux 600 patients qui sont encore vivants à un mois. […] La différence se tasse. » · « Je ne peux pas finir par avoir des survies négatives. » · « Quel que soit le mois, on a toujours 16 % de risque de décéder chaque mois. […] C'est même assez rare de trouver cette forme. »
⚠️ PIÈGE
« Risque constant ⇒ courbe droite qui atteint 0 à 2,5 mois » est le faux raisonnement de la d.22 (1 − 3 × 0,40 = −0,20 n'existe pas). La courbe s'aplatit et ne devient jamais négative.
📝 TOMBE EN QCM
C11-Q7 (K′ : 0,36 à 2 mois, 144 au 3ᵉ mois, jamais négative) ; famille v3 « risque constant p par mois ». Diapos 2.0 d.22-23.
⬜

Le résumé de la première partie — et ce que la courbe « est »

~4 min
📊 DIAPOS d.24-25
Méthode appropriée pour la survenue d'un événement au cours du temps ; l'événement peut être autre que le décès (récidive). Le temps d'origine doit faire sens cliniquement. Une courbe de survie est : estimée sur l'échantillon · la proportion de patients sans événement en fonction de la durée de suivi · une représentation de la distribution du temps de survenue. Sa forme informe sur la fréquence et le moment. d.25 : photo d'escalier, rien à retenir.
🎙️ ORAL (42:31 → 44:34)
« Il faut que vous sachiez interpréter ces courbes de survie. Ça permet de voir d'un simple coup d'œil la quantité d'événements, […] quand est-ce que se produisent les événements ? » · « Le temps d'origine, c'est le zéro sur l'axe des X. Il faut que vous soyez au clair sur quel est le sens de ce temps zéro. » · « On peut très bien calculer des intervalles de confiance des survies estimées. »
⚠️ PIÈGE
« Analyse de survie » ne veut pas dire que l'événement est la mort : un QCM « l'analyse de survie ne s'applique qu'à la mortalité » est faux (d.7, d.24, d.21 MACE).
📝 TOMBE EN QCM
Diapos 2.0 d.24, C11-Q2 ; la digression sur les vaccinés hospitalisés (1:00:00) est hors programme.
⬜

Les liens : risque (même durée pour tous) · courbe (le risque à tous les t) · taux (durées variables)

~5 min
📊 DIAPOS d.26
Risque : pour une période d'observation la même pour tous. Courbe de survie : survie (= 1 − risque) en fonction du délai. Taux d'incidence : risque par unité de temps, cas par X personnes-temps, tient compte de la durée de suivi. Le problème qui vient : comment tracer la courbe quand les suivis diffèrent ?
🎙️ ORAL (1:02:05 → 1:03:06)
« Le taux d'incidence, ça va capter une certaine caractéristique de l'événement. C'est sa rapidité à survenir, sa dangerosité, sa fréquence. […] Pour parler de risque à un an, tout le monde doit être suivi un an. Du coup, ça va poser des problèmes pour le calcul de la courbe de survie. Mais heureusement, il y a une solution qui est d'une folle élégance. »
⚠️ PIÈGE
Avec des suivis de 2 mois à 5 ans, on ne peut pas calculer « le risque à 1 an comme la proportion de malades parmi les inclus » ; on peut calculer un taux ou une courbe de Kaplan-Meier.
📝 TOMBE EN QCM
C11-Q9, questions11 ex. 5 (quelle mesure pour quel critère). Diapos 2.0 d.26.
▶

N7 · ⭐⭐⭐ Observations incomplètes : la censure (fin d'étude, perte de suivi)

d.27-29
0/3
⬜

La censure : deux causes, une définition, et ce qu'elle n'est pas

~5 min
📊 DIAPOS d.27
Le temps de survenue de l'événement n'est pas connu si : ① le patient arrive à la fin de l'étude sans avoir eu l'événement ; ② le suivi s'arrête en cours d'étude sans événement (retrait, perte de suivi, déménagement…). Les données sont censurées. Une censure n'est pas un événement : c'est un suivi qui s'arrête sans événement observé.
🎙️ ORAL (1:03:06 → 1:05:10)
« Soit le patient arrive à la fin de l'étude vivant, et on ne sait pas si après il va faire l'événement. Ça, c'est moins grave. […] L'autre situation qui est un peu plus embêtante du point de vue statistique, c'est lorsque les patients quittent l'étude de manière précoce et ils en ont tout à fait le droit. […] Ils sont au lac parce qu'il fait beau. » · « On appelle les données obtenues des données censurées. »
⚠️ PIÈGE
Censuré ≠ « retiré de l'analyse » ≠ « compté comme événement ». On sait qu'il était sans événement jusqu'à sa sortie, et Kaplan-Meier garde cette information (d.42).
📝 TOMBE EN QCM
C11-Q10 (les deux causes), C11-Q16 (les croix). Annale 2021 Q9 option E parle de « données censurées » : c'est Kaplan-Meier qui les gère. Diapos 2.0 d.27.
⬜

