La prédiction du devenir du greffon et de sa survie permettrait d’optimiser la prise en charge des patients transplantés. Le suivi des patients transplantés rénaux inclue des mesures répétées de marqueurs longitudinaux tels que la créatinine sérique et l’exposition aux médicaments immunosuppresseurs. L’approche statistique récemment proposée des modèles conjoints permet d’analyser la relation entre un processus longitudinal et la survenue d’un événement clinique. Dans la première partie de ce travail de thèse, nous avons utilisé les modèles conjoints à classes latentes pour étudier l’impact du profil de créatinine sérique au cours des 18 premiers mois post-greffe sur la survie du greffon à long terme. Dans la cohorte étudiée, trois groupes homogènes caractérisés par une trajectoire spécifique de l’évolution de la créatinine sérique en fonction du temps et un risque d’échec de greffe spécifique ont été identifiés. Les probabilités individuelles de l’échec de greffe pendant les 10 premières années post-transplantation ont été calculées sur la base du modèle conjoint développé. Chez les patients qui n’avaient pas développé d’anticorps anti-HLA spécifiques du donneur, le risque d’échec de greffe en fonction du temps était prédit avec un niveau de performance satisfaisant en termes de spécificité, sensibilité et précision.L’utilité clinique de cet outil devra être évaluée avec une approche dynamique. Dans une seconde partie, les modèles non linéaires à effets mixtes combinés avec l’approche des modèles de mélange a été utilisée pour analyser (i) l’association entre la variabilité de l’exposition au tacrolimus au cours du temps et l’adhésion au traitement rapportée par le patient et (ii) l’impact de cette variabilité d’exposition sur le risque de rejet aigu. Ce modèle a montré un effet significatif de la variabilité de l’exposition au cours du temps du tacrolimus sur la survenu de rejet aigu au-delà de 3 mois post-transplantation. Au contraire, aucune association entre l’adhésion et la variabilité de l’exposition au tacrolimus d’une part, et le risque de rejet aigu d’autre part n’a été observée dans cette étude qui n’incluait que des patients modérément non-adhérents. Ce résultat pose la question de l’impact d’une non adhésion modérée sur le devenir du greffon. / Prediction of graft outcome would be useful to optimize patient care. Follow-up of kidneytransplant patients include repeated measurements of longitudinal markers, such as serum creatinine and immunosuppressive drug exposure. Recently proposed joint models areappropriate to analyze relationship between longitudinal processes and time-to-event data. In the first part of present work, we used the approach of joint latent class mixed models tostudy the impact of time-profiles of serum creatinine collected within the first 18 months after kidney transplantation on long-term graft survival. The studied cohort was parted into three homogenous classes with a specific time-evolution of serum creatinine and a specific risk of graft failure. The individual predicted probabilities of graft failure up to 10 years posttransplantation, calculated from this joint model were satisfying in terms of sensitivity, specificity and overall accuracy, for patients who had not developed de novo donor specificanti-HLA antibodies. The clinical usefulness of developed predictive tooI needs to beevaluated with a dynamic approach. In the second part, non-linear mixed effects models witha mixture of distribution for random effects were used to investigate (i) the associationbetween variability over time of tacrolimus exposure and self-reported drug adherence and(ii) the impact of this variability on the acute rejection risk. This model found a significantimpact of tacrolimus time-exposure variability on acute rejection onset beyond 3 months posttransplantation. On the contrary, no association between adherence and (i) variability oftacrolimus time-exposure and (ii) acute rejection was observed in our study which included moderate non-adherent patients only. This result questions the impact of moderate nonadherence on graft outcome.

