4.2 Matériels et méthodes
4.3.1 Analyse Bayésienne avec distribution a priori non-informative
standard avec un HR = 0.64 IC95%[0.43-0.95] (p = 0.026). La moyenne de la distribution
a posteriori empirique de l’effet du traitement, utilisant une distribution a priori
non-informative (Figure 4.1), est égale à -0.450, équivalent à un HR = 0.64 avec une
erreur standard (se) de 0.198, permettant de définir l’intervalle de crédibilité à 95% suivant
ICr95%[-0.842 ; -0.061] pour le Log(HR), équivalent à un ICr95%[0.43 ;0.94] pour le HR, ce
qui est cohérent avec le résultat de l’approche fréquentiste.
FIGURE 4.1 –Distribution a posteriori empirique du
Log(HR) de l’essai EE99-R2Loc,
estimé par un modèle de Cox Bayésien
Distribution a posteriori empirique de l’effet du traitement
(Log(HR)) estimée par un modèle de Cox Bayésien au
travers d’un processus MCMC, à partir des données
de l’essai EE99-R2Loc et d’une distribution a priori
non-informative (Log(H R) ∼ N(0, 100)). Sur l’axe des
abscisses sont représentés les bornes de l’intervalle
de crédibilité à 95% [Log(0.43) ;Log(0.94)], la médiane
(Log(0.64)), et la borne d’absence d’effet traitement
(Log(1)).
La Figure 4.2 représente la distribution d’une loi normale de moyenne (= -0.450) et
d’écart-type (= 0.198) estimés par l’analyse Bayésienne. À partir de cette distribution, la
probabilité a posteriori qu’il y ait un effet bénéfique du traitement, c’est-à-dire que l’effet
du traitement (Log(HR)) soit inférieur à zéro, est de 98.8% (aire grisée de la Figure 4.2,
Tableau4.3), ou de façon équivalente, le probabilité que le Log(HR) soit supérieur ou égal
à 0 (donc qu’il n’existe aucun effet bénéfique) est de 1.2%. Cette probabilité est cohérente
avec la p-valeur obtenue avec l’analyse fréquentiste qui, elle, correspond à la probabilité
d’observer ce résultat sous l’hypothèse nulle d’absence d’effet du traitement (0.012 × 2 =
0.024, proche de la p-valeur 0.026 du test bilatéral)
FIGURE 4.2 –Représentation de la probabilité
a posteriori de l’effet du traitement
P(Log(HR) < 0), dans l’essai EE99-R2Loc
Probabilité a posteriori de l’effet du traitement
(Log(HR)) estimée par l’analyse Bayésienne à partir
des données de l’essai EE99-R2Loc (fonction de
densité d’une loi normale de moyenne = -0.450 et
écart-type = 0.198) et d’une distribution a priori
non-informative (Log(H R)∼N(0, 100)). Dans cet essai
P(HR < 1) = 0.989, ce qui est cohérent avec la p-valeur
de 0.026 de l’analyse fréquentiste (0.012×2=0.024).
Sur l’axe des abscisses sont représentés les bornes de
l’intervalle de crédibilité à 95% [Log(0.43) ;Log(0.94)],
la médiane (Log(0.64)), et la borne d’absence d’effet
traitement (Log(1)).
L’essai IALT a également conclu à l’efficacité du traitement évalué avec un HR = 0.86
IC95%[0.76-0.98] (p = 0.023). La moyenne de la distribution a posteriori de l’effet
du traitement, estimée par l’analyse Bayésienne utilisant une distribution a priori
non-informative (Figure 4.3), est égale à -0.148, équivalent à un HR = 0.86, avec une
erreur standard se = 0.065, permettant d’estimer l’intervalle de crédibilité à 95% suivant
ICr95%[-0.276 ;-0.020] pour le Log(HR), équivalent à un ICr95%[0.76 ;0.98] pour le HR.
FIGURE 4.3 – Distribution a posteriori
empirique du Log(HR) de l’essai IALT,
estimé par un modèle de Cox Bayésien
Distribution a posteriori empirique de l’effet du
traitement (Log(HR)) estimée par un modèle de Cox
Bayésien au travers d’un processus MCMC, à partir des
données de l’essai IALT et d’une distribution a priori
non-informative (Log(H R)∼N(0, 100)). Sur l’axe des
abscisses sont représentés les bornes de l’intervalle
de crédibilité à 95% [Log(0.75) ;Log(0.98)], la médiane
(Log(0.86)), et la borne d’absence d’effet traitement
(Log(1)).
La Figure 4.4 représente la distribution d’une loi normale de moyenne (= -0.148) et
d’écart-type (= 0.065) estimés par l’approche Bayésienne. A partir de cette distribution, la
probabilité a posteriori que l’effet du traitement (Log(HR)) soit inférieur à zéro est de 98.8%
(aire grisée Figure4.4, Tableau4.3). Cette probabilité est cohérente avec la p-valeur obtenue
avec l’analyse fréquentiste (0.012 x 2 = 0.024, proche de la p-valeur 0.023 du test bilatéral).
FIGURE 4.4 –Représentation de la probabilité a
posteriori de l’effet du traitement
P(Log(HR) < 0), dans l’essai IALT
Probabilité a posteriori de l’effet du traitement
(Log(HR)) estimée par l’analyse Bayésienne à partir
des données de l’essai IALT (fonction de densité d’une
loi normale de moyenne = -0.148 et écart-type =
0.065) et d’une distribution a priori non-informative
(Log(H R) ∼ N(0, 100)). Dans cet essai P(HR < 1) =
98.8%, ce qui est cohérent à la p-valeur de 0.023 de
l’analyse fréquentiste (0.012×2=0.024). Sur l’axe des
abscisses sont représentés les bornes de l’intervalle
de crédibilité à 95% [Log(0.75) ;Log(0.98)], la médiane
(Log(0.86)), et la borne d’absence d’effet traitement
(Log(1)).