Censure de fin d'étude : la « bonne » censure, indépendante de l'état de santé

~4 min
📊 DIAPOS d.28
L'étude a une date de fin : les recrutés tard ont un suivi plus court que prévu (partie non observée grisée). Recalées à 0, ces observations donnent des durées plus courtes terminées par une croix : sans événement jusque-là, rien après. Cette censure est indépendante de l'état de santé : la date de fin a été fixée avant l'étude.
🎙️ ORAL (1:05:10, 1:18:32 → 1:19:32)
« On programme que l'étude s'arrêtera le 1ᵉʳ décembre 2025. Ça veut dire que les patients qui ont été recrutés un peu tard, ils vont avoir une durée de suivi incomplète. » · « La date de la fin de l'étude, c'est complètement indépendant de l'état de santé du patient. Ça a été décidé avant même de conduire l'étude. »
⚠️ PIÈGE
« On va peut-être même passer à côté d'événements chez certains patients : ils le font juste après la fin de l'étude » — ce n'est pas un biais, c'est une information manquante gérée par la méthode.
📝 TOMBE EN QCM
C11-Q10 (proposition « indépendante de son état de santé » → VRAI). Diapos 2.0 d.28.
⬜

Perte de suivi : « survie à 5 mois : ? » — la méthode de la première partie ne marche plus

~5 min
📊 DIAPOS d.29
Deuxième cause : sortie prématurée (retrait, perdu de vue). Comment calculer la survie à 5 mois ? Parmi 6 patients : 1 a eu l'événement avant 5 mois, 2 sont connus sans événement à 5 mois, 2 sont sortis avant 5 mois : on ne sait pas. Un risque « 1/6 » ou « 3/6 » serait faux.
🎙️ ORAL (1:07:13 → 1:08:14)
« Comment on peut calculer la survie à cinq mois ? Là, ça pose un problème. La méthode que je vous ai montrée à la première partie de la séance, ça ne marche plus. […] On en a deux chez qui on ne sait pas. »
⚠️ PIÈGE
Compter les censurés comme vivants (1/6) surestime la survie ; les compter comme morts (3/6) la sous-estime ; les exclure (1/4) jette l'information qu'ils ont donnée. Aucune des trois n'est acceptable : d'où Kaplan-Meier.
📝 TOMBE EN QCM
C11-Q9 (option A : proportion parmi les inclus → FAUX), C11-Q10. Diapos 2.0 d.29.
▶

N8 · ⭐⭐ Kaplan-Meier : le principe, le calcul (hors examen) et l'hypothèse d'indépendance

d.30-42
0/4
⬜

Le principe de Kaplan-Meier : découper, estimer par intervalle, multiplier

~5 min
📊 DIAPOS d.30
Objectif : estimer la courbe de survie en tenant compte des données censurées. Principe : découper le suivi en intervalles aux moments d'événement ou de censure · pour chaque intervalle, estimer la probabilité de ne pas avoir l'événement · calculer la survie par le produit de ces probabilités. Le calcul (d.31-40) est hors examen ; le principe et l'hypothèse (d.41-42) sont au programme.
🎙️ ORAL (1:08:14 → 1:09:15)
« Deux statisticiens, Kaplan et Meier, ont développé une méthode statistique qui permet d'estimer la courbe de survie malgré le fait qu'on ait des données censurées. Le principe, c'est de découper la durée d'observation en petits intervalles et pour chaque intervalle, on va regarder la survie au sein de chaque intervalle et puis on va agréger tout ça. » · « Vous n'avez pas besoin de savoir faire ce calcul pour l'examen. »
⚠️ PIÈGE
Kaplan-Meier estime ; le log-rank compare. L'option E des annales jumelles (« construire les courbes avec le log rank ») teste exactement cette confusion. L'année de la méthode (1958 en réalité) n'est pas dans le cours : ne pas l'apprendre (écart déclaré).
📝 TOMBE EN QCM
Annales 2021 Q9 = 2024 Q26 option E ; questions11 ex. 2 (KM marche aussi sans censure). Diapos 2.0 d.30, C11-Q11, C11-Q13.
⬜

Le calcul du cours (hors examen, mais il fait comprendre) : 9/10 × 7/8 × 5/6 = 0,66, pas 0,70

~8 min
📊 DIAPOS d.31-40 🗑️
10 patients ; événements à 1, 3, 4 mois ; censures à 2 et 3 mois ; 5 suivis 4 mois sans événement. Intervalles 0-1 · 1-2 · 2-3 · 3-4. À 1 mois : 1 événement parmi 10 ⇒ 0,90. À 2 mois : censure ⇒ pas de marche, 8 à risque. À 3 mois : 1 parmi 8 ⇒ 7/8 ; survie = 0,90 × 7/8 = 0,79 (« survivre 0-3 = survivre 0-2 ET 2-3 » ⇒ produit) ; nouvelle censure ⇒ 6 à risque. À 4 mois : 1 parmi 6 ⇒ 5/6 ; survie = 0,79 × 5/6 = 0,66. Le naïf « 3 sur 10 ⇒ 0,70 » est faux. ✓ Python (produit exact 9/10 × 7/8 × 5/6 = 0,656 ; le cours arrondit 0,88 et 0,83 en route — écart déclaré)
🎙️ ORAL (1:09:15 → 1:15:25)
« Une censure, ce n'est pas un événement. Donc, il n'y aura pas de marche d'escalier. […] Par contre, je ne suis plus que huit patients vivants. » · « Je ne peux pas affirmer qu'elle tombe à deux sur dix. […] Il est sorti de l'étude à deux mois. Je ne peux pas le compter comme étant vivant à trois mois. Je n'ai pas le droit. » · « Trois événements parmi dix, ça me ferait un risque de 30 pour cent, une survie de 70. Ben non, le calcul serait faux. »
⚠️ PIÈGE
« Vous n'aurez pas de questions là-dessus. Sur le calcul » (1:15:25). Ce qui peut tomber : le principe (produit de probabilités conditionnelles sur les patients encore observés), et que la censure retire un patient du dénominateur sans faire descendre la courbe.
📝 TOMBE EN QCM
C11-Q11 (K′ sur le principe, avec les nombres du cours). Diapos 2.0 d.31-40.
⬜

