Pepe et al. (1991) ont proposé un estimateur de la prévalence d’un état de santé défini comme étant la proportion de patients en vie occupant cet état au cours du temps. Un test de comparaison des fonctions de prévalence estimées entre deux groupes de patients est également proposé. Sous les hypothèses d’un modèle de Markov, les probabilités d’occuper un état peuvent être estimées par des méthodes non paramétriques (Aalen, 1978). Datta et Satten (2000) ont illustré la robustesse de ces méthodes notamment lorsque les estimations par intervalle de confiance sont obtenues par ré-échantillonnage bootstrap. Dans ce contexte, un estimateur de la fonction de prévalence d’un état peut aisément être obtenu à partir des probabilités d’occupation des états estimées par le modèle.

Nous avons souhaité comparer les performances respectives de ces deux méthodes en les appliquant à deux études randomisées : une étude (n=139) évaluant l’efficacité de deux conditionnements myéloablatifs dans le cadre d’une allogreffe de cellules souches hématopoïétiques et une étude (n=204) comparant l’efficacité de deux administrations de faibles débits de dose en curiethérapie. Les critères d’évaluation retenus sont respectivement, la prévalence d’une GVH chronique et la prévalence d’une complication.

La différence des aires sous courbe des fonctions de prévalence, critère d’évaluation choisi par Pepe, est utilisée pour comparer les fonctions de prévalence des différents traitements à l’étude. La fonction preval (Cabarrou, 2014) est utilisée pour estimer la prévalence selon la méthode de Pepe au sein de chaque groupe. La fonction probtrans du package mstate est utilisée pour estimer les probabilités d’occupation de chaque état selon la méthode d’Aalen-Johansen et d’estimer la prévalence d’un état à tous les temps. Les intervalles de confiance de la différence des aires sous les courbes des fonctions de prévalence sont obtenus par échantillonnage bootstrap. Des études par simulation permettront de compléter la comparaison des performances des méthodes étudiées en terme de biais de précision, de contrôle de l’erreur de type I et de puissance.

Les estimations de la prévalence de GVHD chronique à 30 mois par la méthode de Pepe et la méthode de Markov sont proches : 0,73 95 % IC [0,55–0,87] versus 0,75 95 % IC [0,58–0,92] pour le conditionnement A, 0,60 95 % IC [0,39–0,80] versus 0,61 95 % IC [0,40–0,88] pour le conditionnement B du premier exemple. Dans les deux cas, il n’y a pas de différence significative de prévalence entre les deux conditionnements. Il en est de même pour le deuxième exemple où les estimations de la prévalence d’une complication à 24 mois sont les suivantes : 0,31 95 % CI [0,20–0,41] versus 0,31 95 % CI [0,21–0,42] pour le bras A, 0,53 95 % CI [0,43–0,64] versus 0,53 95 % CI [0,41–0,65] pour le bras B. Les deux méthodes concluent à une différence très significative des fonctions de prévalence dans les deux bras de traitement (p<0,01).

Pour les deux exemples traités, les estimations ainsi que les intervalles de confiance sont proches, et ceux à tous les temps. Les conclusions en termes de différence des fonctions de prévalence entre les deux bras de traitement sont les mêmes. Des études par simulation permettront d’affiner nos conclusions, et notamment d’étudier le comportement des différents estimateurs (biais de précision, couverture des intervalles de confiance et puissance) sous différents scénarios de suivi des patients.