Survie & essais d’oncologie : comment gérer l’immortal time bias (et l’éviter au design)
En analysant des données “real-world” ou des essais pragmatiques en oncologie, on voit souvent des comparaisons du type : patients ayant reçu une maintenance (ou un switch) vs ceux qui ne l’ont pas reçue. Problème récurrent : l’immortal time bias. Il survient quand l’exposition est définie par un événement futur (ex. “a reçu la maintenance après 3 cycles”), créant une période durant laquelle les sujets doivent survivre pour être classés exposés. Cette “immortalité” artificielle gonfle la survie du groupe exposé.
Cas typique : on compare la survie globale de patients “ayant reçu la maintenance” vs “sans maintenance” depuis J0 (début traitement). Or, pour être dans le groupe maintenance, il faut avoir survécu et été éligible jusqu’au moment de décision (p.ex. J90). Les décès précoces tombent mécaniquement dans le groupe “sans”, biaisant l’effet en faveur de la maintenance.
Signaux d’alerte : 1) courbes KM qui se séparent très tôt alors que la décision d’exposition est tardive ; 2) définition d’exposition reposant sur un nombre de cycles reçus ; 3) analyse “ever vs never” avec temps origine inchangé.
Approches robustes :
- Modèle à covariable dépendante du temps (Cox time-varying) : l’exposition passe de 0 à 1 au moment réel de début maintenance.
- Landmark analysis : fixer un landmark (p.ex. J90), inclure uniquement les sujets à risque à J90, comparer selon l’exposition observée à ce point.
- Target trial emulation : expliciter l’essai cible (éligibilité, time zero, stratégie, assignation, suivi) et reproduire ces choix dans l’observationnel.
Point “peer-review” : exigez la définition exacte de time zero, une justification de la méthode anti-biais, et des analyses de sensibilité (landmarks multiples, délais de grâce, diagnostics de violation PH).
Sources : Suissa S. Am J Epidemiol 2008 (immortal time bias). Hernán MA, Robins JM. N Engl J Med 2016 (target trial). FDA. “Real-World Evidence” guidance (cadres généraux).
4 commentaires
Point crucial : dès qu’on définit l’exposition par un événement futur (ex. « maintenance après 3 cycles »), on introduit un temps d’entrée différentiel qui peut surévaluer l’effet sur la survie. Deux stratégies analytiques robustes : (1) modéliser l’exposition comme covariable dépendante du temps (patients non exposés jusqu’au début réel de la maintenance), idéalement avec un modèle de Cox time-varying ; (2) appliquer une analyse landmark (p. ex. à 3 cycles), en incluant uniquement les patients à risque à ce temps et en comparant les groupes définis à ce landmark. Au design, la prévention passe par l’émulation d’un essai cible : définir t0 commun (randomisation/éligibilité), fenêtres d’initiation, et règles de censure. Attention aussi aux confusions temps-dépendantes (réponse/toxicité) pouvant nécessiter des MSM avec pondération IPTW. Bon rappel pour les études RWD en oncologie.
Très bon rappel : dès qu’on définit l’exposition par un événement futur (ex. « a reçu une maintenance après 3 cycles »), on introduit une période où, par construction, le patient doit être vivant pour entrer dans le groupe exposé. Résultat : un avantage de survie artificiel, souvent interprété à tort comme un effet du traitement. À expliciter pédagogiquement : le biais vient du mauvais alignement des temps (time-zero, début du suivi) entre groupes. Deux parades classiques : (1) analyser l’exposition comme une covariable dépendante du temps (le patient contribue au non-exposé jusqu’au début réel de maintenance) ; (2) utiliser un landmark (p. ex. à 3 cycles) en ne comparant que les patients encore en vie et à risque à ce temps. Et côté design, si possible : randomiser au moment éligible à la maintenance/switch, pas au diagnostic. Cela rend le time-zero cohérent et évite le biais à la source.
Le post décrit correctement l’immortal time bias, fréquent lorsque l’exposition est définie par un événement survenant après l’inclusion (p. ex. « maintenance après 3 cycles »), ce qui crée une période de survie garantie avant d’être classé exposé et peut surestimer l’effet sur la survie. Pour renforcer l’aspect « éviter au design », il serait utile de citer des approches standard : définir l’exposition à t0 (règles d’assignation claires), utiliser un design de type landmark (avec justification du temps de landmark et gestion des exclusions), ou modéliser l’exposition comme covariable dépendante du temps. Mentionner l’alignement des time-zero (inclusion, début de suivi, définition de l’exposition) et le traitement des patients non éligibles à la maintenance (conditions, progression, toxicité) améliorerait la transparence. Un rappel sur les risques résiduels (confounding by indication) compléterait bien.
Point clé : si l’exposition est définie « a posteriori » (ex. maintenance après 3 cycles), la période pré-maintenance est un temps immortel attribué de facto au groupe exposé, ce qui biaise fortement les HR en faveur de la maintenance. Pour l’éviter/analyser : (1) définir t0 de façon cohérente (landmark à la fin du cycle 3) et comparer uniquement les patients vivants/éligibles à ce landmark ; (2) modéliser l’exposition comme covariable dépendante du temps (Cox time-varying) en attribuant correctement le temps non exposé avant la date réelle de maintenance ; (3) en essais/pragmatique, randomiser au landmark ou utiliser un design « clone–censor–weight » pour émuler l’essai cible. À rapporter : délais d’initiation, proportions exclues au landmark, diagnostics de positivité et analyses de sensibilité (différents landmarks).
Point très bien posé : en oncologie, les comparaisons « maintenance/switch vs pas de maintenance » sont un terrain classique d’immortal time bias dès que l’exposition dépend d’un événement futur. En pratique, je recommande de raisonner d’abord “time zero” (date d’initiation de la ligne, randomisation, ou fin d’induction) et d’aligner clairement l’éligibilité, l’assignation et le début du suivi. Côté analyse, la covariable dépendante du temps est souvent la solution la plus directe ; à défaut, une approche landmark (pré-spécifiée, avec justification clinique et analyse de sensibilité) peut être acceptable. Au design, l’idéal reste de définir la question au moment où la décision de maintenance est réellement possible (fin d’induction), ou d’utiliser un schéma type randomisation retardée. Ne pas oublier de documenter les exclusions post-baseline et les définitions exactes de l’exposition.