L'hypothèse : censure indépendante du risque — le contre-exemple de la sortie d'hôpital

~7 min
📊 DIAPOS d.41
Kaplan-Meier suppose censure et risque d'événement indépendants. Contre-exemple : survie à 3 mois après admission, patients perdus de vue après la sortie ; ils sortent parce qu'ils vont bien ⇒ la survie des censurés est plus élevée ⇒ « la survie à 3 mois vaut 0 !! » — un artefact. Si l'hypothèse est violée, KM produit une estimation incorrecte. Aucun moyen statistique de le vérifier : lire les raisons de sortie décrites par les auteurs.
🎙️ ORAL (1:15:25 → 1:19:32)
« Quelqu'un qui sort de l'étude à un moment donné, il doit avoir le même risque de développer l'événement que ceux qui restent dans l'étude. » · « Vous allez trouver une survie qui va tomber à zéro, mais c'est un artefact. » · « Des infirmières qui se déplaçaient à vélo au domicile des participantes pour recueillir l'information. » · « Si les patients ne supportent pas le traitement expérimental et décident de quitter l'étude, il y aurait un biais à suspecter. »
⚠️ PIÈGE
Le contre-exemple ne dit pas « tout le monde meurt à l'hôpital » : ceux qu'on continue d'observer sont les plus à risque, et la courbe ne décrit plus qu'eux. Même condition pour le log-rank (d.44) et le modèle de Cox.
📝 TOMBE EN QCM
C11-Q12 ; questions11 ex. 4 (2ᵉ condition d'invalidité du log-rank). Séance 12 (08:06) : « il faut savoir interpréter si ce résultat est valide ». Diapos 2.0 d.41.
⬜

Le résumé Kaplan-Meier en quatre phrases — « sans perdre de l'information »

~4 min
📊 DIAPOS d.42
Souvent la durée de suivi varie d'un patient à l'autre. Suivi arrêté sans événement = observation incomplète (censurée). Kaplan-Meier estime la courbe en tenant compte des censures. Elle suppose que la cause de la censure n'est pas liée au risque (censurés et non censurés ont le même risque). questions11 ex. 2 : « ne peut être estimée que si des personnes sont censurées » → FAUX.
🎙️ ORAL (1:19:32 → 1:20:32 ; séance 12, 08:06)
« Ça permet de gérer, d'intégrer les suivis incomplets sans perdre de l'information. Quelqu'un qui sort de l'étude au bout de trois mois, on va tenir compte de l'information que pendant trois mois, il a été suivi et il n'a pas fait l'événement. Les données, ça coûte. » · « La méthode va toujours vous cracher une courbe de survie, mais après il faut savoir interpréter si ce résultat est valide. »
⚠️ PIÈGE
Sans censure, on peut construire la courbe « à la main » (N4) et Kaplan-Meier donne le même résultat : KM n'est pas réservée aux données censurées.
📝 TOMBE EN QCM
questions11 ex. 2 (proposition 2) ; C11-Q13. Diapos 2.0 d.42.
▶

N9 · ⭐⭐⭐ Comparer deux courbes : ECOG, test du log-rank, résumés de groupe

d.43-49
0/4
⬜

Comparer deux courbes : pourquoi, et comment décrire l'écart avant de tester

~5 min
📊 DIAPOS d.43
Objectifs : évaluer une association exposition–survie (une courbe chez les exposés, une chez les non-exposés) · évaluer l'effet d'une intervention (une courbe par bras). Décrire la différence : différence des temps médians · différence de survie à certains temps. Puis un test (log-rank) — et une mesure d'association (hazard ratio).
🎙️ ORAL (1:21:35)
« Le test statistique, c'est une chose, mais ça ne vous dit rien de la pertinence clinique de l'association qui est détectée. […] Plus les temps médians de survie sont éloignés dans les deux groupes et plus la différence entre les courbes de survie va être importante. […] Les auteurs vont pointer des survies à des temps particuliers, à un an, par exemple, ou à six mois. »
⚠️ PIÈGE
Trois choses différentes : décrire (médianes, survies à t), tester (p du log-rank), mesurer (HR). Un p < 0,05 ne dit pas « de combien ».
📝 TOMBE EN QCM
questions11 ex. 3 (deux médianes ne suffisent pas : « il faut toujours regarder les courbes »). Diapos 2.0 d.43, C11-Q22.
⬜

