. Braata, . Blokj, and . Putterh, TheEurotransplantdonorriskindexin livertransplantation:ET-DRI, Am J Transplant, vol.12, pp.2789-2796, 2012.

C. Tectoraj and . Viannar, Useofextendedcriterialivers decreases wait time for liver transplantation without adversely impactingposttransplantsurvival, Ann Surg, vol.244, pp.439-450, 2006.

S. Feng, N. Goodrich, and . Bragg-greshamj, Characteristics associatedwithlivergraftfailure:theconceptofadonorriskindex, Am J Transplant, vol.6, pp.783-790, 2006.

. Blokjj, . Braatae, and . Adamr, Validationofthedonorriskindexin orthotopiclivertransplantationwithintheEurotransplantregion, Liver Transpl, vol.18, pp.112-119, 2012.

C. Duvoux, F. Roudot-thoraval, and T. Decaens, Liver transplantation for hepatocellular carcinoma: a model including ?-fetoprotein improves the performance of Milan criteria, Gastroenterology, vol.143, pp.986-994, 2012.
URL : https://hal.archives-ouvertes.fr/inserm-00865368

. Schaubeld, . Simac, . Goodrichn, and M. Fengs, Thesurvivalbenefitofdeceaseddonorlivertransplantationasafunctionofcandidate diseaseseverityanddonorquality, Am J Transplant, vol.8, pp.419-425, 2008.

A. Roystonp, ExternalvalidationofaCoxprognosticmodel: principlesandmethods, BMC Med Res Methodol, vol.13, p.33, 2013.

. Vanhouwelingenhc, Validation,calibration,revisionandcombinationofprognosticsurvivalmodels, Stat Med, vol.19, pp.3401-3415, 2000.

. Millerme and T. Huisl, Validationtechniquesforlogisticregressionmodels, Stat Med, vol.10, pp.1213-1226, 1991.

F. E. Harrell, R. M. Califf, D. B. Pryor, K. L. Lee, and R. A. Rosati, Evaluating the yieldofmedicaltests, JAMA, vol.247, pp.2543-2546, 1982.

H. Gönenm, Concordanceprobabilityanddiscriminatorypower inproportionalhazardsregression, Biometrika, vol.92, pp.965-970, 2005.

S. Roystonp, Anewmeasureofprognosticseparationin survivaldata, Stat Med, vol.23, pp.723-748, 2004.

, RDevelopmentCoreTeamA Language and Environment for Statistical Computing.Vienna:DevelopmentCoreTeam, 2016.

K. G. Moons, D. G. Altman, and J. B. Reitsma, Transparent reporting of a multivariable prediction model for individual prognosis or diagnosis (TRIPOD): explanation and elaboration, Ann Intern Med, vol.162, pp.1-73, 2015.

. Reichertb, . Kaltenborna, and S. Goldisa, Prognosticlimitations oftheEurotransplant-donorriskindexinlivertransplantation, J Negat Results Biomed, vol.12, p.1, 2013.

D. Altman, Prognostic models: a methodological framework and reviewofmodelsforbreastcancer, Cancer Invest, vol.27, p.235, 2009.

A. Moonskg and R. Vergouwey, Prognosisandprognosticresearch:applicationandimpactofprognosticmodelsinclinicalpractice, BMJ, vol.338, p.606, 2009.

J. J. Blok, H. Putter, D. Boer, J. D. Braat, and A. , Reply to: external validation of the donor risk index and the eurotransplant donor risk index on the french liver transplantation registry. Liver Int, 2017.

A. Winter, C. Féray, and E. Audureau, External validation of the donor risk index and the eurotransplant donor risk index on the french liver transplantation registry. Liver Int, 2017.
URL : https://hal.archives-ouvertes.fr/hal-01897350

P. Royston and D. G. Altman, External validation of a Cox prognostic model: principles and methods, BMC Med Res Methodol, vol.13, p.33, 2013.

S. Feng, N. P. Goodrich, and J. L. Bragg-gresham, Characteristics associated with liver graft failure: the concept of a donor risk index, Am J Transplant, vol.6, pp.783-790, 2006.

D. Schaubel, M. Guidinger, and S. Biggins, Survival benefit-based deceased-donor liver allocation, Am J Transplant, vol.9, pp.970-981, 2009.
DOI : 10.1111/j.1600-6143.2009.02571.x
URL : http://europepmc.org/articles/pmc2895923?pdf=render

, The survival benefit of deceased donor liver transplantation as a function of candidate disease severity and donor quality, American journal of transplantation, vol.8, issue.2, pp.419-425, 2008.

P. S. Kamath, R. H. Wiesner, M. Malinchoc, W. Kremers, T. M. Therneau et al., A model to predict survival in patients with end-stage liver disease, Hepatology, vol.33, issue.2, pp.464-470, 2001.

