Analyse de survie en R

Le guide complet et pratique de l’analyse de survie en R — censure et données de temps jusqu’à l’événement, courbes de Kaplan-Meier, test du log-rank et modèle de Cox à risques proportionnels, avec des visuels survminer prêts à publier. Axé recettes, reproductible, accessible aux cliniciens.

Apprendre › Biostatistique › Analyse de survie

L’analyse de survie répond à une question que les statistiques ordinaires ne peuvent pas traiter : combien de temps jusqu’à ce que quelque chose survienne — et qu’est-ce qui modifie ce délai ? Temps jusqu’au décès, à la rechute, à la sortie, à la panne d’une pièce. Le piège, c’est la censure : quand l’étude se termine, beaucoup de patients sont encore en vie, donc vous savez qu’ils ont survécu au moins aussi longtemps mais pas leur vrai temps d’événement. Un t-test ou un modèle linéaire jette cette information ; les méthodes de survie l’exploitent. Voici le guide complet et modernisé de l’analyse de temps jusqu’à l’événement en R — chaque méthode comme une recette que vous pouvez exécuter, avec des courbes survminer prêtes à publier que vous pouvez coller directement dans un article.

Comment ce guide est organisé

A · Fondamentaux

Censure · fonctions de risque et de survie

B · Courbes (KM)

Kaplan-Meier · survie médiane · courbes prêtes à publier

C · Comparer les groupes

Log-rank · tests stratifiés et pondérés

D · Régression de Cox

Hazard ratios · hypothèses PH · construction du modèle

E · Avancé

Risques concurrents · RMST · paramétrique et fragilité

Le guide suit le même parcours qu’un cours d’analyse de survie, dans l’ordre :

  1. Fondamentaux — commencez par ce qu’est l’analyse de survie : ce que signifie la censure, pourquoi les méthodes ordinaires échouent sur les données de temps jusqu’à l’événement, et comment les fonctions de survie et de risque décrivent le temps jusqu’à un événement.
  2. Courbes et estimation (Kaplan-Meier) — estimez les probabilités de survie et lisez la survie médiane sur une courbe de Kaplan-Meier — le célèbre ggsurvplot avec une table des sujets à risque, une bande de confiance et la ligne de médiane.
  3. Comparer les groupes — testez si la survie diffère entre les groupes (traitement vs témoin, biomarqueur élevé vs bas) avec le test du log-rank, et tracez les courbes avec la p-value sur le panneau.
  4. Régression de Cox — modélisez comment les covariables modifient le risque avec le modèle de Cox à risques proportionnels : hazard ratios, IC à 95 %, et un graphique ggforest — le cheval de bataille de l’analyse de survie clinique.
  5. Avancé et appliqué — étendez aux diagnostics de l’hypothèse PH, aux risques concurrents, aux modèles paramétriques et au travail réglementaire de temps jusqu’à l’événement, au fil des chapitres à venir.

Quelle méthode devrais-je utiliser ?

Le bon outil dépend de ce que vous demandez et de ce que vous avez mesuré :

Votre question Méthode Commencez ici
Que signifient mes données de temps jusqu’à l’événement ? Concepts (censure, risque, survie) Qu’est-ce que l’analyse de survie ?
Quelle est la probabilité de survie au cours du temps / la médiane ? Estimation de Kaplan-Meier Kaplan-Meier
Deux groupes ou plus survivent-ils différemment ? Test du log-rank Test du log-rank
Comment les covariables (âge, sexe, dose, biomarqueur) modifient-elles le risque ? Cox à risques proportionnels Régression de Cox

Quel que soit votre choix, le déroulé est le même : construire l’objet Surv(time, status) → estimer (KM ou Cox) → tracer le ggsurvplot prêt à publier (courbes + table des sujets à risque + IC + p-value) → interpréter en langage clair (survie médiane, p du log-rank, hazard ratio avec son IC à 95 %) → vérifier les hypothèses → rapporter.