Une attention particulière doit être accordée aux jeunes patients transplantés du rein, qui sont prioritaires en France dans l’attribution de greffon rénal. Les objectifs de cette thèse étaient 1) d’étudier la dynamique du risque instantané de la perte du greffon en fonction de l’âge courant après la transplantation chez les jeunes ; 2) de réaliser un revue systématique des modèles de prédiction de perte du greffon rénal tout âge confondu; et 3) de développer et valider un modèle de prédiction adapté à cette jeune population. Pour répondre aux objectifs 1 et 3, nous avons utilisé les données des registres nationaux français REIN et CRITAL qui incluent de manière exhaustive tous les patients transplantés rénaux pédiatriques. Pour l’Objectif 1, une méthode statistique en deux étapes a permis de mettre en évidence une augmentation accrue du risque instantané de perte du greffon au moment de l’adolescence. Pour l’Objectif 2, une revue systématique des articles publiés entre 2005 et 2015 a montré qu’aucun outil prédictif de la perte du greffon n’avait été spécifiquement proposé pour les patients pédiatriques, ni aucun outil de prédiction dynamique tout âge confondu. Pour l’Objectif 3, nous avons développé et validé par validation croisée interne un modèle de prédiction dynamique de perte du greffon pour les jeunes transplantés, à partir d’un modèle conjoint à effets aléatoires partagés. Ce modèle incluait des prédicteurs classiques à l’inclusion défini par le 90ième jour après la transplantation (des caractéristiques du receveur (sexe, âge à la transplantation, durée de dialyse pré-greffe, maladie rénale initiale, nadir du DFGe entre la transplantation et J90), du donneur (âge, type), et de la transplantation (durée d’ischémie froide, nombre d’incompatibilités HLA, statut donneur/receveur pour sérologie CMV)). Le modèle incluait également la trajectoire du DFG estimé après la transplantation, en supposant que le risque instantané de perte du greffon dépendait à la fois du niveau courant du DFG mais aussi de sa pente courante. Nos résultats indiquent que ce modèle avait de bonnes performances prédictives (AUC à 5 ans variant de 0.75 à 0.86 selon les temps de prédiction après la transplantation), bien meilleures que le modèle de Cox classique ne tenant compte que des prédicteurs à l’inclusion (AUC à 5 ans variant de 0.56 à 0.62). Ce modèle permettant la mise à jour à chaque visite clinique après la transplantation, du risque futur de la perte du greffon en fonction de toutes les valeurs observées précédentes du DFG, devra être validé sur d’autres populations que la population française. Nous pensons en effet qu’un tel outil pourrait à terme être utile dans le suivi clinique des jeunes patients transplantés rénaux. / Particular attention should be paid to young patients transplanted from the kidney, which have priority in France in the assignment of renal graft. The objectives of this thesis were 1) to study the dynamics of the hazard of graft failure by current age after transplantation in young people; 2) to carry out a systematic review of prediction models for renal graft failure at all ages; and (3) to develop and validate a prediction model for this young population. To achieve Objectives 1 and 3, we used data from the French national registries REIN and CRISTAL, which included all pediatric renal transplant patients. For Objective 1, a two-stage statistical method revealed an increase in the hazard of graft failure during adolescence. For Objective 2, a systematic review of articles published between 2005 and 2015 showed that no predictive tool for graft failure has been specifically proposed for pediatric patients, as well as no dynamic predictive model for any age. For Objective 3, we developed and validated using internal cross-validation a dynamic prediction model of graft failure for young transplanted patients, using a joint model with shared random effects. This model included standard baseline predictors at the 90th day after transplantation (characteristics of the recipient (sex, age at transplantation, pretrasplant dialysis duration, primary renal disease, nadir of eGFR at J90), the donor (age and type), and transplantation (duration of cold ischemia, number of HLA incompatibilities, donor/recipient cytomegalovirus (CMV) serology status). The model also included the trajectory of GFR estimated after transplantation, assuming that the hazard of graft failure depended on both the current value of eGFR and its current slope. Our results indicate that this model had good predictive performances (AUC at 5 years ranging from 0.75 to 0.86 according to the time at prediction after transplantation), which were much better than the standard Cox model accounting for baseline predictors only (5-year AUC variant from 0.56 to 0.62). This model which allows the prediction of graft failure to be updated at each clinical visit after transplantation based on all previous observed values of eGFR, should be validated on populations other than the French population. We believe that such a tool could ultimately be useful in the clinical follow-up of young kidney transplanted patients.