D. Schaubel, C. Sima, N. Goodrich, S. Feng, M. et al., The survival benefit of deceased donor liver transplantation as a function of candidate disease severity and donor quality, American journal of transplantation, vol.8, issue.2, pp.419-425, 2008.

D. E. Schaubel, R. A. Wolfe, and F. K. Port, A sequential stratification method for estimating the effect of a time-dependent experimental treatment in observational studies, Biometrics, vol.62, issue.3, pp.910-917, 2006.

S. Références-feng, Royston et Sauerbrei Statistics in medicine, vol.6, pp.1-73, 1982.

, Table des figures 1.1 Parcours possibles des patients inscrits sur liste d'attente pour une greffe hépatique, p.15

O. , E. .. Optimatch, . Eurotransplant, and . .. Optimatch, 48 2.3 Courbes de Kaplan-Meier pour les groupesàgroupesà risque dans les données de validation (les codes couleurs réfèrent aux classes de DRI)

. Courbes-de-kaplan, Meier pour les groupesàgroupesà risque pour les données de validation (les codes couleurs correspondentàcorrespondentà différentes valeurs de l'ET-DRI)

.. .. Flow,

.. .. Courbes-de-kaplan-meier-pour-les-groupesàgroupesà-risque,

. .. Le-dri-optimatch,

. , Calibration plotàplotà 12 mois pour le DRI Optimatch

.. .. Flow,

. , greffè a risque, greffe nonànonà risque) pour n " 6 patients (i " 1

, Les différentsdifférentsétats de la maladie hépatique en phase terminale considérés dans le modèle, vol.84

. Histogramme, . Plot, and B. Densité-lissée-des??des?-des??-r,b-basés-sur,

. , Hazard ratios de mortalité et leurs intervalles de confiancè a 95% par catégories de MELD et de DRI-Optimatch et par catégories de MELD tous DRI-Optimatch confondus. Pour chacune de ces analyses, le groupe de comparaison est celui des patients restés sur liste dans l'attente d'un possible greffonàgreffonà DRI-Optimatch plus faible

. , Le bénéfice de survie est calculé en mesurant la différence entre l'aire sous la courbe de la survie prédite sur liste d'attente et l'aire sous la courbe de la survie prédite posttransplantation ici sur une durée de 5 ans

. , Pour un sujet i et une section j, S ij = le temps que le sujet i a passé sur liste d'attente avant son entrée dans l'´ echantillon/section j ; D ij ou T ij ou C ij = le temps de suivi du sujet i dans la section j jusqu

. , Flow chart des patients inscrits durant l'année, 2014.

. , Flow chart du pool de patients inscrits avant janvier, 2014.

. , Flow chart des patients transplantés

. , Modèle de simulation de l'allocation de greffe hépatique

C. ,

. , Histogramme, boxplot, q/q plot et densité lissée des??des? des?? 1,b basés sur B " 200 ré-´ echantillonnages booststrap

. , Histogramme, boxplot, q/q plot et densité lissée des??des? des?? 2,b basés sur B " 200 ré-´ echantillonnages booststrap

C. ,

. , Histogramme, boxplot, q/q plot et densité lissée des??des? des?? 3,b basés sur B " 200 ré-´ echantillonnages booststrap

. , Histogramme, boxplot, q/q plot et densité lissée des??des? des?? 4,b basés sur B " 200 ré-´ echantillonnages booststrap

, C, vol.5

. , Histogramme, boxplot, q/q plot et densité lissée des??des? des?? 5,b basés sur B " 200 ré-´ echantillonnages booststrap

C. ,

. , Histogramme, boxplot, q/q plot et densité lissée des??des? des?? 6,b basés sur B " 200 ré-´ echantillonnages booststrap

C. ,

. , Histogramme, boxplot, q/q plot et densité lissée des??des? des?? 7,b basés sur B " 200 ré-´ echantillonnages booststrap

C. ,

. , Histogramme, boxplot, q/q plot et densité lissée des??des? des?? 8,b basés sur B " 200 ré-´ echantillonnages booststrap

C. ,

. , Histogramme, boxplot, q/q plot et densité lissée des??des? des?? 9,b basés sur B " 200 ré-´ echantillonnages booststrap

, Liste des tableaux

. , Descriptif de la base des contre-indications temporaires

.. .. Descriptif-de-la-base-donneur,

.. .. Descriptif-de-la-base-bilans-donneur,

. Descriptif-de-la-base-d'appariement-entre-donneur and . .. Receveur, , p.25

. Descriptif-de-la-base-d'appariement-entre-donneur and . .. Receveur, 26 1.13 Descriptif de la base complication après-greffe

. , C : la calibration ; A : l'ajustement du modèle.) Avec PI = index pronostique et HR = hazard ratio

. Feng, et celles de la base Optimatch. Les valeurs de p correspondent aux tests faits entre les données d'OPTN et celles de la base Optimatch, 2006.