Le test du log-rank : H₀ = courbes identiques, principe du χ², deux conditions

~7 min
📊 DIAPOS d.44
Compare 2 ou plus courbes de survie (N. Mantel, 1966). H₀ : égalité des courbes de survie dans les populations comparées. Principe analogue au χ² : événements attendus sous H₀ à chaque temps d'événement, statistique = écart observés − attendus, valeur p. p < 0,05 ⇒ H₀ rejetée. Applicable avec ou sans censure. Inapproprié si les courbes se croisent clairement ou si censure et risque ne sont pas indépendants.
🎙️ ORAL (1:23:39 → 1:26:43)
« Le test du log-rank suit un peu le même principe que le test du χ² : on va reconstruire des données qu'on s'attendrait à observer si l'hypothèse nulle était vraie. » · « La méthode du test du log-rank et la méthode de Kaplan-Meier, ça marche aussi lorsqu'on n'a pas de données censurées. » · « Si vous avez des courbes de survie qui se croisent clairement, le test du log-rank va perdre un peu les pédales. Il n'est pas fait pour détecter des associations aussi complexes. »
⚠️ PIÈGE
H₀ porte sur les courbes entières, pas sur les médianes, ni sur la survie finale, ni sur le HR. Et le log-rank ne construit pas les courbes (annales jumelles, option E).
📝 TOMBE EN QCM
questions11 ex. 4 mot pour mot ; C11-Q14. Diapos 2.0 d.44.
⬜

ECOG 0-2 contre 3-4 : différence 0,28 à 6 mois, médianes 8 vs 4 mois, p < 0,0001

~7 min
📊 DIAPOS d.45-48
ECOG mesuré au début (3-4 = les plus sévères ; le détail de l'échelle est hors examen). À tout temps, la survie est plus élevée en ECOG 0-2 (courbe au-dessus). À 6 mois : 0,60 contre 0,32 ⇒ 0,28 · à 12 mois : 0,30 contre 0,05 ⇒ 0,25 · à 24 mois : proche de 0 dans les deux. Différence de survie à t = écart vertical. Temps médians : 8 mois contre 4 mois (lecture horizontale à 0,50, une fois par courbe). Log-rank : p < 0,0001, H₀ rejetée — le p ne dit pas de combien. ✓ Python
🎙️ ORAL (1:26:43 → 1:29:46)
« Les niveaux 3, 4, c'est les plus sévères. On s'attend à ce que la survie soit dégradée. » · « La différence de survie, ça va être l'écart vertical entre les deux courbes. On passe d'une survie de 60 % à une survie de 32 %. Ça fait une différence de survie à six mois qui est égale à 28 %. […] Il ne faut pas se fier à un seul time point. » · « Le temps médian de survie est de quatre mois dans un groupe et de huit mois dans l'autre. Il est doublé. »
⚠️ PIÈGE
À 24 mois, « l'absence de différence » ne prouve rien : la différence s'est jouée avant. Et la médiane de 4 mois est celle du groupe 3-4, pas du 0-2.
📝 TOMBE EN QCM
C11-Q15 (lecture des deux courbes), annale 2023 Q24 (médiane de A un an de plus que B). Diapos 2.0 d.46-48.
⬜

Une courbe en dessous ne veut pas dire « tous avant » — et les croix de censure

~5 min
📊 DIAPOS d.49
Une courbe en dessous d'une autre ne signifie pas que tous les patients d'un groupe ont l'événement avant ceux de l'autre (des 0-2 décèdent avant des 3-4). Les mesures d'association sont des résumés de groupe, jamais une conclusion individuelle. Les censures sont représentées par des croix : à cet instant quelqu'un est sorti (la croix ne dit pas pourquoi). Peu de croix = peu de suivis incomplets.
🎙️ ORAL (1:30:49 → 1:32:54)
« Ça ne veut pas dire que tous les individus qui sont dans le groupe 0-2 survivent plus longtemps que les individus qui sont dans le groupe 3-4. […] Ce sont des indicateurs de moyenne populationnelle, de groupe. » · « Une croix, ça veut dire qu'à ce moment-là, il y a quelqu'un qui est sorti de l'étude. Pour une raison X ou Y, ça, la croix ne le dit pas. »
⚠️ PIÈGE
Une croix n'est pas un décès (un décès = une marche). Et « les gens de B meurent en moyenne plus vite qu'en A » est exactement la formulation de groupe correcte — c'est la clé C des annales jumelles.
📝 TOMBE EN QCM
Annales 2021 Q9 = 2024 Q26 (option C), C11-Q16. Diapos 2.0 d.49.
▶

N10 · ⭐⭐ Lung Health Study, hazard ratio, SENIOR, modèle de Cox

d.50-56
0/4
⬜

LHS : courbe au-dessus = meilleure survie, +2 % à 14 ans, log-rank p = 0,031, deux pièges d'axe