Toutes les leçons

An overall Kaplan-Meier survival curve for the 228 lung-cancer patients. The stepped line starts at a survival probability of 1.0 at day zero and falls steadily, dropping below 0.5 around 310 days (the median survival). A shaded blue 95% confidence band surrounds the curve, small vertical tick marks show censored patients, and a number-at-risk table runs along the bottom showing how many patients remain over time.

Qu’est-ce que l’analyse de survie ? Censure et risque

Une introduction en douceur à l’analyse de survie en R. Comprenez les données de survie (délai jusqu’au décès, à la rechute ou à la sortie), pourquoi la censure à droite met…

Two Kaplan-Meier curves overlaid on the same 929 colon-cancer patients. The overall-survival curve (event = death only) sits higher and falls more slowly, crossing 50% at about 2550 days. The recurrence-free survival curve (event = recurrence or death, whichever first) falls earlier and lower, crossing 50% at about 1590 days. The gap between the curves is the burden of recurrences that happen before death — the same cohort, two endpoints, two different answers.

Choisir un critère de survie : OS vs PFS, EFS, TTP & DFS

La survie globale (OS), la survie sans progression (PFS), la survie sans événement (EFS), le délai jusqu’à progression (TTP), la survie sans maladie (DFS) et le délai…

A curve of the required number of events against the target hazard ratio, for 80% power, a two-sided 5% significance level, and 1:1 allocation. The curve is low and flat for strong effects (HR around 0.5 needs about 66 events) and rises steeply as the hazard ratio approaches 1 (HR 0.7 needs 247 events, HR 0.8 needs 631, HR 0.85 needs nearly 1,200). A dashed marker highlights HR 0.7 at 247 events.

Taille d’échantillon en analyse de survie : combien d’événements ?

Concevez une étude de délai jusqu’à l’événement avant de collecter les données. Apprenez l’idée maîtresse qui gouverne la puissance en survie — elle est déterminée par le…

A follow-up timeline for six patients. Each patient is a horizontal line running from study entry at time zero to their last contact. Patients 1, 3, and 5 end in a solid dot marking the observed event (death). Patients 2, 4, and 6 end in an open right-pointing arrow marking that they were still event-free at last follow-up (right-censored). A dashed vertical line marks the study data-cutoff time, after which no events can be observed.

Formater des données de survie dans R : objet Surv(), censure et validation

Préparez vos données pour l’analyse de survie dans R. Construisez l’objet Surv(time, status), comprenez le contrat (time, status) et le codage du statut (0/1 vs 1/2 — et le…

A survminer Kaplan-Meier plot of survival by sex on the lung-cancer data. Two step-function survival curves descend from 1.0 over time, the female curve staying consistently above the male curve, each with a shaded 95% confidence band. Dashed median-survival lines mark 270 days for men and 426 days for women. The log-rank p-value (0.0013) is printed on the plot, and a risk table beneath shows the number of patients still at risk over time.

Courbe de survie de Kaplan-Meier en R : estimer et tracer

Apprenez l’estimation de Kaplan-Meier en R avec les packages survival et survminer. Construisez l’objet Surv(time, status), estimez les courbes de survie avec survfit sur…

A step-function survival plot on the lung-cancer data. The continuous black Kaplan-Meier curve descends in many small steps from 1.0 at time 0 to about 0.13 by 720 days. Orange points mark the actuarial life-table survival at the end of each 90-day interval; every point sits almost exactly on the Kaplan-Meier curve, showing the two estimates agree.

Table de survie en R : la méthode actuarielle pas à pas

Apprenez la méthode actuarielle de la table de survie en R : estimez la survie quand les données de suivi arrivent en intervalles de temps groupés plutôt qu’en temps…

A survminer Kaplan-Meier plot of survival by sex on the lung-cancer data. Two step-function survival curves descend from 1.0, the female curve staying above the male curve, each with a shaded 95% confidence band. A dashed horizontal line at survival probability 0.5 meets dashed vertical lines dropping to the x-axis at 270 days for men and 426 days for women, marking the median survival of each group.

