Modélisation et prédiction conjointe de différents risques de progression de cancer à partir des mesures répétées de biomarqueurs
Langue
fr
Thèses de doctorat
Date de soutenance
2017-12-11Spécialité
Biostatistique
École doctorale
École doctorale Sociétés, politique, santé publique (Bordeaux)Résumé
Dans les études longitudinales en cancer, une problématique majeure est la description de l’évolution de la maladie d’un patient ou la prédiction de son état futur, à partir de mesures répétées d’un marqueur biologique. ...Lire la suite >
Dans les études longitudinales en cancer, une problématique majeure est la description de l’évolution de la maladie d’un patient ou la prédiction de son état futur, à partir de mesures répétées d’un marqueur biologique. La modélisation conjointe permet de répondre à ces objectifs, mais elle a principalement été développée pour l’étude simultanée d’un marqueur longitudinal Gaussien et d’un unique temps d’événement. Afin de caractériser les transitions entre événements successifs qu’un patient peut connaître, nous étendons la méthodologie classique en introduisant un modèle conjoint pour un processus longitudinal Gaussien et un processus multi-états Markovien non homogène. Le modèle suppose que les temps de transition individuels sont indépendants conditionnellement aux covariables incluses. Nous proposons aussi un score test afin de tester cette hypothèse. Ces développements sont appliqués à deux cohortes d’hommes avec un cancer de la prostate localisé traité par radiothérapie. Le modèle permet de quantifier l’impact des dynamiques de l’antigène spécifique de la prostate, et d’autres facteurs pronostiques mesurés à la fin du traitement, sur chaque intensité de transition entre états cliniques prédéfinis. Cette thèse fournit ensuite des outils statistiques et des lignes directrices pour le calcul de prédictions dynamiques individuelles d’événements cliniques, dans le cadre de risques compétitifs. Enfin, un dernier travail amène une réflexion sur la modélisation conjointe de données longitudinales ordinales et de données de survie, avec une technique d’inférence innovante. Ainsi, ce travail introduit des méthodes statistiques adaptées à divers types de données longitudinales et d’histoire d’événements, qui permettent de répondre aux besoins des cliniciens. Des recommandations méthodologiques et des outils logiciels sont associés à chaque développement, pour une utilisation pratique par les communautés clinique et statistique.< Réduire
Résumé en anglais
In longitudinal studies in cancer, a major problem is the description of the patient’s disease evolution or the prediction of his future state, based on repeated measurements of a biological marker. Joint modelling enables ...Lire la suite >
In longitudinal studies in cancer, a major problem is the description of the patient’s disease evolution or the prediction of his future state, based on repeated measurements of a biological marker. Joint modelling enables to meet these objectives but it has mainlybeen developed for the simultaneous study of a Gaussian longitudinal marker and a single event time. In order to characterize the transitions between successive events that a patient may experience, we extend the classical methodology by introducing a joint model for a Gaussian longitudinal process and a non-homogeneous Markovian multi-state process. The model assumes that individual transition times are independent conditionally to included covariates. We also propose a score test to assess this assumption. These developments are applied on two cohorts of men with localized prostate cancer treated with radiotherapy. The model quantifies the impact of prostate specific antigen dynamics, and other prognostic factors measured at the end of treatment, on each transition intensity between predefined clinical states. This thesis then provides statistical tools and guidelines for the computation of individual dynamic predictions of clinical events in the context of competitive risks. Finally, a last work leads to a reflection on joint modelling of longitudinal ordinal data and survival data with an innovative inference technique. To conclude, this work introduces statistical methods adapted to various types of longitudinal data and event history data, which meet the needs of clinicians. Methodological recommendations and software tools are associated with each development, for practical use by the clinical and statistical communities.< Réduire
Mots clés
Biomarqueurs
Cancer de la prostate
Données de marqueurs longitudinaux
Données d’histoire d’événements
Modèle conjoint
Modèle landmark
Prédiction dynamique individuelle
Terme de fragilité
Effets aléatoires partagés
Mots clés en anglais
Biomarkers
Event history data
Frailty term
Individual dynamic prediction
Joint model
Landmark model
Longitudinal marker data
Prostate cancer
Shared random effects
Origine
Importé de STAR