~7 min
📊 DIAPOS d.50-51
Essai randomisé d'une intervention d'arrêt du tabac (special intervention vs usual care), 5 887 volontaires, 10 centres, suivi 14,5 ans, événement = décès. Courbe globalement au-dessus = meilleure survie (intervention). Différence absolue à 14 ans : 0,02 — 461/3 923 = 11,8 % contre 270/1 964 = 13,7 % ; log-rank p = 0,031. Courbes superposées les 5 premières années ; axe des y de 0,8 à 1 (la courbe finit vers 0,85). ✓ Python
🎙️ ORAL (1:32:54 → 1:35:55)
« La valeur P du test de log-rank 0,03, c'est plus petit que 0,05. L'hypothèse nulle d'égalité des courbes de survie est rejetée. » · « On a l'impression que ça remonte, mais c'est un artefact, un effet d'optique. Une courbe de survie, ça ne peut pas remonter. » · « L'intervention n'a aucun effet sur les cinq premières années. […] La survie, elle s'arrête à 0,85. » · « À 14 ans, on a une différence absolue de 2 %. »
⚠️ PIÈGE
Des milliers de patients ⇒ des marches minuscules, courbe « quasiment lisse » : ce n'est pas une courbe de population, c'est toujours un escalier estimé. Et « significatif » (p = 0,03) avec 2 % d'écart absolu : petite ampleur, effet réel.
📝 TOMBE EN QCM
C11-Q17. Diapos 2.0 d.51.
⬜

Le hazard ratio : 1 = identique, > 1 = facteur de risque, < 1 = protecteur

~6 min
📊 DIAPOS d.52
Différences de survie à t et de médianes : utiles mais partielles. Le log-rank teste H₀, ne mesure pas l'ampleur. Mesure d'association : rapport des risques instantanés (hazard ratio) — idée proche du rapport des taux d'incidence · tient compte du moment de survenue et des durées de suivi · liée à la séparation des courbes. HR = 1 : survie identique · HR > 1 : survie plus basse chez les exposés ⇒ facteur de risque · HR < 1 ⇒ facteur protecteur.
🎙️ ORAL (1:36:58 → 1:38:01)
« En anglais, ça s'appelle le hazard ratio. Il va s'interpréter par rapport à la valeur 1. Lorsque le hazard ratio va être plus grand qu'un, ça veut dire que la survie chez les exposés est dégradée par rapport à la survie chez les non-exposés. Graphiquement, les exposés auront une courbe de survie qui va être en dessous. »
⚠️ PIÈGE
Un HR n'est pas une différence de survie à un temps : « HR 0,69 = 69 % d'événements en moins à 1 an » est faux. Valeur neutre 1 (comme RR et ratio de taux), pas 0.
📝 TOMBE EN QCM
C11-Q18 (K′ sens et référence), questions11 ex. 5 (le HR est la mesure appropriée quand les durées diffèrent). Diapos 2.0 d.52.
⬜

HR 2,18 (ou 0,46 : quelle référence ?) et HR 1,18 = 10,38 / 8,83, un ratio de taux

~8 min
📊 DIAPOS d.53-54
ECOG : HR = 2,18 (IC 95 % 1,64 à 2,91), survie péjorée en 3-4 par rapport à 0-2 (HR > 1, IC excluant 1). Dans l'autre sens : 1/2,18 = 0,46. Toujours se demander : quelle est la référence ? LHS : taux de décès 10,38 (usual care) contre 8,83 (intervention) pour 1 000 personnes-années, p = 0,03 ; HR de la mortalité usual care par rapport à intervention = 1,18 (IC 1,02 à 1,37) — et 10,38 / 8,83 = 1,18 : le HR se lit comme un ratio de taux d'incidence. L'IC « tutoie » 1 : efficacité réelle, ampleur incertaine. ✓ Python
🎙️ ORAL (1:38:01 → 1:41:09)
« Le taux d'incidence est 2,2 fois plus important dans le groupe 3-4 que dans le groupe 0-2. » · « Il faut toujours s'interroger quand on lit une mesure d'association. Quelle est la référence ? On regarde quoi ? Par rapport à quoi ? […] 1 divisé par 2,2, ça fait à peu près 0,5. Mathématiquement, ça revient à inverser le hazard ratio. C'était pareil pour le risque relatif. » · « Vous faites le ratio entre les deux, 10,4 divisé par 8,8 et vous allez retomber sur 1,2. »
⚠️ PIÈGE
ÉCART DÉCLARÉ : à l'oral, 10,4 est attribué à l'intervention et 8,8 au groupe usual care — la diapositive (et l'article) disent l'inverse ; c'est la diapositive qui fait foi. Et « 2,2 » / « 0,5 » sont les arrondis oraux de 2,18 / 0,46.
📝 TOMBE EN QCM
C11-Q18, C11-Q19 (10,38 / 8,83 = 1,18). Diapos 2.0 d.53-54.
⬜