. Feng, ]) et celle de la base Optimatch. Les valeurs de p correspondent aux tests faits entre les données d'OPTN et celles de la base Optimatch (test du ?2 ou comparaison de moyennes), Différences entre les caractéristiques du receveur selon les données de la base OPTN, 2006.

. Braat, ]) et celles de la base Optimatch. Les valeurs de p correspondent aux tests faits entre les données d'Eurotransplant et celles de la base Optimatch (test du ?2 ou comparaison de moyennes), Différences entre les caractéristiques du donneur et de la transplantation entre les données de la base Eurotransplant, 2012.

. Braat, ]) et celles de la base Optimatch. Les valeurs de p correspondent aux tests faits entre les données d'Eurotransplant et celles de la base Optimatch (test du ?2 ou comparaison de moyennes), Différences entre les caractéristiques du receveur entre la base de données Eurotransplant, 2012.

, Mesures de discrimination sur la base de validation avec et sans ? DRI fixéfixéà 1, p.49

. Feng, Survie du greffonàgreffonà 3 mois, 1 an et 3 ans selon le DRI, p.50, 2006.

, Liste des tableaux

. , 1 an et 3 ans estiméè a l'aide de l'estimateur de Kaplan Meier selon les groupes de DRI dans la

. , Hazard ratios entre les groupesàgroupesà risque sur la base de validation

, Mesures de discrimination sur la base de validation avec ? ET-DRI fixé ou pasàpasà 1, p.53

. Braat, Survie du greffonàgreffonà 3 mois, 1 an et 3 ans selon l'ET-DRI, p.54, 2012.

. , 1 an et 3 ans estiméè a l'aide de l'estimateur de Kaplan Meier selon les groupes de ET-DRI dans la

. , Hazard ratios entre groupesàgroupesà risque sur la base de validation

. , Caractéristiques du donneur et de la transplantation dans la base ayant servì a l'´ elaboration d'un nouveau score DRI avec les valeurs de p du test du Log-rank pour les covariables qualitatives

, Caractéristiques du receveur dans la base ayant servì a l'´ elaboration d'un nouveau score DRI avec les valeurs de p du test du Log-rank pour les covariables qualitatives, p.63

, Seuil des covariables quantitatives et test du Log-rank selon les groupesàgroupesà risque, p.67

. , Les covariables retenues selon les différents modes de sélection

. , Modèle de Cox avec comme covariables d'ajustement : re-transplantation, composante experte, dialyse, statut avant greffe, anticorps anti-hépatite C, diabète, cirrhose décompensée, groupe sanguin du receveur et du donneur

, Exemple de combinaisons possibles des variables du score et impact sur le score, p.71

. , 1 an et 3 ans estimé par l'estimateur de Kaplan Meier selon les groupes de DRI-Optimatch

. , Avec le groupe 0 : 1.0 ? DRI-Optimatch ? 1.58, le groupe 1 : 1.58 ? DRI-Optimatch ? 2.35 et le groupe 2 : DRI-Optimatch ? 2.35, Hazard ratios selon les groupesàgroupesà risque de DRI-Optimatch

. , Mesures de discrimination avec et sans correction par l'optimisme et leur intervalle de confiancè a 95 %

. , Caractéristiques de la population d'´ etudè a l'inscription sur liste d'attente de greffe (8526 patients)

.. .. Nombre-d'´-evènements-dans-la-population-d'´-etude, , vol.87

. , Hazard ratio estimé par la méthode de stratification séquentielle

, Hazard ratio estimé par la méthode de stratification séquentielle avec bootstrap, p.89

. , Distribution des greffons selon le MELD (au moment de la greffe) et le DRI-Optimatch (effectifs par catégories)

. , Hazard ratios estimés par la méthode de stratification séquentielle

M. De and . .. De-dri-optimatch, 94 4.8 Hazard ratios estimés par la méthode de stratification séquentielle toutes classes de DRIOptimatch confondues
URL : https://hal.archives-ouvertes.fr/hal-00453293

. , Hazard ratios estimés par la méthode de stratification séquentielle après 200 simulations bootstrap

. , Cette estimation a ´ eté faite en fonction de l'attente sur liste d'attente. 1 ` ere année : les greffes ayant eu lieu lors de lapremì ere année suivant l'inscription, et 2 ` eme année ou plus : pour celles ayant eu lieu après la 1 ` ere année sur liste d'attente, Hazard ratios estimés par la méthode de stratification séquentielle

