Temps de vie perdu due au cancer: approche déconvolutionnelle en analyse de survie relative – LOSTLIFE

L'analyse de survie relative traite un manque d'information sur la cause de décès dans les registres de cancer. Comme dans un modèle de risques compétitifs, le temps de survie total est posé comme le minimum entre deux temps de survie indépendants, respectivement relatifs aux morts dues au cancer étudié et aux autres causes de mortalité. Sous ses hypothèses, on peut estimer la mortalité en excès (due au cancer), mais l'estimation du temps de vie perdu à cause du cancer est compliqué : l'état de l'art s'appuie sur des proxys complexes et biaisés pour cette quantité. D'un autre côté, le temps de vie perdu à cause du cancer est clairement identifié par le même état de l'art comme une métrique clefs pour les comparaisons internationales, l'évaluation des politiques publiques et la prise de décision en santé publique. Nous proposons une nouvelle direction de modélisation, en supposant le temps de vie total directement comme la différence entre un temps de vie populationnel et un temps de vie perdu à cause du cancer. La distribution du temps de vie perdu à cause du cancer, très facile à interpréter, est alors l'inconnue centrale du modèle. Nous estimerons cette distribution par des techniques déconvolutionelles, non-paramétriquement ou conditionnellement (régression). Nous construirons des tests statistiques associés, permettant d'interpréter les coefficients de régression et éventuels ratios de côtes directement en termes de temps de vie perdu à cause du cancer plutôt qu'en termes de mortalité en excès. La comparaison sur données simulées et données réelles avec les modèles standard de mortalité en excès permettra de comprendre en profondeur les différences entre les deux modèles. À travers l'implémentation de paquets logiciels open-source cohérents et bien documentés, nous espérons permettre un transfert réussit des méthodologies développées vers les registres de cancer, pavant la route de nouveaux résultats pratiques et de meilleures interprétations de leurs données.