Calculatrice gratuite Editverse
Calculateur de survie de Kaplan-Meier
Estimez la survie au fil du temps à partir de données censurées grâce à la courbe de Kaplan-Meier, la survie médiane et la commande R reproductible. Consultez le guide d'interprétation complet ci-dessous. Validé avec R 4.3.3.
En mots simples
L' estimateur de Kaplan-Meier calcule la probabilité de survie à chaque instant, l'événement pouvant être un décès, une rechute, une défaillance du dispositif ou tout autre événement ponctuel. Son principal atout réside dans la gestion de la censure : les sujets qui quittent l'étude prématurément ou pour lesquels l'événement n'a pas été observé à la fin continuent de contribuer à la durée de leur observation, au lieu d'être exclus de l'analyse.
On obtient ainsi une courbe en escalier : chaque palier correspond à un événement survenu, et la hauteur de la courbe représente la probabilité estimée de rester indemne d'événement jusqu'à ce moment. La médiane de survie est déterminée lorsque la courbe atteint 50 % . Pour comparer les courbes de deux groupes, le test du log-rank vérifie si leur différence dépasse ce que le hasard permettrait.
Quand utiliser la méthode Kaplan-Meier
Utilisez-le pour les données de survie , notamment lorsque le suivi est incomplet – caractéristique essentielle des études de survie. Il permet de répondre à des questions telles que la durée de la rémission ou la comparaison de deux traitements en termes de délai d'apparition d'un résultat. Associez la courbe au test du log-rank pour la comparaison des groupes et indiquez le nombre de sujets à risque sous le graphique.
La méthode de Kaplan-Meier décrit la survie et compare les groupes, mais elle ne permet pas de tenir compte d'autres variables. Pour estimer l'effet d'un traitement en contrôlant les facteurs de confusion, utilisez un modèle de Cox à risques proportionnels et indiquez le rapport de risque (hazard ratio) avec son intervalle de confiance à 95 % . Vérifiez l'hypothèse de proportionnalité des risques avant d'interpréter un seul rapport de risque. Vous hésitez à utiliser une analyse de survie ? Notre outil interactif de sélection de tests peut vous aider.
Résultat attendu : une ligne par enregistrement, heure, événement (1=événement, 0=censuré)[, groupe]
Déposez un fichier CSV ici ou cliquez pour en choisir un. Analyse effectuée dans votre navigateur : aucun fichier n’est téléchargé.
Résultat attendu : une ligne par enregistrement, heure, événement (1=événement, 0=censuré)[, groupe]
library(survival) df <- read.csv(text = "time,event,group {km_csv}") fit <- survfit(Surv(time, event) ~ group, data = df) summary(fit); survdiff(Surv(time, event) ~ group, data = df)Mode d'emploi
Quand l'utiliser ? Estimer la probabilité de survie au fil du temps à partir de données de temps jusqu'à l'événement censurées, et comparer les groupes à l'aide du test du log-rank.
Hypothèses. La censure est non informative ; les durées de survie sont mesurées à partir d’une origine commune.
Erreurs fréquentes. Ne considérez pas les sujets censurés comme exempts d'événements à la fin : la méthode en tient déjà compte.
Exemple concret
Cliquez sur « Charger les données d'exemple » ci-dessus, puis sur « Lancer l'analyse » pour afficher un résultat complet avec figure, formule et interprétation pour ce test.
Références
- Kaplan EL, Meier P. Estimation non paramétrique à partir d'observations incomplètes. J Am Stat Assoc. 1958;53:457-481.
Exemples travaillés
Exemple 1 — Survie médiane en lecture
Saisissez les dates des événements avec un indicateur de statut (1 = événement, 0 = censuré). La courbe décroît à chaque événement et reste plate entre eux. Le point où elle atteint pour la première fois 0.5 correspond à la médiane de survie. Si la courbe n'atteint jamais 0.5 pendant le suivi, la médiane est considérée comme « non atteinte » ; indiquez-le plutôt que d'extrapoler.