, Exemple bénéfice de survie et calcul du bénéfice pour la population de patient, p.100

, CaractéristiquesCaractéristiquesà la greffe du receveur, du donneur et de la transplantation, p.102

. Modèle-post-greffe, Les maladies sont classées comme, vol.106

, Modèle de transplantation. Les maladies sont classées comme

. , Modèle de décès pré-greffe sans poids, pour intervalles de 3 jours. Les maladies sont classées comme indiqué dans le tableau

. , Modèle de décès pré-greffe avec poids A, pour intervalles de 3 jours. Les maladies sont classées comme indiqué dans le tableau

. , 122 5.10 Modèle de décès pré-greffe avec poids C, pour intervalles de 3 jours. Les maladies sont classées comme indiqué dans le tableau

. , Indice de concordance des modèles pré-greffe

, Indice de concordance des modèles pré-greffe corrigés par la méthode de validation croisée, vol.124

, Caractéristiques des greffons utilisés entre le 1er janvier 2014 et le 31 décembre, p.130, 2014.

, Modèle de sortie pré-greffe. Les maladies sont classées comme

.. .. Modèle-de-décès-pré-greffe,

. , Modèle de décès/arrêt de greffon post-greffe

. , Validité du modèle de simulation. Les résultats des différents modèles sont présentés comme la moyenne et l'´ ecart type des 30 simulations

, Classe A : 5 ` a 6 points, Classe B : 7 ` a 9 points et Classe C : 10à10à 15

A. Abo-compatibilité-entre-donneur and . .. Receveur,

B. , Survie du greffonàgreffonà 3 mois, 1 an et 3 ans estiméè a l'aide de l'estimateur de Kaplan Meier selon les groupes de DRI standardisé dans notre base

. , Survie du greffonàgreffonà 3 mois, 1 an et 3 ans estiméè a l'aide de l'estimateur de Kaplan Meier selon les groupes de ET-DRI standardisé dans notre base

. , D.1 Modèle de décès pré-greffe sans poids, pour intervalles de 7 jours. Les maladies sont classées comme indiqué dans le tableau

. , Modèle de décès pré-greffe sans poids, pour intervalles de 15 jours

. , D.3 Modèle de décès pré-greffe avec poids A, pour intervalles de 7 jours. Les maladies sont classées comme indiqué dans le tableau

. , Modèle de décès pré-greffe avec poids A, pour intervalles de 15 jours. Les maladies sont classées comme indiqué dans le tableau

. , D.5 Modèle de décès pré-greffe avec poids B, pour intervalles de 7 jours. Les maladies sont classées comme indiqué dans le tableau

. , D.6 Modèle de décès pré-greffe avec poids B, pour intervalles de 15 jours. Les maladies sont classées comme indiqué dans le tableau

. , D.7 Modèle de décès pré-greffe avec poids C, pour intervalles de 7 jours. Les maladies sont classées comme indiqué dans le tableau

. , D.8 Modèle de décès pré-greffe avec poids C, pour intervalles de 15 jours. Les maladies sont classées comme indiqué dans le tableau

O. Bibliographie-alagoz, C. L. Bryce, S. Shechter, A. Schaefer, C. H. Chang et al., Incorporating biological natural history in simulation models: empirical estimates of the progression of end-stage liver disease, Medical Decision Making, vol.25, issue.6, pp.620-632, 2005.

B. Alkofer, B. Samstein, J. V. Guarrera, C. Kin, D. Jan et al., Extended-donor criteria liver allografts, Seminars in Liver Disease, vol.26, issue.03, pp.221-233, 2006.

D. Altman, Prognostic models: a methodological framework and review of models for breast cancer, Cancer investigation, vol.27, issue.3, p.90, 2009.

D. G. Altman, Y. Vergouwe, P. Royston, and K. G. Moons, Prognosis and prognostic research: validating a prognostic model, Bmj, vol.338, pp.605-644, 2009.

M. G. Amin, M. P. Wolf, J. A. Tenbrook, R. B. Freeman, S. J. Cheng et al., Expanded criteria donor grafts for deceased donor liver transplantation under the meld system: a decision analysis, Liver transplantation, vol.10, issue.12, pp.1468-1475, 2004.

P. K. Andersen and R. D. Gill, Cox's regression model for counting processes: a large sample study. The annals of statistics, pp.1100-1120, 1982.

N. Barshes, I. Horwitz, L. Franzini, J. Vierling, and J. Goss, Waitlist mortality decreases with increased use of extended criteria donor liver grafts at adult liver transplant centers, American journal of transplantation, vol.7, issue.5, pp.1265-1270, 2007.