Le nombre croissant d’essais cliniques pour le traitement du cancer a conduit à la standardisation de l’évaluation de la réponse tumorale. Dans les essais cliniques de phase III des cancers avancés, la survie sans progression est souvent appliquée comme un critère de substitution pour la survie globale. Pour les tumeurs solides, la progression est généralement définie par les critères RECIST qui utilisent l’information sur le changement de taille des lésions cibles et les progressions de la maladie non-cible. Malgré leurs limites, les critères RECIST restent l’outil standard pour l’évaluation des traitements. En particulier, la taille tumorale mesurée au cours de temps est utilisée comme variable ponctuelle catégorisée pour identifier l’état d’un patient. L’approche statistique de la modélisation conjointe permet une analyse plus précise des marqueurs de réponse tumorale et de la survie. En outre, les modèles conjoints sont utiles pour les prédictions dynamiques individuelles. Dans ce travail, nous avons proposé d’appliquer un modèle conjoint trivarié pour des données longitudinales (taille tumorale), des évènements récurrents (les progressions de la maladie non-cible) et la survie. En utilisant des mesures de capacité prédictive, nous avons comparé le modèle proposé avec un modèle pour les progressions tumorales, définies selon les critères standards et la survie. Pour un essai clinique randomisé porté sur le cancer colorectal, nous avons trouvé une meilleure capacité prédictive du modèle proposé. Dans la deuxième partie, nous avons développé un logiciel en libre accès pour l’application de l’approche de modélisation conjointe proposée et les prédictions. Enfin, nous avons étendu le modèle à une analyse plus sophistiquée de l’évolution tumorale à l’aide d’un modèle mécaniste. Une équation différentielle ordinaire a été mise en œuvre pour décrire la trajectoire du marqueur biologique en tenant compte les caractéristiques biologiques de la croissance tumorale. Cette nouvelle approche contribue à la recherche clinique sur l’évaluation d’un traitement dans les essais cliniques grâce à une meilleure compréhension de la relation entre la réponse tumorale et la survie. / The increasing number of clinical trials for cancer treatments has led to standardization of guidelines for evaluation of tumor response. In phase III clinical trials of advanced cancer, progression-free survival is often applied as a surrogate endpoint for overall survival (OS). For solid tumors, progression is usually defined using the RECIST criteria that use information on the change of size of target lesions and progressions of non-target disease. The criteria remain the standard tool for treatment evaluation despite their limitations. In particular, repeatedly measured tumor size is used as a pointwise categorized variable to identify a patient’s status. Statistical approach of joint modeling allows for more accurate analysis of the tumor response markers and survival. Moreover, joint models are useful for individual dynamic predictions of death using patient’s history. In this work, we proposed to apply a trivariate joint model for a longitudinal outcome (tumor size), recurrent events (progressions of non-target disease) and survival. Using adapted measures of predictive accuracy we compared the proposed joint model with a model that considered tumor progressions defined within standard criteria and OS. For a randomized clinical trial for colorectal cancer patients, we found better predictive accuracy of the proposed joint model. In the second part, we developed freely available software for application of the proposed joint modeling and dynamic predictions approach. Finally, we extended the model to a more sophisticated analysis of tumor size evolution using a mechanistic model. An ordinary differential equation was implemented to describe the trajectory of the biomarker regarding the biological characteristics of tumor size under a treatment. This new approach contributes to clinical research on treatment evaluation in clinical trials by better understanding of the relationship between the markers of tumor response with OS.

