Ecole Doctorale

Sciences de la Vie et de la Santé

Spécialité

Biologie-Santé - Spécialité Recherche Clinique et Santé Publique

Etablissement

Aix-Marseille Université

Mots Clés

Mortalité en excès,Modèle de régression,Tables de mortalité,Variables additionnelles,Cancer,

Keywords

Excess mortality,Regression model,Lifetables,Additional variables,Cancer,

Titre de thèse

Analyse de la mortalité en excès par cancer : modélisations corrigeant le manque de variables supplémentaires dans les tables de mortalité
Analysis of excess mortality in cancer : Modeling ajusting lack of additional variables in lifetables

Date

Lundi 29 Mars 2021 à 14:00

Adresse

27 Boulevard Jean Moulin 13005 Marseille Visio

Jury

Rapporteur M. Erik-André SAULEAU Université de Strasbourg
Rapporteur Mme Valérie JOOSTE Dijon
Examinateur Mme Virginie RONDEAU Université de Bordeaux
Examinateur Mme Pascale GROSCLAUDE Registre de Cancer
Directeur de these M. Roch GIORGI Aix-Marseille Université

Résumé de la thèse

De nombreuses études médicales visant à étudier le pronostic de patients, l’impact de certaines covariables sur une maladie s’appuient largement sur des indicateurs populationnels, dont la survie. Plus généralement, l’estimation de la survie est un indicateur pertinent pour juger du contrôle de la maladie. Pour les pathologies chroniques, comme le cancer, la création de registres a permis d’améliorer les connaissances épidémiologiques. Les données de registres de cancer constituent une source de données exhaustive et de qualité pour évaluer et améliorer la qualité des soins. Les analyses sont généralement effectuées par le biais de méthodes de mortalité en excès visant à modéliser l’excès de mortalité et en déduire la survie nette. Plus précisément, la survie nette correspond à la survie qui serait observée en l’absence de mortalité due à d’autres causes que le cancer étudié. Son estimation ne nécessite pas la connaissance de la cause exacte de décès, ce qui requiert des informations sur la mortalité dans la population générale qui est couverte par le registre. Que ce soit dans un cadre paramétrique ou non, l’estimation de la survie nette repose sur l’utilisation de tables de mortalité. Ces tables de mortalité de la population générale sont supposées refléter la mortalité due aux autres causes de décès que la maladie étudiée. Cependant, la plupart du temps, ces tables ne contiennent pas assez d’information. Par exemple en France elles sont fournies uniquement par âge et stratifiées sur le sexe, la période, le département. Alors qu’aux Etats-Unis, un niveau de stratification supplémentaire sur l’ethnie se retrouve dans certains Etats et qu’en Angleterre un niveau de stratification existe sur un indicateur de déprivation sociale. Il a été montré que le manque de stratification d’une table de mortalité par un facteur pronostique biaise les estimations de l’effet de cette variable sur l’excès de mortalité. Cette thèse avait pour objectif de proposer de nouveaux modèles pour estimer la mortalité en excès due au cancer sur données populationnelles, en cas de tables de mortalité insuffisamment stratifiées. Dans un premier travail, nous avons développé un modèle à risques populationnels non proportionnels. Ce modèle autorise la variation dans le temps de l’effet d’une variable sur la mortalité dans la population générale, en fonction d’un ou de plusieurs points de rupture. Dans un second travail, nous avons proposé un modèle à classes latentes pour estimer la mortalité en excès. Ce modèle permet d’identifier des sous-groupes non-observés (latents) de patients. Les performances des modèles développés ont été évaluées et une application a été faite sur les données du cancer colorectal du réseau français des registres de cancer. Les modèles proposés se sont avérés être des bonnes approches pour estimer la mortalité en excès sur données populationnelles, en cas de tables de mortalité insuffisamment stratifiées.

Thesis resume

Many medical research works dedicated to prognosis or to impact of some covariates on a given disease outcome rely largely on population-based indicators, including survival. More generally, the estimation of survival is a relevant indicator for judging disease control. For chronic diseases, such as cancer, creation of registers has improved epidemiological knowledge. Cancer registry data provide a comprehensive data source for assessing and improving the quality of care. Generally, analyses are performed using excess mortality methods to model excess mortality and infer net survival. Specifically, net survival provides the survival that would be observed if only deaths from cancer were considered. Its estimation does not require knowledge of the reliable cause of death, which requires information on background mortality. In a parametric or non-parametric framework, the estimation of net survival is based on life tables. These lifetables are assumed to reflect mortality due to causes of death other than the disease of interest. However, in most cases these lifetables do not contain sufficient information. For instance, in France they are provided only by age and stratified by sex, period, department. While there is an additional level of stratification on ethnicity in some states in the United States and on social deprivation in England. It has been shown that overlooking a relevant covariate in estimating the background mortality induces a bias in estimating the effect of this covariate on the excess mortality. The aim of this thesis was to propose new models for estimating excess mortality due to cancer on population-based data, in the case of insufficiently stratified lifetables. We firstly developed a model with non-proportional expected hazards. This model provides a time-dependant effect of a covariate on background mortality, according to one or more breakpoints. Secondly, we proposed a latent class model to estimate excess mortality. This model makes it possible to identify non-observed (latent) sub-groups of patients. The performance of the developed models was evaluated and the methods were applied to colorectal cancer data from the French network of cancer registries. The proposed models proved to be good approaches for estimating excess mortality on population-based data, in the case of insufficiently stratified lifetables.