SENIOR (le risque cumulé au lieu de la survie) et le modèle de Cox

~7 min
📊 DIAPOS d.55-56
SENIOR : stents à relargage vs stents nus chez le sujet âgé ; la figure montre le risque cumulé qui monte. Risque = 1 − survie : information équivalente, interprétation du HR identique. HR = 0,69 (IC 0,51 à 0,94), p = 0,02 : protecteur pour les stents à relargage. Sous la figure, le nombre à risque (596 et 604 à J0). Le HR s'estime par le modèle de régression de Cox (hazard proportionnel : approprié si l'écart se creuse régulièrement) ⇒ HR avec IC 95 % ; modèle multiple ⇒ contrôle de la confusion ; comme le log-rank, pas valide si les courbes se croisent.
🎙️ ORAL (1:42:12 → 1:44:14)
« On parlera d'incidence cumulée parce qu'on regarde le risque en cumulant les événements. Mais derrière, c'est du Kaplan-Meier. […] Les stents à relargage de drogue ont un risque plus faible que les stents classiques. Donc, le 0,7, c'est protecteur. » · « Le modèle de Cox, c'est un modèle de régression comme les autres, mais qui est adapté aux données de survie. Il va permettre de contrôler, de neutraliser des phénomènes de confusion. […] Ces modèles de Cox ne sont pas valides lorsqu'on a des courbes de survie qui se croisent. »
⚠️ PIÈGE
Une courbe qui monte n'est pas une courbe de survie croissante (interdite) : c'est 1 − survie. L'IC 0,51-0,94 exclut 1 : significatif même si 0,94 est proche de 1. Trois régressions : linéaire (Ch6, continue) · Cox (Ch11, survie) · logistique (Ch12, binaire).
📝 TOMBE EN QCM
C11-Q20, C11-Q21. Diapos 2.0 d.55-56.
▶

N11 · Messages-clés et prochain cours

d.57-58
0/1
⬜

Les messages — trois types de données, trois outils — et le pont vers le Ch12

~4 min
📊 DIAPOS d.57-58
Les données de survie exigent des méthodes spécifiques. Une courbe estimée représente la fréquence et le moment des événements. Souvent une partie des participants ont un suivi incomplet (censure). Kaplan-Meier (estimer), log-rank (tester), hazard ratio (mesurer). Prochain cours : études cas-témoins, odds ratio, régression logistique (Petrie/Sabin 16 et 30).
🎙️ ORAL (1:45:15 → 1:47:21)
« Vous avez les données binaires, vous avez des données continues et vous avez les données de survie. […] Kaplan-Meier, modèle de Cox, test du log-rank. Ça, c'est presque la technique. Mais l'intérêt, c'est de pouvoir représenter graphiquement la dynamique de survenue de l'événement. » · « Ça fait partie du travail de lecture critique d'articles, de s'interroger sur le risque de biais. »
⚠️ PIÈGE
Pour un même critère « efficacité d'un traitement », la mesure dépend du type du critère : binaire à durée commune ⇒ DR/RR/RRR/NNT · événement au cours du temps ⇒ ratio de taux ou HR · continu ⇒ différence de moyennes (questions11 ex. 5).
📝 TOMBE EN QCM
questions11 ex. 5 ; C11-Q21. Diapos 2.0 d.57-58.

📝 LES 5 EXERCICES OFFICIELS (questions11) — résolus, confrontés au corrigé du prof et à Python

Le fichier questions11 (« Estimation ») contient cinq exercices, chacun avec le corrigé du prof sur la diapositive suivante. Tout a été recalculé en Python (verif_ch11.py) : aucun écart numérique — un écart de numérotation, déclaré (exercice 5). L'exercice 1 se lit sur la courbe du glioblastome (d.20).
questions11 · exercice 1 — lire la courbe du glioblastome · 0,60 · 0,40 · 8-9 mois

Énoncé. La courbe de survie représentée à gauche montre que : 1) la survie à 6 mois est approximativement 0,60 · 2) le risque sur les 6 premiers mois est approximativement 0,40 · 3) le temps médian de survie est approximativement 8 ou 9 mois. Répondez par vrai ou faux à chaque affirmation.

Corrigé du prof (mot pour mot). 1. VRAI. La valeur de la courbe sur l'axe des y correspondant à 6 mois (axe des x) est bien 0,60. 2. VRAI. Pour une durée fixée (par ex. 6 mois), le risque est égal à 1 moins la survie sur cette même durée. Comme 1 − 0,60 = 0,40, la réponse est VRAI. 3. VRAI. La valeur sur l'axe des x correspondant à une survie de 0,50 (axe des y) est environ 8 ou 9 mois. ✓ Python (1 − 0,60 = 0,40)

Les deux gestes du chapitre : vertical pour une survie, horizontal à 0,50 pour la médiane. Diapos 2.0 C11-Q4.

questions11 · exercice 2 — trois affirmations sur la courbe estimée · F · F · F

Énoncé. Les affirmations suivantes sont-elles vraies ou fausses ? 1) une courbe de survie estimée atteint toujours une survie de 0 · 2) une courbe de survie ne peut être estimée que si des personnes sont censurées · 3) une courbe de survie peut être croissante à certains moments.

Corrigé du prof (mot pour mot). 1) FAUX. La période d'observation peut ne pas être suffisamment longue pour que tous les événements se produisent pendant le suivi. Pour certains événements, il n'y a pas de raison qu'ils se produisent chez tous les patients (par ex. tous les hommes n'ont pas forcément un événement cardio-vasculaire dans leur vie). 2) FAUX. La méthode de Kaplan-Meier permet d'estimer la courbe de survie en présence de données censurées mais s'il n'y a pas de données censurées, on peut calculer le risque à chaque temps en utilisant la méthode vue dans le cours 10 et construire la courbe de survie. La méthode de Kaplan-Meier fonctionne aussi lorsqu'il n'y a pas de données censurées. 3) FAUX. Le nombre d'événements ne peut qu'augmenter (ou rester stable) avec le délai depuis l'entrée dans l'étude. Donc, le risque augmente (ou reste stable) et la survie diminue (ou reste stable). Les marches d'escalier d'une courbe de survie estimée ne peuvent que descendre à chaque fois qu'un événement se produit.