La recherche sur le traitement des cancers a évolué durant les dernières années principalement dans une direction: la médecine personnalisée. Idéalement, le choix du traitement doit être basé sur les caractéristiques dupatient et de sa tumeur. Cet objectif nécessite des développements biostatistiques, pour pouvoir évaluer lesmodèles pronostiques, et in fine proposer le meilleur. Dans une première partie, nous considérons le problèmede l’évaluation d’un score pronostique dans le cadre de données multicentriques. Nous étendons deux mesuresde concordance aux données groupées analysées par un modèle à fragilité partagée. Les deux niveaux inter etintra-groupe sont étudiés, et l’impact du nombre et de la taille des groupes sur les performances des mesuresest analysé. Dans une deuxième partie, nous proposons d’améliorer la prédiction du risque de décès en tenantcompte des rechutes précédemment observées. Pour cela nous développons une prédiction issue d’un modèleconjoint pour un événement récurrent et un événement terminal. Les prédictions individuelles proposées sontdynamiques, dans le sens où le temps et la fenêtre de prédiction peuvent varier, afin de pouvoir mettre à jourla prédiction lors de la survenue de nouveaux événements. Les prédictions sont développées sur une série hospitalièrefrançaise, et une validation externe est faite sur des données de population générale issues de registres decancer anglais et néerlandais. Leurs performances sont comparées à celles d’une prédiction issue d’une approchelandmark. Dans une troisième partie, nous explorons l’utilisation de la prédiction proposée pour diminuer ladurée des essais cliniques. Les temps de décès non observés des derniers patients inclus sont imputés en utilisantl’information des patients ayant un suivi plus long. Nous comparons trois méthodes d’imputation : un tempsde survie moyen, un temps échantillonné dans une distribution paramétrique et un temps échantillonné dansune distribution non-paramétrique des temps de survie. Les méthodes sont comparées en termes d’estimationdes paramètres (coefficient et écart-type), de risque de première espèce et de puissance. / Research on cancer treatment has been evolving for last years in one main direction: personalised medicine. Thetreatment choice must be done according to the patients’ and tumours’ characteristics. This goal requires somebiostatistical developments, in order to assess prognostic models and eventually propose the best one. In a firstpart, we consider the problem of assessing a prognostic score when multicentre data are used. We extended twoconcordance measures to clustered data in the context of shared frailty model. Both the between-cluster andthe within-cluster levels are studied, and the impact of the cluster number and size on the performance of themeasures is investigated. In a second part, we propose to improve the prediction of the risk of death accountingfor the previous observed relapses. For that, we develop predictions from a joint model for a recurrent event anda terminal event. The proposed individual prediction is dynamic, both the time and the horizon of predictioncan evolve, so that the prediction can be updated at each new event time. The prediction is developed ona French hospital series, and externally validated on population-based data from English and Dutch cancerregistries. Its performances are compared to those of a landmarking approach. In a third part, we explore theuse of the proposed prediction to reduce the clinical trial duration. The non-observed death times of the lastincluded patients are imputed using the information of the patients with longer follow-up. We compared threemethods to impute the data: a survival mean time, a time sampled from the parametric distribution and atime sampled from a non-parametric distribution of the survival times. The comparison is made in terms ofparameters estimation (coefficient and standard-error), type-I error and power.

L'association entre le tabac et le cancer du poumon ou entre l'exposition professionnelle à l'amiante et le mésothéliome pleural ont largement été étudiées. Cependant, comme pour de nombreuses autres relations expositions prolongées-cancer, le rôle de l'intensité d'exposition tout au long de la vie a été peu étudié. La prise en compte de la variation de l'intensité au cours de la vie et de son effet dépendant du temps dans les analyses statistiques des données cas-témoins pose en effet quelques défis méthodologiques. Les objectifs de la thèse étaient 1) d'étudier l'effet dépendant du temps de l'intensité d'exposition au cours de la vie sur le risque de cancer et 2) d'identifier les profils de trajectoires d'intensité d'exposition sur la vie entière et comparer les risques de cancer associés. Pour répondre à ces deux objectifs, nous avons utilisé un indice cumulé d'exposition pondéré flexible déjà existant et nous avons développé un nouveau modèle conjoint à classes latentes, pour analyser les données de deux études cas-témoins françaises sur le mésothéliome pleural et le cancer du poumon. Les résultats montrent la contribution importante de l'intensité de la consommation de tabac récente pour le cancer du poumon et des expositions professionnelles anciennes à l'amiante pour les deux cancers. Ils confirment l'importance de considérer l'aspect temporel des expositions pour évaluer l'association avec le risque de cancer et illustrent l'intérêt des approches statistiques considérées. / The association between smoking and lung cancer or between occupational exposure to asbestos and pleural mesothelioma have been extensively investigated. Nevertheless, as for many protracted exposures-cancer relationships, the role of exposure intensity over lifetime has been rarely addressed. Accounting for individual variation of intensity over lifetime and investigating time-dependent effect in the statistical analysis of case-control data indeed raise several methodological issues. The thesis objectives were 1) to study the time-dependent effect of exposure intensity over lifetime on the risk of cancer and 2) to identify lifetime profiles of exposure intensities and to compare their associated risks of cancer. To address these objectives, we used an existing flexible weighted cumulative index of exposure and we developed a new joint latent class mixed model, to analyze the data from two French case-control studies on lung cancer and pleural mesothelioma. The results show the important contribution of recent smoking intensity for lung cancer and distant intensity of exposure to asbestos for both cancers. They confirm the importance of the timing of exposure in the association with the risk of cancer and illustrate the relevance of the proposed statistical approaches.