J. M. Bland and D. Altman, Statistical methods for assessing agreement between two methods of clinical measurement. The lancet, vol.327, pp.307-310, 1986.

J. J. Blok, A. E. Braat, R. Adam, A. K. Burroughs, H. Putter et al., Validation of the donor risk index in orthotopic liver transplantation within the eurotransplant region, Liver transplantation, vol.18, issue.1, p.12, 2012.

G. K. Bonney, M. A. Aldersley, S. Asthana, G. J. Toogood, S. G. Pollard et al., Donor risk index and meld interactions in predicting long-term graft survival: a single-centre experience, Transplantation, vol.87, issue.12, pp.1858-1863, 2009.

A. Braat, J. Blok, H. Putter, R. Adam, A. Burroughs et al., The eurotransplant donor risk index in liver transplantation: Et-dri, American Journal of Transplantation, vol.12, issue.10, p.185, 2012.

N. E. Breslow, Contribution to the discussion of the paper by dr cox, Journal of the Royal Statistical Society : Series B, vol.34, issue.2, p.119, 1972.

P. J. Castaldi, I. J. Dahabreh, and J. P. Ioannidis, An empirical assessment of validation practices for molecular classifiers, Briefings in bioinformatics, pp.73-67, 2011.

C. Chatfield, Model uncertainty, data mining and statistical inference, Journal of the Royal Statistical Society. Series A (Statistics in Society), vol.158, issue.3, pp.419-466, 1995.

D. Collett, Modelling survival data in medical research, p.136, 2015.

D. R. Cox, Regression models and life-tables, Journal of the Royal Statistical Society. Series B (Methodological), vol.9, p.133, 1972.

D. R. Cox, Partial likelihood, Biometrika, vol.62, issue.2, pp.269-276, 1975.

N. Cuende, B. Miranda, J. F. Cañón, G. Garrido, and R. Matesanz, Donor characteristics associated with liver graft survival, Transplantation, vol.79, issue.10, pp.1445-1452, 2005.

C. Duvoux, F. Roudot-thoraval, T. Decaens, F. Pessione, H. Badran et al., Liver transplantation for hepatocellular carcinoma: a model including ?-fetoprotein improves the performance of milan criteria, Gastroenterology, vol.143, issue.4, p.11, 2012.
URL : https://hal.archives-ouvertes.fr/inserm-00865368

B. Efron and B. Efron, The jackknife, the bootstrap and other resampling plans, SIAM. Cité, vol.38, p.86, 1982.

A. S. Fauci, Harrison's principles of internal medicine, vol.2, pp.65-104, 2008.

S. Feng, N. Goodrich, J. Bragg-gresham, D. Dykstra, J. Punch et al., Characteristics associated with liver graft failure: the concept of a donor risk index, American Journal of Transplantation, vol.6, issue.4, p.79, 2006.

M. Gönen and G. Heller, Concordance probability and discriminatory power in proportional hazards regression, Biometrika, vol.92, issue.4, p.49, 2005.

Q. Gong and D. E. Schaubel, Partly conditional estimation of the effect of a time-dependent factor in the presence of dependent censoring, Biometrics, vol.69, issue.2, p.105, 2013.

E. Graf, C. Schmoor, W. Sauerbrei, and M. Schumacher, Assessment and comparison of prognostic classification schemes for survival data, Statistics in medicine, vol.18, pp.2529-2545, 1999.
DOI : 10.1002/(sici)1097-0258(19990915/30)18:17/18<2529::aid-sim274>3.3.co;2-x

F. E. Harrell, Regression modeling strategies: with applications to linear models, logistic regression, and survival analysis, p.35, 2013.

F. E. Harrell, R. M. Califf, D. B. Pryor, K. L. Lee, and R. A. Rosati, Evaluating the yield of medical tests, Jama, vol.247, issue.18, p.49, 1982.
DOI : 10.1001/jama.1982.03320430047030

F. E. Harrell, K. L. Lee, R. M. Califf, D. B. Pryor, and R. A. Rosati, Regression modelling strategies for improved prognostic prediction, Statistics in medicine, vol.3, issue.2, p.175, 1984.
DOI : 10.1002/sim.4780030207

F. E. Harrell, K. L. Lee, and D. B. Mark, Tutorial in biostatistics multivariable prognostic models: issues in developing models, evaluating assumptions and adequacy, and measuring and reducing errors, Statistics in medicine, vol.15, pp.361-387, 1996.

M. W. Heymans, S. Van-buuren, D. L. Knol, W. Van-mechelen, and H. C. Vet, Variable selection under multiple imputation using the bootstrap in a prognostic study, BMC Medical Research Methodology, vol.7, issue.1, pp.1-66, 2007.