Survie médiane et intervalle de confiance à 95 % en R

Calculez le temps de survie médian et son intervalle de confiance à 95 % en R à partir d’un ajustement Kaplan-Meier avec survfit(), lisez-les en langage clair, gérez le cas…

A basic survminer survival curve of survival by sex on the lung-cancer data: two coloured step-function curves descending from 1.0 over time, with censoring tick marks and a top legend, but no confidence band, p-value, or risk table yet.

ggsurvplot dans R : courbes de survie prêtes à publier

Une référence survminer pratique pour ggsurvplot() : partez d’une courbe de survie de base et ajoutez, un élément à la fois, la table des effectifs à risque, les bandes de…

A survminer Kaplan-Meier plot comparing survival of male and female lung-cancer patients. The female curve stays above the male curve throughout follow-up, each with a shaded 95% confidence band; the log-rank test p-value of 0.0013 is printed on the plot, and a risk table beneath shows the number of patients still at risk over time.

Test du log-rank en R : comparer les courbes de survie

Apprenez le test du log-rank en R avec les packages survival et survminer. Comparez la survie entre groupes sur les données de cancer du poumon NCCTG avec survdiff(), lisez…

A survminer Kaplan-Meier plot split into three side-by-side panels, one per ECOG performance score (0, 1, 2), each comparing the survival of male and female lung-cancer patients. The female curve sits above the male curve in every panel; within-stratum log-rank p-values of 0.11, 0.0068, and 0.25 are printed on the panels, with shaded 95% confidence bands.

Test du log-rank stratifié en R : ajuster sur un facteur de confusion

Apprenez le test du log-rank stratifié en R avec les packages survival et survminer. Comparez la survie entre groupes tout en contrôlant un facteur pronostique de confusion…

A Kaplan-Meier plot comparing survival of male and female lung-cancer patients. The female curve separates from the male curve early — within the first roughly 300 days — and stays above it. A shaded band marks that early period, where an early-weighted Fleming-Harrington test concentrates its weight.

Tests log-rank pondérés en R : Fleming-Harrington

Exécutez des tests log-rank pondérés en R lorsque les risques proportionnels font défaut. Utilisez survdiff(rho = 1) pour le test de Peto-Peto à emphase précoce et…

A survminer Kaplan-Meier plot comparing survival of three colon-cancer treatment arms. The Levamisole-plus-fluorouracil curve sits clearly above the Observation and Levamisole-alone curves, which overlap each other; each curve has a shaded 95% confidence band, the overall log-rank p-value of 0.003 is printed on the plot, and a risk table beneath shows the number of patients still at risk in each arm over time.

Test du log-rank par paires en R : quelles courbes diffèrent ?

Comparez trois courbes de survie ou plus en R. Une fois qu’un test du log-rank global indique que la survie diffère, lancez les tests du log-rank par paires avec…

A survminer ggforest forest plot of the multivariate Cox model on the lung data. Sex (female) sits clearly left of the reference line at hazard ratio 1 (protective), ECOG performance score sits right of it (harmful), and age sits on the line. Each row shows the hazard ratio, 95% confidence interval, and p-value.

Modèle de Cox à risques proportionnels en R, pas à pas

Apprenez le modèle de Cox à risques proportionnels en R avec les packages survival et survminer. Ajustez des modèles coxph univariés et multivariés sur les données de cancer…

A survminer ggcoxzph diagnostic with one panel per covariate (age, sex, ECOG score), each showing scaled Schoenfeld residuals plotted against transformed survival time. In every panel the solid smoothing spline is roughly flat and horizontal, staying within the dashed plus-or-minus two-standard-error band, indicating no systematic time trend and supporting the proportional-hazards assumption.

Tester l’hypothèse des risques proportionnels en R (cox.zph, Schoenfeld)

Validez un modèle de Cox à risques proportionnels en R. Testez l’hypothèse des risques proportionnels (PH) avec cox.zph et le graphique des résidus de Schoenfeld mis à…

A survminer ggforest forest plot of the final five-variable Cox model on the lung data. Sex (female) sits clearly left of the reference line at hazard ratio 1 (protective) and ECOG performance score sits well right of it (harmful); physician Karnofsky, patient Karnofsky, and weight loss sit close to the line. Each row shows the hazard ratio, 95% confidence interval, and p-value, with the global model tests and concordance reported beneath.

