Résumé
La qualité de vie relative à la santé (QdV) est de plus en plus utilisée comme critère de jugement dans les essais cliniques en oncologie. Elle est évaluée par le biais d’auto-questionnaires transmis aux patients à différentes visites au cours de leur prise en charge. Cependant, ces questionnaires sont souvent en partie incomplets, voire complètement manquants ; en particulier, chez les patients en situation palliative où les questionnaires non remplis pourraient être le résultat d’une progression de la maladie ou d’un décès. Les modèles linéaires mixtes (LMMs) sont habituellement utilisés pour l’analyse longitudinale de la QdV, mais peuvent donner des estimations biaisées en présence de données manquantes informatives, i.e. si le mécanisme de données manquantes est lié aux données manquantes de QdV. L’objectif de ce travail a été d’étudier différentes stratégies pour analyser les données longitudinales de QdV tout en tenant compte des sorties d’étude informatives. Dans l’ensemble du manuscrit, les modèles ont été illustrés sur les données de l’essai clinique PRODIGE 5/ACCORD 17, qui a inclus 267 patients atteints d’un cancer de l’œsophage avancé.D’abord, trois modèles – le modèle de sélection (SM), le modèle de mélange de profils (PMM) et le modèle à effets partagés (SPM) – ont été étudiés. Le SPM (ou modèle conjoint), composé d’un sous-modèle pour les trajectoires de QdV (LMM) associé à un sous-modèle pour le temps jusqu’à sortie d’étude (modèle de survie), semble être l’approche la plus intéressante aussi bien d’un point de vue théorique que pratique. Ensuite, nous avons étudié l’intérêt de considérer un sous-modèle à risques concurrents pour le temps jusqu’à sortie d’étude, afin d’analyser l’évolution de la QdV en présence de deux causes de sortie d’étude. La comparaison d’un modèle conjoint standard par rapport à un modèle conjoint à risques concurrents a été réalisée en considérant plusieurs scénarios au travers d’une étude de simulations. Nous avons montré que le modèle conjoint à risques concurrents pouvait être utile pour faire la distinction entre des sorties d’étude informatives et non informatives. Enfin, nous avons envisagé d’autres modélisations du sous-modèle pour les trajectoires des scores de QdV plus adaptées aux spécificités associées aux données de score de QdV. Nous avons utilisé des splines pour modéliser des trajectoires non linéaires de QdV, et des modèles linéaires mixtes généralisés (GLMMs), pour considérer le score de QdV en tant que variable ordinale.