J. H. Hoofnagle, M. Lombardero, R. K. Zetterman, J. Lake, M. Porayko et al., Donor age and outcome of liver transplantation, Hepatology, vol.24, issue.1, pp.89-96, 1996.

P. S. Kamath, R. H. Wiesner, M. Malinchoc, W. Kremers, T. M. Therneau et al., A model to predict survival in patients with end-stage liver disease, Hepatology, vol.33, issue.2, pp.464-470, 2001.

E. L. Kaplan and P. Meier, Nonparametric estimation from incomplete observations, Journal of the American statistical association, vol.53, issue.282, p.136, 1958.
DOI : 10.1007/978-1-4612-4380-9_25

W. D. Kelton and A. M. Law, Simulation modeling and analysis, vol.3, p.135, 2000.

J. T. Kent, O. , and J. , Measures of dependence for censored survival data, Biometrika, vol.75, issue.3, pp.525-534, 1988.

R. W. Klein, R. Dittus, S. Roberts, W. , and J. , Simulation modeling and healthcare, Medical decision making, vol.5, issue.21, pp.374-354, 1993.

A. Levey, J. Bosch, J. Lewis, T. Greene, N. Rogers et al., A more accurate method to estimate glomerular filtration rate from serum creatinine: A new prediction equation, Annals of Internal Medicine, vol.130, issue.6, pp.461-470, 1999.
DOI : 10.7326/0003-4819-130-6-199903160-00002

J. F. Markmann, J. W. Markmann, D. A. Markmann, A. Bacquerizo, J. Singer et al., Preoperative factors associated with outcome and their impact on resource use in 1148 consecutive primary liver transplants, Transplantation, vol.72, issue.6, pp.1113-1122, 2001.
DOI : 10.1097/00007890-200109270-00023

R. M. Merion, Doc, should i accept this offer or not?, Liver Transplantation, vol.10, issue.12, pp.1476-1477, 2004.
DOI : 10.1002/lt.20326
URL : http://onlinelibrary.wiley.com/doi/10.1002/lt.20326/pdf

R. M. Merion, D. E. Schaubel, D. M. Dykstra, R. B. Freeman, F. K. Port et al., The survival benefit of liver transplantation, American Journal of Transplantation, vol.5, issue.2, p.99, 2005.

C. Miles, D. Schaubel, X. Jia, A. Ojo, F. Port et al., Mortality experience in recipients undergoing repeat transplantation with expanded criteria donor and non-ecd deceased-donor kidneys, American journal of transplantation, vol.7, issue.5, pp.99-101, 2007.
DOI : 10.1111/j.1600-6143.2007.01742.x
URL : http://onlinelibrary.wiley.com/doi/10.1111/j.1600-6143.2007.01742.x/pdf

M. E. Miller, S. L. Hui, T. , and W. M. , Validation techniques for logistic regression models, Statistics in medicine, vol.10, issue.8, p.36, 1991.
DOI : 10.1002/sim.4780100805

A. M. Molinaro, R. Simon, and R. M. Pfeiffer, Prediction error estimation: a comparison of resampling methods, Bioinformatics, vol.21, issue.15, pp.3301-3307, 2005.
DOI : 10.1093/bioinformatics/bti499
URL : https://academic.oup.com/bioinformatics/article-pdf/21/15/3301/6236941/bti499.pdf

K. G. Moons, D. G. Altman, J. B. Reitsma, J. P. Ioannidis, P. Macaskill et al., Transparent reporting of a multivariable prediction model for individual prognosis or diagnosis (tripod): explanation and elaboration, Annals of internal medicine, vol.162, issue.1, p.66, 2015.

K. G. Moons, D. G. Altman, Y. Vergouwe, and P. Royston, Prognosis and prognostic research: application and impact of prognostic models in clinical practice, 338:b606. 5 citations pages, vol.39, p.59, 2009.
DOI : 10.1136/bmj.b606

A. O. Ojo, J. A. Hanson, H. Meier-kriesche, C. N. Okechukwu, R. A. Wolfe et al., Survival in recipients of marginal cadaveric donor kidneys compared with other recipients and wait-listed transplant candidates, Journal of the American Society of Nephrology, vol.12, issue.3, pp.589-597, 2001.