Sélection de variables Cox en R : modèle multivariable

Construisez et sélectionnez un modèle de Cox à risques proportionnels multivariable en R. Faites un screening univarié des covariables candidates, comparez les stratégies de…

A forest plot comparing the transplant hazard ratio from two models on the Stanford heart-transplant data. The naive baseline-only model sits far left of the reference line at 1 (hazard ratio about 0.18, a spuriously strong protective effect from immortal-time bias), while the correct time-varying model sits right on the line at hazard ratio about 1.0 (no effect). The contrast shows the bias the time-varying analysis removes.

Covariables dépendantes du temps (modèle de Cox, R)

Modélisez avec un modèle de Cox en R des covariables dont la valeur change pendant le suivi. Construisez le format de données en processus de comptage (start, stop, event)…

A survminer ggadjustedcurves plot of adjusted survival probability against time in days for three tumor-differentiation strata from a stratified Cox model on the colon-cancer data. The well-differentiated curve stays highest, the moderate curve sits in the middle, and the poorly-differentiated curve drops fastest and lowest, the three coloured curves separating clearly over follow-up.

Modèle de Cox stratifié en R : corriger une violation des risques proportionnels avec strata()

Apprenez le modèle de Cox stratifié en R avec les packages survival et survminer. Quand l’hypothèse des risques proportionnels échoue pour une covariable catégorielle…

Fitted parametric survival curves for the Weibull, exponential, and log-normal distributions overlaid on the black Kaplan-Meier step function for the lung-cancer data. The Weibull curve tracks the Kaplan-Meier closely across the whole follow-up, the log-normal is close but slightly high in the tail, and the exponential diverges noticeably, sitting above the data early and dropping too slowly.

Modèles de survie paramétriques en R : Weibull, AFT et extrapolation

Apprenez les modèles de survie paramétriques en R avec les packages survival et flexsurv. Ajustez des modèles à temps de défaillance accéléré (AFT) Weibull, exponentiel…

Two cumulative incidence curves for progression to plasma-cell malignancy over 24 years on the mgus2 data. The naive 1 minus Kaplan-Meier curve climbs steadily to about 21 percent, while the correct cumulative incidence function curve stays much lower, levelling near 10 percent. The widening gap between them is the bias from treating the competing risk of death as censoring.

Risques concurrents en R : incidence cumulée et Fine-Gray

Réalisez une analyse de risques concurrents en R avec les packages survival et tidycmprsk. Comprenez pourquoi 1 - Kaplan-Meier surestime l’incidence cumulée d’un événement…

Two Kaplan-Meier survival curves for a colon-cancer trial, observation in blue and Lev+5FU in gold, with the area under each curve shaded up to a dashed vertical line at five years. The gold treated curve sits above the blue observation curve from about 300 days onward, and the extra gold sliver between the two curves is the gain in restricted mean survival time. The shaded area under each curve up to tau is that arm's RMST.

Durée de survie moyenne restreinte (RMST) en R

Calculez la durée de survie moyenne restreinte (RMST) en R — l’aire sous la courbe de survie jusqu’à un horizon tau, la durée de survie attendue au cours des tau premières…

A caterpillar plot of the estimated per-litter random effects from a coxme shared-frailty model on the rats data. Each of the 100 litters is a point at its predicted log-hazard random effect, sorted from the lowest (most protective) frailty on the left to the highest (most at-risk) on the right, with a horizontal dashed line at zero marking the average litter. The points fan out well above and below zero, showing that litters differ substantially in baseline tumor risk.

Modèles de fragilité en R : Cox à effets mixtes (coxme)

Ajustez un modèle de fragilité (Cox à effets mixtes / à effets aléatoires) en R avec le package coxme. Lorsque les temps de survie sont groupés ou corrélés — patients au…

A submission-style Kaplan-Meier plot of overall survival by treatment arm from the CDISC ADTTE dataset. Two step-function survival curves descend from 1.0 over time; the Lev+5FU curve stays consistently above the Observation curve, each with a shaded 95% confidence band. A dashed median-survival line marks 2083 days for the Observation arm (the Lev+5FU median is not reached). The log-rank p-value (0.0017) is printed on the plot, and a number-at-risk table beneath shows subjects still at risk over time.