Exemple 2 — Comparaison de deux groupes
Dans un groupe traité et un groupe témoin, les deux courbes sont tracées conjointement et comparées par le test du log-rank sur toute la durée du suivi. Une faible valeur p indique une différence de survie ; il convient alors de l’associer au rapport de risque issu d’un modèle de Cox pour quantifier l’ampleur de cette différence.
Hypothèses à vérifier
Censure non informative. La raison de la censure d'un sujet doit être sans lien avec son pronostic. Si les patients les plus gravement atteints sont exclus de l'étude de manière préférentielle, l'estimation est biaisée.
Définition et date de début de l'événement uniformes. Chaque participant doit être suivi à partir d'une origine comparable (par exemple, diagnostic ou randomisation) avec la même définition de l'événement.
Risques proportionnels pour le test du log-rank. Le test du log-rank est le plus puissant lorsque le rapport de risques est à peu près constant dans le temps. Des courbes se croisant fortement contreviennent à cette condition et nécessitent d'autres méthodes.
Erreurs courantes
Ignorer la censure
Le fait de considérer les sujets censurés comme exempts d'événements ou de les exclure complètement biaise les estimations de survie. La méthode de Kaplan-Meier a précisément pour but d'utiliser correctement ces informations partielles.
Surinterprétation de la queue de la courbe
À mesure que le suivi s'allonge, le nombre de sujets restant à risque diminue et la courbe devient instable. Les écarts importants à l'extrémité droite sont incertains ; il est donc toujours nécessaire d'indiquer le nombre de sujets à risque.
Utilisation du test du log-rank aux intersections des courbes
Le croisement des courbes de survie contrevient à la proportionnalité des risques et peut empêcher le test du log-rank de détecter une différence réelle. Il est préférable d'utiliser un test de Rényi ou un test pondéré.
Ne rapportant qu'une valeur p
La valeur p du test du log-rank indique si les groupes diffèrent, mais pas dans quelle mesure. Il convient d'ajouter le rapport de risque avec son intervalle de confiance pour évaluer l'ampleur de la différence.
Questions fréquemment posées
Que signifie la censure ?
Une observation censurée est une observation pour laquelle l'événement ne s'était pas produit au moment de la dernière observation du sujet, en raison de la fin de l'étude ou d'une perte de vue. Le temps pendant lequel le sujet était à risque est tout de même pris en compte.
Quelle est la différence entre la régression de Kaplan-Meier et la régression de Cox ?
La méthode de Kaplan-Meier estime et compare les courbes de survie, mais ne permet pas de tenir compte des covariables. La régression de Cox modélise le risque en ajustant les résultats à d'autres variables et fournit un rapport de risque.
Qu'est-ce que le test du log-rank ?
Il s'agit d'un test non paramétrique qui compare l'expérience de survie globale de deux groupes ou plus, en pondérant les événements à tous les moments.
Le résultat correspond-il à celui obtenu avec SPSS, R et Stata ?
Oui. La calculatrice utilise l'estimateur standard de la limite de produit du package survival et affiche la commande R exacte afin que vous puissiez la reproduire.
Calculatrices associées
Références
- Rich JT, Neely JG, Paniello RC et al. Un guide pratique pour comprendre les courbes de Kaplan-Meier. Chirurgie de la tête et du cou Otolaryngol. 2010;143(3):331–336. PMID 20723767.
- Dey T, Mukherjee A, Chakraborty S. Aperçu pratique et stratégies de présentation des résultats pour l'analyse statistique des études de survie. Poitrine. 2020;158(1S):S39–S48. PMID 32658651.
- Kaplan EL, Meier P. Estimation non paramétrique à partir d'observations incomplètes. J Am Stat Assoc. 1958;53(282):457–481.
Besoin de cette analyse pour votre manuscrit ?
Nos biostatisticiens titulaires d'un doctorat réalisent vos analyses de survie, ajustent les modèles de Cox, vérifient les risques proportionnels et vous fournissent des figures de Kaplan-Meier prêtes à être publiées avec des résultats R reproductibles.