Dans les études longitudinales en cancer, une problématique majeure est la description de l’évolution de la maladie d’un patient ou la prédiction de son état futur, à partir de mesures répétées d’un marqueur biologique. La modélisation conjointe permet de répondre à ces objectifs, mais elle a principalement été développée pour l’étude simultanée d’un marqueur longitudinal Gaussien et d’un unique temps d’événement. Afin de caractériser les transitions entre événements successifs qu’un patient peut connaître, nous étendons la méthodologie classique en introduisant un modèle conjoint pour un processus longitudinal Gaussien et un processus multi-états Markovien non homogène. Le modèle suppose que les temps de transition individuels sont indépendants conditionnellement aux covariables incluses. Nous proposons aussi un score test afin de tester cette hypothèse. Ces développements sont appliqués à deux cohortes d’hommes avec un cancer de la prostate localisé traité par radiothérapie. Le modèle permet de quantifier l’impact des dynamiques de l’antigène spécifique de la prostate, et d’autres facteurs pronostiques mesurés à la fin du traitement, sur chaque intensité de transition entre états cliniques prédéfinis. Cette thèse fournit ensuite des outils statistiques et des lignes directrices pour le calcul de prédictions dynamiques individuelles d’événements cliniques, dans le cadre de risques compétitifs. Enfin, un dernier travail amène une réflexion sur la modélisation conjointe de données longitudinales ordinales et de données de survie, avec une technique d’inférence innovante. Ainsi, ce travail introduit des méthodes statistiques adaptées à divers types de données longitudinales et d’histoire d’événements, qui permettent de répondre aux besoins des cliniciens. Des recommandations méthodologiques et des outils logiciels sont associés à chaque développement, pour une utilisation pratique par les communautés clinique et statistique. / In longitudinal studies in cancer, a major problem is the description of the patient’s disease evolution or the prediction of his future state, based on repeated measurements of a biological marker. Joint modelling enables to meet these objectives but it has mainlybeen developed for the simultaneous study of a Gaussian longitudinal marker and a single event time. In order to characterize the transitions between successive events that a patient may experience, we extend the classical methodology by introducing a joint model for a Gaussian longitudinal process and a non-homogeneous Markovian multi-state process. The model assumes that individual transition times are independent conditionally to included covariates. We also propose a score test to assess this assumption. These developments are applied on two cohorts of men with localized prostate cancer treated with radiotherapy. The model quantifies the impact of prostate specific antigen dynamics, and other prognostic factors measured at the end of treatment, on each transition intensity between predefined clinical states. This thesis then provides statistical tools and guidelines for the computation of individual dynamic predictions of clinical events in the context of competitive risks. Finally, a last work leads to a reflection on joint modelling of longitudinal ordinal data and survival data with an innovative inference technique. To conclude, this work introduces statistical methods adapted to various types of longitudinal data and event history data, which meet the needs of clinicians. Methodological recommendations and software tools are associated with each development, for practical use by the clinical and statistical communities.