Les trois propriétés de la d.12 + le résumé de la d.42. Diapos 2.0 C11-Q13.

questions11 · exercice 3 — temps médians 24 mois contre 36 mois · « il faut toujours regarder les courbes »

Énoncé. Dans une étude comparant une nouvelle intervention à un traitement de référence chez des patients atteints d'une certaine maladie, les auteurs analysent la survie (événement : décès) des patients depuis le moment du diagnostic. Ils trouvent un temps médian de survie de 24 mois avec le traitement de référence et 36 mois avec la nouvelle intervention. 1) Interprétez ces temps médians de survie. 2) Pouvez-vous affirmer à partir de ces seuls résultats que l'estimation de la survie avec la nouvelle intervention est plus élevée que l'estimation de la survie avec le traitement de référence pour n'importe quel temps depuis l'entrée dans l'étude ?

Corrigé du prof (mot pour mot). 1. La probabilité de décéder avant 24 mois est estimée à 0,50 avec le traitement de référence : avec ce traitement, on s'attend à ce que la moitié des patients décèdent dans les 24 mois suivant le diagnostic. Avec la nouvelle intervention, on s'attend à ce que la moitié des patients décèdent dans les 36 mois suivant le diagnostic. La différence entre ces temps médians est en faveur de la nouvelle intervention : il faut plus de temps avec la nouvelle intervention pour que la courbe de survie atteigne 0,50, la courbe de survie avec la nouvelle intervention est (au moins en partie) au-dessus de la courbe de survie avec le traitement de référence. 2. Les temps médians de survie informent sur une partie des courbes (points des courbes correspondant à une survie de 0,50). Il se pourrait que les courbes de survie se croisent au début du suivi ou à la fin. Même si les temps médians de survie sont une information pertinente, il faut toujours regarder les courbes de survie.

« Au moins en partie » : la réponse à la question 2 est non. Diapos 2.0 C11-Q22.

questions11 · exercice 4 — test du log-rank · H₀ et les deux conditions

Énoncé. Test du log-rank. 1) Quelle est l'hypothèse nulle testée ? 2) Sous quelles conditions l'application de ce test n'est pas valide ?

Corrigé du prof (mot pour mot). 1. L'hypothèse nulle est l'égalité des courbes de survie dans les populations comparées (1 courbe de survie par population comparée). Deux populations ou plus peuvent être comparées. 2. Le test du log-rank n'est pas valide si les courbes de survie se croisent clairement et/ou la censure et le risque d'événement ne sont pas indépendants.

La d.44 en deux phrases. Diapos 2.0 C11-Q14.

questions11 · exercice 5 — quelle mesure d'association pour quel critère de jugement · binaire · temps · continu

Énoncé. Quelles sont les principales mesures d'association vues dans les cours 1 à 11 qui sont appropriées pour capter l'efficacité d'un traitement (par ex. contre placebo) dans un essai clinique randomisé ?

Corrigé du prof (mot pour mot). 1. Les mesures d'association vues dans le cours 9 sont : différence de risque, risque relatif, NNT, réduction relative de risque. Ces mesures sont appropriées lorsque le critère de jugement de l'efficacité est une variable binaire (décès : oui/non…) et que tous les patients ont la même période de suivi. 2. La différence (ou le ratio) entre les taux d'incidence est aussi une mesure d'association (exemple cours 10), appropriée lorsque le critère de jugement est un événement qui se produit au cours du temps et que les patients n'ont pas tous la même durée de suivi. Le rapport des risques instantanés est une mesure d'association appropriée dans les mêmes conditions (cours 11). 3. Si le critère de jugement est une variable quantitative continue (par ex. taux de cholestérol), alors c'est la différence de moyenne entre les 2 bras de l'essai qui permettra de capter l'ampleur de l'efficacité (cf. exemple acupuncture/douleur, cours 4).

⚠️ ÉCART DÉCLARÉ : le corrigé dit « cours 9 » et « cours 10 » pour les mesures DR/RR/NNT/RRR et le taux d'incidence, qui sont tous deux dans notre Ch10 (numérotation décalée du fichier). Diapos 2.0 C11-Q21.

📜 LES 3 ANNALES DU CHAPITRE — mot pour mot, toutes graphiques, deux identiques

Sur les 43 questions de statistiques tombées au SFO en 2021, 2022, 2023 et 2024, trois portent sur ce chapitre. Les trois montrent deux courbes de survie (A et B) sur 4 ans et demandent de les lire ; 2021 Q9 et 2024 Q26 sont la même question, options comprises. Les graphiques ne figurent pas dans le retranscrit : ils ont été reconstitués d'après les valeurs du corrigé (Diapos 2.0, étiquetés « RECONSTITUÉ ») — ÉCART DÉCLARÉ : la clé C de 2023 Q24 ne peut pas être revérifiée graphiquement.
SFO 2021 Q9 — type A — essai sur 4 ans, courbes A (nouveau) et B (ancien) · clé C (« meurent en moyenne plus vite »)

Énoncé. Nous effectuons une étude clinique randomisée sur 4 ans pour comparer l'efficacité des traitements ancien et nouveau. À l'issue de cette étude, nous construisons les courbes de survie. La courbe A illustre la survie des patients ayant subi la nouvelle intervention et la courbe B celle de l'ancienne. Les patients commencent les traitements après avoir été diagnostiqués. En observant ces courbes de survie, on peut affirmer : A) Temps médian de survie dans le groupe B est de 2 ans · B) 20 % des patients en groupe A meurent entre 1 et 4 ans après le diagnostic · C) Les gens de B meurent en moyenne plus vite qu'en groupe A · D) Dans le groupe B tous les gens sont morts au bout de 4 ans · E) Pour construire ces courbes de survie à partir des données censurées, on a eu recours à la méthode de log rank.

