En oncologie, on s’intéresse de plus en plus à la recherche de biomarqueurs influençant l’effet d’une thérapie. Pourtant, ce rôle prédictif n’est pas toujours confirmé lors d’une validation externe (comme ERCC1 dans le cancer de poumon, NEJM2013) et une explication possible est le risque de faux positifs quand on teste des candidats multiples. Ce problème est d’autant plus important dans les données de séquençage à haute dimension.

Nous considérons une approche en deux temps. D’abord, l’effet de l’ensemble des biomarqueurs est testé globalement ; une procédure de permutation dans un modèle de survie permet de contrôler l’erreur de type I (α) global à un niveau pré-spécifié. Uniquement si ce test-ci est significatif, une signature sera développée pour prédire l’effet du traitement pour chaque patient. Nous considérons trois tests basés sur les statistiques de Wald univariées : via une pénalisation RIDGE, via une présélection utilisant le critère d’information d’Akaike (AIC) et via une réduction de dimension par une analyse en composantes principales (ACP). Nous évaluons l’α global dans une étude de simulation avec 100 biomarqueurs dans un essai phase III. Nous appliquons cette méthodologie à un essai randomisé en oncologie.

Les résultats préliminaires montrent qu’une présélection AIC ou une réduction de dimension via ACP peuvent améliorer la performance des tests globaux, contrairement à la pénalisation RIDGE.

En présence de nombreux biomarqueurs candidats pour influencer l’effet du traitement dans un essai phase III, l’utilisation d’un test global permet de minimiser l’erreur de type I.