In the first chapter, we introduce the concept of survival analysis, explain the importance of this topic, and provide a quick introduction to the theory behind survival curves. We discuss why special methods are needed when dealing with time-to-event data and introduce the concept of censoring. We also discuss how we describe the distribution of the elapsed time until an event.

The term "survival analysis"

Introducing the GBSG2 dataset

What will this course cover?

Why learn survival methods?

Digging into the GBSG2 dataset 1

Using the Surv() function for GBSG2

The UnempDur dataset

Measures used in survival analysis

Interpreting a survival curve I

Interpreting a survival curve II

Interpreting a survival curve III

What is Survival Analysis?

In this chapter, we will look into different methods of estimating survival curves. We will discuss the Kaplan-Meier estimate and the Weibull model as tools for survival curve estimation and learn how to communicate those results through visualization. 

Kaplan-Meier estimate

Function to compute the Kaplan-Meier estimate

First Kaplan-Meier estimate

When does the Kaplan-Meier curve drop?

Why use Kaplan-Meier

Understanding and visualizing Kaplan-Meier curves

Exercise ignoring censoring

Estimating and visualizing a survival curve

The Weibull model for estimating survival curves

Estimating median survival from a Weibull model

Survival curve quantiles from a Weibull model

Estimating the survival curve with survreg()

Visualizing the results of Weibull models

Comparing Weibull model and Kaplan-Meier estimate

Estimation of survival curves

In this chapter, we will learn how to estimate and visualize a Weibull model to learn about the effects of covariates on the time-to-event outcome.

Why use the Weibull model

Interpreting coefficients

Compute Weibull model

Visualizing Weibull models

ggsurvplot() versus ggsurvplot_df()

Computing a Weibull model and the survival curves

Visualising a Weibull model

Plotting options

Other distributions than Weibull

survreg() arguments

Computing a Weibull and a log-normal model

Comparing Weibull and Log-Normal Model I

Comparing Weibull and Log-Normal Model II

The Weibull model

In the last chapter, we learn how to compute and interpret Cox models to understand why they are useful and how they differ from Weibull models.

Le modèle de Cox

Calculer un modèle de Cox

Hypothèse des risques proportionnels

Visualiser le modèle de Cox

Calculer la courbe de survie à partir d’un modèle de Cox

Visualiser un modèle de Cox

surv_summary()

Ce que nous avons appris

Pourquoi des « patients imaginaires » ?

Projet final : le modèle de Cox

Projet final : comparer des courbes de survie

Au revoir

The Cox Model

Les patients qui prennent le nouveau médicament survivent-ils plus longtemps que les autres ? À quelle vitesse les personnes retrouvent-elles un emploi après une période de chômage ? Que puis-je faire pour que mes ami·e·s restent plus longtemps sur la piste de danse à ma soirée ? Toutes ces questions nécessitent l’analyse de données de temps jusqu’à événement, pour lesquelles nous utilisons des méthodes statistiques spécifiques. Ce cours présente les concepts de base de l’analyse de temps jusqu’à événement, également appelée analyse de survie. Apprenez à manipuler ces données et à calculer, visualiser et interpréter des courbes de survie ainsi que des modèles de Weibull et de Cox.

Introduction to Regression in R

Apprenez à travailler avec les données de survie pour estimer, visualiser et interpréter les modèles.

Analyse de survie en R

Travaillez avec des data de temps jusqu'à un événement. Estimez, visualisez et interprétez les modèles de survie.

Statisticien en R

surv_summary()

Exercice interactif pratique