Télécharger le texte intégral

Chapitre 6Conclusion généraleLes méthodes classiques d’analyse de survie supposent l’indépendance des temps desurvie. Cette hypothèse risque de ne plus être valide dans le cas des données de surviegroupées. Les modèles à fragilité partagée, ou modèles de survie à effets aléatoires permettentalors de traiter ce type de données hétérogènes.Nous avons proposé une nouvelle méthode d’estimation dans un modèle à fragilitépartagée permettant d’estimer simultanément des paramètres de régression et leur écarttype,une mesure de corrélation intra-groupe mais aussi une fonction de risque lisse. Cesestimateurs sont définis comme les estimateurs du maximum de vraisemblance pénalisée.Cette nouvelle méthode d’estimation permet de répondre à trois catégories d’objectifs.La première catégorie d’objectifs est d’estimer et de tester une hétérogénéité entregroupes. Nous avons montré par simulations que cette méthode estimait correctement lavariance des effets aléatoires du modèle à fragilité. Lorsqu’une corrélation intra-groupeest présente elle pourra dans certains cas être expliquée par des facteurs de risque liés auxgroupes. Dans d’autres cas cette corrélation intra-groupe ne peut être expliquée par desfacteurs de risque mais elle peut ouvrir à d’autres hypothèses de recherche : par exempledans une étude de concentration familiale, une corrélation intra-famille non expliquée peutlaisser penser à des facteurs génétiques.La seconde catégorie d’objectifs pour laquelle cette méthode est utile est l’examen del’hypothèse d’un facteur de risque lié aux groupes. Cette méthode permet d’estimer unevariance corrigée des paramètres de régression spécifiques aux groupes qui seront sous estiméspar des modèles à risques proportionnels. Par exemple dans une étude de variabilité94