CDISC ADTTE en R : analyse de survie réglementaire

Analysez en R un critère d’évaluation temps-jusqu’à-événement d’un essai clinique selon les règles réglementaires. Mappez un jeu de données CDISC ADaM ADTTE vers un objet…

A publication-ready survminer Kaplan-Meier plot of survival by sex on the lung-cancer data. Two step-function survival curves descend from 1.0; the female curve stays consistently above the male curve, each with a shaded 95% confidence band. Dashed median-survival lines mark 270 days for men and 426 days for women, the log-rank p-value of 0.0013 is printed on the plot, and a risk table beneath shows the number of patients still at risk over time.

Exemple complet d’analyse de survie en R : Kaplan-Meier, log-rank, Cox — de A à Z

Une analyse de survie complète et détaillée en R de A à Z sur le jeu de données de cancer du poumon NCCTG. Posez la question et construisez la réponse Surv(), estimez les…

A submission-style Kaplan-Meier plot of overall survival by treatment arm from the CDISC ADTTE dataset. Two step-function survival curves descend from 1.0 over time; the Lev+5FU curve stays consistently above the Observation curve, each with a shaded 95% confidence band. A dashed median-survival line marks 2083 days for the Observation arm (the Lev+5FU median is not reached). The log-rank p-value is printed on the plot, and a number-at-risk table beneath shows subjects still at risk over time.

Exemple d’analyse ADTTE en R : un package de survie réglementaire complet

Un package complet et détaillé d’analyse réglementaire de temps jusqu’à l’événement sur un jeu de données CDISC ADTTE en R. Construisez l’objet Surv() prêt à l’analyse à…
Aucun article correspondant
Note

Ce guide se complète vague après vague — d’abord les portes d’entrée gratuites à forte demande : ce qu’est l’analyse de survie, l’estimation de Kaplan-Meier, le test du log-rank et le modèle de Cox à risques proportionnels. À venir : les diagnostics de l’hypothèse PH, la survie médiane et les tables de mortalité, le studio de publication survminer, les modèles de Cox stratifiés et paramétriques, et les sujets avancés (risques concurrents, temps de survie moyen restreint, temps jusqu’à l’événement réglementaire).

🟢 Avec un agent IA

Demandez à Prova « compare la survie entre mes deux groupes et ajuste un modèle de Cox sur mes données » — elle répond avec du code survival + survminer que vous pouvez exécuter sur vos propres données, puis vous aide à lire la courbe de Kaplan-Meier, la p-value du log-rank et les hazard ratios. The runtime is the judge. Demander à Prova →

Cette page vous a-t-elle été utile ?

Prouvez que vous savez le faire. Maîtrisez toute la série Analyse de survie en R — suivez votre parcours, construisez des projets et obtenez un certificat.

Commencer gratuitement →

Passez à Pro — Prova illimité sur vos propres données et un certificat vérifiable qui atteste la compétence.

dès 15 $/mois facturé annuellement

Passer à Pro →

✓ Vous êtes Pro — continuez. The runtime is the judge.

Prêt à passer à la vitesse supérieure ?

Essayez sur vos propres données avec Prova — the runtime is the judge.Ouvrir Prova →

Recevez les nouvelles leçons R & Python par e-mail

Pratique, reproductible, sans spam. Désinscription à tout moment.

Double opt-in. Nous ne partageons jamais votre e-mail.

Partager cette pageXLinkedInRedditHN

Citation

BibTeX
@online{untitled,
  author = {},
  title = {Analyse de survie en R},
  url = {https://www.datanovia.com/learn/biostatistics/survival-analysis/},
  langid = {fr}
}
Veuillez citer ce travail comme suit :
“Analyse de survie en R.” n.d. https://www.datanovia.com/learn/biostatistics/survival-analysis/.