Pronostic en cancérologie : apport des modèles à fragilité standards et conjoints

Research on cancer treatment has been evolving for last years in one main direction: personalised medicine. Thetreatment choice must be done according to the patients’ and tumours’ characteristics. This goal requires somebiostatistical developments, in order to assess prognostic models and eventually propose the best one. In a firstpart, we consider the problem of assessing a prognostic score when multicentre data are used. We extended twoconcordance measures to clustered data in the context of shared frailty model. Both the between-cluster andthe within-cluster levels are studied, and the impact of the cluster number and size on the performance of themeasures is investigated. In a second part, we propose to improve the prediction of the risk of death accountingfor the previous observed relapses. For that, we develop predictions from a joint model for a recurrent event anda terminal event. The proposed individual prediction is dynamic, both the time and the horizon of predictioncan evolve, so that the prediction can be updated at each new event time. The prediction is developed ona French hospital series, and externally validated on population-based data from English and Dutch cancerregistries. Its performances are compared to those of a landmarking approach. In a third part, we explore theuse of the proposed prediction to reduce the clinical trial duration. The non-observed death times of the lastincluded patients are imputed using the information of the patients with longer follow-up. We compared threemethods to impute the data: a survival mean time, a time sampled from the parametric distribution and atime sampled from a non-parametric distribution of the survival times. The comparison is made in terms ofparameters estimation (coefficient and standard-error), type-I error and power.La recherche sur le traitement des cancers a évolué durant les dernières années principalement dans une direction: la médecine personnalisée. Idéalement, le choix du traitement doit être basé sur les caractéristiques dupatient et de sa tumeur. Cet objectif nécessite des développements biostatistiques, pour pouvoir évaluer lesmodèles pronostiques, et in fine proposer le meilleur. Dans une première partie, nous considérons le problèmede l’évaluation d’un score pronostique dans le cadre de données multicentriques. Nous étendons deux mesuresde concordance aux données groupées analysées par un modèle à fragilité partagée. Les deux niveaux inter etintra-groupe sont étudiés, et l’impact du nombre et de la taille des groupes sur les performances des mesuresest analysé. Dans une deuxième partie, nous proposons d’améliorer la prédiction du risque de décès en tenantcompte des rechutes précédemment observées. Pour cela nous développons une prédiction issue d’un modèleconjoint pour un événement récurrent et un événement terminal. Les prédictions individuelles proposées sontdynamiques, dans le sens où le temps et la fenêtre de prédiction peuvent varier, afin de pouvoir mettre à jourla prédiction lors de la survenue de nouveaux événements. Les prédictions sont développées sur une série hospitalièrefrançaise, et une validation externe est faite sur des données de population générale issues de registres decancer anglais et néerlandais. Leurs performances sont comparées à celles d’une prédiction issue d’une approchelandmark. Dans une troisième partie, nous explorons l’utilisation de la prédiction proposée pour diminuer ladurée des essais cliniques. Les temps de décès non observés des derniers patients inclus sont imputés en utilisantl’information des patients ayant un suivi plus long. Nous comparons trois méthodes d’imputation : un tempsde survie moyen, un temps échantillonné dans une distribution paramétrique et un temps échantillonné dansune distribution non-paramétrique des temps de survie. Les méthodes sont comparées en termes d’estimationdes paramètres (coefficient et écart-type), de risque de première espèce et de puissance