C — bonne réponse. La courbe B est en dessous de A : résumé de groupe, « en moyenne plus vite » (d.49). A faux : à 2 ans, B ≈ 65 % — la médiane se lit à 50 %. B faux : A passe de 90 % à 60 % entre 1 et 4 ans ⇒ 30 %. D faux : B est encore ≈ 60 % à 4 ans. E faux : les courbes viennent de Kaplan-Meier ; le log-rank compare. ✓ clé officielle + Python (90 − 60 = 30)

📜 RETOMBE : 2024 Q26, mot pour mot. Diapos 2.0 C11-Q5.

SFO 2023 Q24 — type A — différence de survie entre deux groupes · clé C (médiane de A = B + 1 an)

Énoncé. Sur une étude portant sur la différence de survie entre deux groupes : A) La mortalité est de 70 % au bout d'un an dans le groupe A · B) Dans le groupe A, la mortalité est la même dans la première année que dans les 3 années suivantes · C) L'âge médian de survie dans le groupe A est d'un an de plus que dans le groupe B · D) La moralité est de 50 % au bout d'un an dans le groupe A · E) À la fin de l'étude (4 ans) tous les participants du groupe B seront décédés.

C — bonne réponse. Lecture horizontale à 0,50 sur chaque courbe : « âge médian » = temps médian, A ≈ 3 ans, B ≈ 2 ans. A faux (mortalité ≈ 20 % à 1 an, pas 70 %), B faux (les marches ne sont pas régulières), D faux — et le corrigé insiste : la proposition écrit « moralité », pas « mortalité » — lire chaque mot. E faux : la courbe B n'atteint pas 0. ✓ clé officielle

⚠️ ÉCART DÉCLARÉ : graphique absent du retranscrit (le corrigé écrit « graphiquement parlant, on peut s'en douter ») ; la figure des Diapos 2.0 est reconstituée pour être cohérente avec la clé. Diapos 2.0 C11-Q8.

SFO 2024 Q26 — type A — la même question que 2021 Q9 · clé C

Énoncé. Nous effectuons une étude clinique randomisée sur 4 ans pour comparer l'efficacité des traitements ancien et nouveau. La courbe A illustre la survie des patients ayant subi la nouvelle intervention, la courbe B celle de l'ancienne. En observant ces courbes de survie, on peut affirmer que : A) Le temps médian de survie dans le groupe B est de 2 ans · B) 20 % des patients en groupe A meurent entre 1 et 4 ans après le diagnostic · C) Les gens de B meurent en moyenne plus vite qu'en groupe A · D) Dans le groupe B, tous les gens sont morts au bout de 4 ans · E) Pour construire ces courbes de survie à partir des données censurées, on a eu recours à la méthode du log rank.

C — bonne réponse. Identique à 2021 Q9, corrigé compris : B à 2 ans ≈ 65 % → A faux · 90 − 60 = 30 % → B faux · B à 4 ans ≈ 60 % → D faux · Kaplan-Meier construit, le log-rank compare → E faux. ✓ clé officielle + Python

Une question tombée deux fois en quatre sessions : la question à savoir refaire les yeux fermés. Diapos 2.0 C11-Q5.

🎯 ANNALES CROISÉES — ce que les quatre années disent de ce chapitre

Ce qui ne tombera pas : le calcul de Kaplan-Meier pas à pas (d.31-40, « vous n'aurez pas de questions là-dessus »), la photo de l'escalier, le détail de l'échelle ECOG, la biographie de Cox.

Conclusion stratégique. Ce chapitre se révise comme un algorithme de lecture : ① que porte l'axe des y (survie ou risque cumulé ?) et d'où part-il (0 ? 0,4 ? 0,8 ?) ; ② survie à t = lecture verticale, risque à t = 1 − survie, décès entre t₁ et t₂ = différence de deux lectures ; ③ médiane = lecture horizontale à 0,50, non définie si la courbe reste au-dessus ; ④ croix = censure, marche = événement(s) ; ⑤ courbe du dessous = survie en moyenne moins bonne ; ⑥ Kaplan-Meier a construit, le log-rank a testé (p), le hazard ratio mesure (référence !), Cox l'a estimé. Les par-cœur payants sont peu nombreux : survie = 1 − risque, les trois propriétés, censure ≠ événement, l'hypothèse d'indépendance, H₀ du log-rank et ses deux conditions, HR = 1 / > 1 / < 1.

🧠 LE PAR-CŒUR PAYANT DU CHAPITRE

✅ CRITÈRES DE VERROUILLAGE DU CHAPITRE