Bien que les deux essais aient des p-valeurs proches (p = 0.026 pour l’essai EE99-R2Loc et
p = 0.023 pour l’essai IALT), la taille d’effet de chaque traitement est très différente, comme
en témoigne déjà l’analyse fréquentiste avec des estimations de HR très différentes, 0.64 et
0.88 respectivement (Tableau4.1).
L’analyse Bayésienne permet de caractériser la taille de l’effet traitement par d’autres
mesures. Le Tableau 4.3 présente les probabilités a posteriori que le HR soit inférieur
à différents seuils, avec notamment le seuil équivalent au rejet de l’hypothèse nulle
(HR < 1) et les seuils équivalents aux hypothèses alternatives des essais IALT (HR < 0.85)
et EE99-R2Loc (HR < 0.60). Ainsi, dans l’essai IALT, la probabilité a posteriori d’un effet
du traitement inférieur à 0.85 n’est pas très importante (41.2%). La principale masse de
la distribution se situe entre 1 et 0.85 (P(1 < HR < 0.85) = 57.6%) ce qui montre un effet
du traitement très modeste. En revanche, l’essai EE99-R2Loc présente une probabilité
a posteriori de 68% pour un HR < 0.7, et de 38.4% pour un HR < 0.6, ce qui est très
encourageant.
Même si l’analyse fréquentiste donne certaines indications sur la taille d’effet, cet exemple
démontre que la p-valeur, souvent mal interprétée, ne renseigne en rien le lecteur sur la
taille d’effet du traitement et donc sur la probabilité d’un certain bénéfice pour le patient.
De plus, l’intervalle de confiance présenté dans une analyse fréquentiste, même s’il semble
être égal à l’intervalle de crédibilité lorsqu’une distribution a priori non-informative est
utilisée, ne peut être interprété de la même manière sur le plan formel.
Essais P(HR < 1) P(HR < 0.85) P(HR < 0.7) P(HR < 0.6)
EE99-R2Loc 0.988 0.927 0.684 0.384
IALT 0.988 0.412 < 0.001 < 0.001
TABLEAU 4.3 – Probabilités a posteriori d’avoir un certain bénéfice
pour les essais EE99-R2Loc et IALT
Au terme de l’essai HERBY, les investigateurs ont conclu à l’inefficacité du traitement, avec
une tendance délétère, comparé au traitement contrôle avec un HR = 1.44 IC95%[0.90-2.30]
(p = 0.132). L’effet du traitement a posteriori, estimé par l’analyse Bayésienne utilisant une
distribution a priori non-informative (Figure4.5), est égal à 0.364, correspondant à un HR
= 1.44, avec une erreur standard se = 0.241, permettant d’estimer l’intervalle de crédibilité
à 95% suivant ICr95%[-0.105 ; 0.839] pour le Log(HR), équivalent à ICr95%[0.90 ;2.31].
FIGURE 4.5 – Distribution a posteriori
empirique du Log(HR) de l’essai HERBY,
estimée par un modèle de Cox Bayésien
Distribution a posteriori empirique de l’effet du
traitement (Log(HR)) estimée par un modèle de Cox
Bayésien au travers d’un processus MCMC, à partir des
données de l’essai HERBY et d’une distribution a priori
non-informative (Log(H R)∼N(0, 100)). Sur l’axe des
abscisses sont représentés les bornes de l’intervalle
de crédibilité à 95% [Log(0.90) ;Log(2.31)], la médiane
(Log(1.43)), et la borne d’absence d’effet traitement
(Log(1)).
La Figure 4.6 représente la distribution d’une loi normale de moyenne (= 0.364) et
d’écart-type (= 0.241) estimés par l’approche Bayésienne.
À partir de cette distribution, la probabilité a posteriori que l’effet du traitement (Log(HR))
soit inférieur à zéro est de 6.5% (aire grisée Figure4.6). Cette probabilité est cohérente avec
la p-valeur obtenue avec l’analyse fréquentiste 0.065×2=0.130 proche de la p-valeur 0.132
du test bilatéral.
De plus, la probabilité d’un effet délétère tel que le risque d’événement est augmenté de
20% (HR > 1.2) est de 77.5%. Cette probabilité reste même assez élevée (54.5%) pour un
HR > 1.4 (risque d’événement augmenté de 40%).
FIGURE 4.6 –Représentation de la probabilité a
posteriori de l’effet du traitement
P(Log(HR) < 0), dans l’essai HERBY
Probabilité a posteriori de l’effet du traitement
(Log(HR)) estimée par l’analyse Bayésienne à partir
des données de l’essai HERBY (fonction de densité
d’une loi normale de moyenne = 0.364 et écart-type =
0.241) et d’une distribution a priori non-informative
(Log(H R) ∼ N(0, 100)). Dans cet essai P(HR < 1) =
0.065, ce qui est cohérent à la p-valeur de 0.132 de
l’analyse fréquentiste (0.065×2=0.130). Sur l’axe des
abscisses sont représentés les bornes de l’intervalle
de crédibilité à 95% [Log(0.90) ;Log(2.31)], la médiane
(Log(1.43)), et la borne d’absence d’effet traitement
(Log(1)).
4.3.2 Analyse Bayésienne avec distributions a priori archétipales :
Dans le document
Approche Bayésienne de la survie dans les essais cliniques pour les cancers rares
(Page 123-130)