H. Palmiero, P. Kajikawa, I. Boin, E. Ataide, S. Coria et al., Liver recipient survival rate before and after meld implementation-donor risk index influence: 2778, Transplantation, vol.90, pp.770-802, 2010.
DOI : 10.1097/00007890-201007272-01490
URL : https://pdfs.journals.lww.com/transplantjournal/2010/07272/LIVER_RECIPIENT_SURVIVAL_RATE_BEFORE_AND_AFTER.1490.pdf?token=method|ExpireAbsolute;source|Journals;ttl|1523356464962;payload|mY8D3u1TCCsNvP5E421JYK6N6XICDamxByyYpaNzk7FKjTaa1Yz22MivkHZqjGP4kdS2v0J76WGAnHACH69s21Csk0OpQi3YbjEMdSoz2UhVybFqQxA7lKwSUlA502zQZr96TQRwhVlocEp/sJ586aVbcBFlltKNKo+tbuMfL73hiPqJliudqs17cHeLcLbV/CqjlP3IO0jGHlHQtJWcICDdAyGJMnpi6RlbEJaRheGeh5z5uvqz3FLHgPKVXJzdGlb2qsojlvlytk14LkMXSK0QLqEXh3hez4lyxyX0rc4RkFvNZTLHpya4sHl8LVsU;hash|bGl9AqaIq+PHhKvp52VqcA==

M. S. Pepe and D. Couper, Modeling partly conditional means with longitudinal data, Journal of the American Statistical Association, vol.92, issue.439, p.107, 1997.
DOI : 10.2307/2965563

, R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing, 2008.

A. Rana, M. Hardy, K. Halazun, D. Woodland, L. Ratner et al., Survival outcomes following liver transplantation (soft) score: a novel method to predict patient survival following liver transplantation, American Journal of Transplantation, vol.8, issue.12, pp.2537-2546, 2008.

B. Reichert, A. Kaltenborn, A. Goldis, and H. Schrem, Prognostic limitations of the eurotransplant-donor risk index in liver transplantation, Journal of negative results in biomedicine, vol.12, issue.1, pp.1-56, 2013.

M. S. Roberts, D. C. Angus, C. L. Bryce, Z. Valenta, W. et al., Survival after liver transplantation in the united states: a disease-specific analysis of the unos database, Liver transplantation, vol.10, issue.7, pp.886-897, 2004.

J. M. Robins and D. M. Finkelstein, Correcting for noncompliance and dependent censoring in an aids clinical trial with inverse probability of censoring weighted (ipcw) log-rank tests, Biometrics, vol.2, pp.107-113, 2000.

J. M. Robins and A. Rotnitzky, Recovery of information and adjustment for dependent censoring using surrogate markers, AIDS Epidemiology, p.107, 1992.

P. Royston and D. G. Altman, External validation of a cox prognostic model: principles and methods, BMC medical research methodology, vol.13, issue.1, p.66, 2013.

P. Royston and W. Sauerbrei, A new measure of prognostic separation in survival data, Statistics in medicine, vol.23, issue.5, p.49, 2004.

W. Sauerbrei, A. Boulesteix, and H. Binder, Stability investigations of multivariable regression models derived from low-and high-dimensional data, Journal of biopharmaceutical statistics, vol.21, issue.6, pp.1206-1231, 2011.

W. Sauerbrei, P. Royston, and H. Binder, Selection of important variables and determination of functional form for continuous predictors in multivariable model building, Statistics in medicine, vol.26, issue.30, pp.5512-5528, 2007.

D. Schaubel, M. Guidinger, S. Biggins, J. Kalbfleisch, E. Pomfret et al., Survival benefit-based deceased-donor liver allocation, American Journal of Transplantation, vol.9, issue.4p2, p.99, 2009.
DOI : 10.1111/j.1600-6143.2009.02571.x
URL : http://europepmc.org/articles/pmc2895923?pdf=render

D. E. Schaubel and J. D. Kalbfleisch, Assessing the effect on survival of kidney transplantation with higher-risk donor kidneys. Statistics in Action: A Canadian Outlook, vol.3, p.79, 2014.

S. M. Shechter, C. L. Bryce, O. Alagoz, J. E. Kreke, J. E. Stahl et al., A clinically based discrete-event simulation of end-stage liver disease and the organ allocation process, Medical Decision Making, vol.25, issue.2, p.142, 2005.

A. Singhal, X. Sheng, S. Drakos, and J. Stehlik, Impact of donor cause of death on transplant outcomes: Unos registry analysis, Transplantation Proceedings, vol.41, issue.9, pp.3539-3544, 2009.

X. Song, M. Davidian, and A. A. Tsiatis, A semiparametric likelihood approach to joint modeling of longitudinal and time-to-event data, Biometrics, vol.58, issue.4, p.107, 2002.

E. Steyerberg, Clinical prediction models: a practical approach to development, validation, and updating, p.66, 2008.

E. W. Steyerberg, S. E. Bleeker, H. A. Moll, D. E. Grobbee, and K. G. Moons, Internal and external validation of predictive models: a simulation study of bias and precision in small samples, Journal of clinical epidemiology, vol.56, issue.5, pp.441-447, 2003.

