SEARCH

SEARCH BY CITATION

Keywords:

  • Colon cancer;
  • cure fraction;
  • finite mixture models;
  • random effects;
  • relative survival;
  • SEER;
  • MSC 2010: Primary 62P10;
  • secondary 62N02

Abstract

As the treatments of cancer progress, a certain number of cancers are curable if diagnosed early. In population-based cancer survival studies, cure is said to occur when mortality rate of the cancer patients returns to the same level as that expected for the general cancer-free population. The estimates of cure fraction are of interest to both cancer patients and health policy makers. Mixture cure models have been widely used because the model is easy to interpret by separating the patients into two distinct groups. Usually parametric models are assumed for the latent distribution for the uncured patients. The estimation of cure fraction from the mixture cure model may be sensitive to misspecification of latent distribution. We propose a Bayesian approach to mixture cure model for population-based cancer survival data, which can be extended to county-level cancer survival data. Instead of modeling the latent distribution by a fixed parametric distribution, we use a finite mixture of the union of the lognormal, loglogistic, and Weibull distributions. The parameters are estimated using the Markov chain Monte Carlo method. Simulation study shows that the Bayesian method using a finite mixture latent distribution provides robust inference of parameter estimates. The proposed Bayesian method is applied to relative survival data for colon cancer patients from the Surveillance, Epidemiology, and End Results (SEER) Program to estimate the cure fractions. The Canadian Journal of Statistics 40: 40–54; 2012 © 2012 Statistical Society of Canada

Au fur et à mesure que le traitement des cancers progresse, un certain nombre de cancers deviennent curables si le diagnostic est précoce. Dans les études de survie de population sur le cancer, une guérison se produit lorsque le taux de mortalité d'un patient cancéreux retourne à celui moyen de la population générale des individus non atteints d'un cancer. Les estimations du taux de guérison sont intéresantes pour les patients atteints d'un cancer et les gestionnaires de la santé. Les mélanges de modèles de guérison sont très utilisés, car ces modèles sont faciles à interpréter en séparant les patients en deux groupes disctincts. Habituellement, des modèles paramétriques sont utilisés pour la distribution latente des patients non guéris. L'estimation du taux de guérison à l'aide d'un mélange de modèles peut être très sensible au choix inexact de la distribution latente. Nous proposons une approche bayésienne aux mélanges de modèles de guérison pour les données de survies du cancer au niveau de la population qui peut être étendue au niveau des comtés. Au lieu d'utiliser une distribution paramétrique donnée, nous utilisons un mélange fini de distributions lognormale, loglogistique et de Weibull. Les paramètres sont estimés par la méthode de Monte-Carlo markovienne. Une étude de simulation montre que la méthode bayésienne utilisant un mélange fini pour la distribution latente amène une inférence robuste des paramètres. La méthode bayésienne proposée est appliquée à des données de survie relative de patients ayant le cancer du côlon obtenues par le programme de surveillance, épidémiologie et résultats finaux (SEER) afin d'estimer les taux de guérison. La revue canadienne de statistique 40: 40–54; 2012 © 2012 Société statistique du Canada