Planification d'essais cliniques avec les quantiles de Survie

Designing clinical trials with Survival percentile

• Auteur / Autrice : Beatriz FARAH NORÕES GONçALVES
• Direction : Aurélien Latouche, Xavier Paoletti
• Type : Projet de thèse
• Discipline(s) : Biostatistiques et data sciences
• Date : Inscription en doctorat le 01/10/2023
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Santé Publique
• Partenaire(s) de recherche : Laboratoire : Cancer et Génome: Bioinformatique, Biostatistiques et Epidémiologie des systèmes complexes
• Partenaire(s) de recherche : Equipe de recherche : Epidémiologie Génétique des Cancers
• Partenaire(s) de recherche : Référent : Université de Versailles-Saint-Quentin-en-Yvelines

Mots clés

Mots clés libres

Analyse de survie

Cancérologie

Essai clinique

Quantile

Planification

Clinical trial

Sample Size

Survival Analysis

Quantile

Résumé

Lors de l'évaluation de l'effet du traitement, il est courant de s'appuyer sur le rapport de risque, généralement en utilisant le modèle de Cox. En présence de censure, le taux de risque peut être facilement estimé à partir des données observées, ce qui rend ce modèle très attrayant. Dans les essais cliniques randomisés (ECR), des méthodes standard existent déjà pour déterminer la taille de l'échantillon lorsque l'estimation est un rapport de risque (généralement le rapport de risque pour comparer l'effet de deux traitements) sur la base soit du test du log-rank, soit du modèle de Cox. Cependant, dans les études sur le cancer, certains traitements peuvent avoir un effet tardif et l'hypothèse de risque proportionnel imposée par le modèle de Cox n'est plus vérifiée. La régression quantile étant pertinente pour estimer le bénéfice de l'immunothérapie par rapport à la chimiothérapie sur une gamme de quantiles, nous aimerions passer du rapport de risque à la différence de quantile de temps de défaillance comme estimation car: (i) il permet de faire varier les effets du traitement (à travers les quantiles) ce qui correspond à l'hétérogénéité de l'effet du traitement (ii) la régression quantile peut tenir compte des risques non proportionnels (liés aux effets tardifs de l'immunothérapie).

When evaluating treatment effect, it is common to rely on the hazard ratio, typically by using the ubiquitous Cox model. In the presence of censoring, the hazard rate can be easily estimated from the observed data which makes this model very appealing. In Randomized Clinical Trials (RCT), standard methods already exist to determine the sample size when the estimand is a hazard ratio (typically the hazard ratio for comparing the effect of two treatments) based on either the log-rank test or the Cox model. However, in cancer studies, some treatments may have a late effect and the proportional hazard assumption imposed by the Cox model is no longer verified. We previously showed that the quantile regression was relevant for estimating the benefit of immunotherapy as compared to chemotherapy on a range of quantiles. Thus, we would like to shift from the hazard ratio to the difference in quantile of failure time as estimand because: (i) it allows for varying treatment effects (across quantiles) which corresponds to the heterogeneity of treatment effect (ii) quantile regression can accommodate for non-proportional hazards (related to the late effects of immunotherapy).