Une nouvelle mesure de séparation pronostique dans les données de survie

Les modèles pronostiques multivariable sont largement utilisés dans le cancer et d'autres domaines de la maladie, et ont une gamme d'applications en médecine clinique, dans les essais cliniques et l'allocation des ressources des services de santé. Une mesure fondée et fiable de l'aptitude pronostique d'un modèle serait précieuse pour aider à définir la séparation entre les patients ou les groupes pronostiques que le modèle pourrait fournir, et pour servir de référence à la performance du modèle dans un cadre de validation. Nous proposons une telle mesure pour les modèles de données de survie. Sa motivation découle à l'origine de l'idée de séparation entre les courbes de Kaplan-Meier. Nous définissons les critères pour une mesure réussie et les discutons par rapport à notre approche. Des ajustements pour 'l'optimisme', la tendance d'un modèle à prédire mieux sur les données sur lesquelles il a été dérivé que sur de nouvelles données, sont suggérés. Nous étudions les propriétés de la mesure par simulation et par exemple dans trois ensembles de données substantiels. Nous croyons que notre nouvelle mesure prouvera être utile comme un outil pour évaluer la séparation disponible avec un modèle pronostique.