E. W. Steyerberg, G. Borsboom, H. C. Van-houwelingen, M. J. Eijkemans, and J. D. Habbema, Validation and updating of predictive logistic regression models: a study on sample size and shrinkage, Statistics in medicine, vol.23, issue.16, pp.2567-2586, 2004.

E. W. Steyerberg, M. J. Eijkemans, F. E. Harrell, and J. D. Habbema, Prognostic modelling with logistic regression analysis: a comparison of selection and estimation methods in small data sets, Statistics in medicine, vol.19, issue.8, pp.1059-1079, 2000.

E. W. Steyerberg, M. J. Eijkemans, F. E. Harrell, and J. D. Habbema, Prognostic modeling with logistic regression analysis in search of a sensible strategy in small data sets, Medical Decision Making, vol.21, issue.1, pp.45-56, 2001.

E. W. Steyerberg, F. E. Harrell, G. J. Borsboom, M. Eijkemans, Y. Vergouwe et al., Internal validation of predictive models: efficiency of some procedures for logistic regression analysis, Journal of clinical epidemiology, vol.54, issue.8, pp.66-114, 2001.

J. M. Taylor, Discussion of "predictive comparison of joint longitudinal-survival modeling: A case study illustrating competing approaches, Lifetime data analysis, vol.17, issue.1, p.107, 2011.

A. Tsiatis, V. Degruttola, and M. Wulfsohn, Modeling the relationship of survival to longitudinal data measured with error. applications to survival and cd4 counts in patients with aids, Journal of the American Statistical Association, vol.90, issue.429, p.107, 1995.

H. C. Van-houwelingen, Validation, calibration, revision and combination of prognostic survival models, Statistics in medicine, vol.19, issue.24, p.59, 2000.

J. Van-houwelingen and S. Le-cessie, Predictive value of statistical models, Statistics in medicine, vol.9, issue.11, pp.1303-1325, 1990.

S. Varma and R. Simon, Bias in error estimation when using cross-validation for model selection, BMC bioinformatics, vol.7, issue.1, pp.91-67, 2006.

Y. Vergouwe, K. G. Moons, and E. W. Steyerberg, External validity of risk models: Use of benchmark values to disentangle a case-mix effect from incorrect coefficients, American journal of epidemiology, vol.172, issue.8, pp.971-980, 2010.

L. Wei, D. Y. Lin, W. , and L. , Regression analysis of multivariate incomplete failure time data by modeling marginal distributions, Journal of the American statistical association, vol.84, issue.408, p.107, 1989.

T. J. Weismüller, A. Negm, T. Becker, H. Barg-hock, J. Klempnauer et al., The introduction of meld-based organ allocation impacts 3-month survival after liver transplantation by influencing pretransplant patient characteristics, Transplant International, vol.22, issue.10, pp.970-978, 2009.

R. Wiesner, E. Edwards, R. Freeman, A. Harper, R. Kim et al., Model for end-stage liver disease (meld) and allocation of donor livers, Gastroenterology, vol.124, issue.1, pp.91-96, 2003.

A. Winter, J. Daurès, and P. Landais, Author response to letter to the editor livint-17-00699. Accepté dans Liver International, p.49, 2017.

A. Winter, C. Féray, E. Audureau, R. Ecochard, C. Jacquelinet et al.,

J. Daurès and P. Landais, External validation of the donor risk index and the eurotransplant donor risk index on the french liver transplantation registry, Liver International. 4 citations pages, vol.59, p.75, 2017.

R. A. Wolfe, V. B. Ashby, E. L. Milford, A. O. Ojo, R. E. Ettenger et al., Comparison of mortality in all patients on dialysis, patients on dialysis awaiting transplantation, and recipients of a first cadaveric transplant, New England Journal of Medicine, vol.341, issue.23, pp.1725-1730, 1999.

M. S. Wulfsohn and A. A. Tsiatis, A joint model for survival and longitudinal data measured with error, Biometrics, p.107, 1997.

J. Xu and S. L. Zeger, Joint analysis of longitudinal data comprising repeated measures and times to events, Journal of the Royal Statistical Society: Series C (Applied Statistics), vol.50, issue.3, p.107, 2001.

Y. Zheng, T. Cai, M. S. Pepe, and W. C. Levy, Time-dependent predictive values of prognostic biomarkers with failure time outcome, Journal of the American Statistical Association, vol.103, issue.481, pp.362-368, 2008.

Y. Zheng and P. J. Heagerty, Partly conditional survival models for longitudinal data, Biometrics, vol.61, issue.2, pp.379-391, 2005.

B. Table, 2-Survie du greffonàgreffonà 3 mois, 1 an et 3 ans estiméè a l'aide de l'estimateur de Kaplan Meier selon les groupes de ET-DRI