Approche Bayésienne de la survie dans les essais cliniques pour les cancers rares

par Caroline Brard

Projet de thèse en Santé publique - biostatistiques

Sous la direction de Marie Cecile Le deley et de Gwénaël Le teuff.

Thèses en préparation à Paris Saclay , dans le cadre de Santé Publique , en partenariat avec Centre de recherche en Epidemiologie et Santé des Populations (laboratoire) , Oncostat (Méthodologie et épidémiologie clinique en oncologie moléculaire) (equipe de recherche) et de Université Paris-Sud (établissement de préparation de la thèse) depuis le 01-10-2014 .


  • Résumé

    Les articles portant sur les méthodes de modélisation Bayésienne pour les essais cliniques comparatifs se placent souvent dans le cadre de l'analyse d'un critère binaire simple ou sur l'estimation du hazard-ratio uniquement. Or, lorsque l'on sait quelle est la forme de la fonction de survie, une modélisation paramétrique pourrait s'avérer plus puissante. De plus, lorsque des données historiques sont disponibles leur intégration dans la distribution a priori pourrait permettre de réduire l'incertitude sur l'effet du traitement. Cependant, il faut pour cela déterminer leur degré d'échangeabilité avec les données de l'essai actuel et leur définir un poids en conséquence. Au cours de ce projet, nous comparerons les méthodes de modélisation paramétriques et semi-paramétriques Bayésiennes intégrant un prior historique, à travers une étude de simulation. Cette étude nous permettra également de comprendre l'impact de la distribution a priori ainsi que des règles de décision. Il est prévu par la suite une application sur des données réelles avec rédaction d'un protocole incluant une modélisation paramétrique Bayésienne de la survie.

  • Titre traduit

    Bayesian approach to survival in clinical trials in rare cancers


  • Résumé

    Articles on Bayesian methods for clinical trials are often used in the setting of a binary endpoint or of the estimated hazard ratio only. However, when we know the shape of the survival function, a parametric modelling may be more powerful. In addition, when historical data are available, their integration in the prior distribution could reduce uncertainty about the treatment effect. Nevertheless, this requires determining their degree of exchangeability with the data of the current trial and defining their weight accordingly. In this project, we will compare the parametric and semi-parametric Bayesian methods for survival modelling integrating a historical prior, through a simulation study. This study will also help us to understand the impact of the prior distribution and of decision rules. It is planned thereafter an application on real data with drafting a protocol including a Bayesian parametric modelling of a time-to-event endpoint.