Sans doute la constatation la plus importante a été que de ces 31, 24 (77,4%) ont présenté des courbes de Kaplan-Meier (ou leur complément) pour décrire comment la probabilité de défaillance pour une cause donnée (type de défaillance) a varié avec le temps. C`est inquiétant, car comme Austin et fine décrivent (suivant beaucoup d`autres avant eux, par exemple Andersen et coll.), cela donne des estimations biaisées de l`incidence cumulative en présence de risques concurrents. Ce biais se produit parce qu`une fois qu`un individu échoue d`un événement concurrent (par exemple, la mort), par définition, il ne peut pas échouer de l`événement d`intérêt. L`approche de Kaplan-Meier censure ces individus quand ils échouent au risque concurrent, en supposant qu`ils sont encore à risque de manquer de l`événement d`intérêt, même après qu`ils sont censurés, alors qu`en fait ils sont maintenant à zéro risque d`échec d`autres causes par Définition. Trois types de mortalité pour les enfants de moins de cinq ans sont envisagés. Il s`agit de maladies, de non-maladies et d`autres causes. Les probabilités de survie de limite de produit pour la mortalité infantile de moins de cinq ans avec test log-Rank ont été utilisées pour sélectionner un ensemble de covariables pour le modèle de régression. Les covariables trouvées pour avoir une association significative dans l`analyse bivariée n`ont été prises en compte que dans l`analyse de régression. Pour l`analyse des données sur les risques concurrents, la méthode d`analyse de survie standard, à savoir le modèle Cox PH, a été couramment utilisée. Il existe un certain nombre de limitations dans l`utilisation de ce modèle. Comme remède, fine et Gray [22] a proposé un modèle de PH basé sur le CIF pour analyser les données de survie découlant d`une configuration de risque concurrente. Dans la configuration des risques concurrents, sous chaque cause pour l`occurrence d`un événement d`intérêt, une fonction de danger en présence de covariables est envisagée. Le nombre d`échecs des causes autres que la cause d`intérêt réduit le nombre réel d`échecs de la cause d`intérêt.

Par conséquent, influencer l`estimation de la probabilité d`échec de la cause d`intérêt [11]. Pour s`en occuper, fine et Gray [22] ont développé un modèle de régression de survie en utilisant les fonctions de risque CIF et de sous-distribution. Les paramètres impliqués dans le modèle sont estimés en incorporant des pondérations dans la fonction de vraisemblance partielle [30]. Sous ce modèle, pour une covariable XR, le rapport de risque de sous-distribution (SHR) pour la cause j (j = 1, ⋯, p) est donné par exp (βjr) en gardant toutes les autres covariables à un niveau fixe, où βjr est le coefficient de régression [22, 31, 32].