建立用于生存数据的竞争风险回归列线图模型
2020年10月23日
本文介绍了一种基于Cox比例风险回归模型和竞争风险回归模型构建列线图的方案。当生存分析中存在竞争事件时，竞争风险方法是一种更为合理的分析方法。
本方案旨在基于竞争风险回归模型处理常规的资助问题，该模型在生存分析中处理交通事故等竞争事件时是一种更为合理的方法。经历竞争事件的个体通常提示存在多种风险，因为竞争风险之间通常并非相互独立。采用竞争风险模型下的常规资助方法，更适用于评估分析个体发生目标事件的概率。
安装 RMS 和竞争风险 R 软件包后，加载这些包并导入队列数据。为建立 Cox 比例风险回归模型，使用 CPH 函数将模型拟合到数据中，然后以两年预测生存率为示例，构建 Cox 回归列线图。使用 R 中的 meta 包计算风险评分并绘制森林图。在安装并加载 R 软件包后，获取群体风险评分（GRS），并将队列分为三个亚组。
然后绘制森林图，使用 CRR 函数获得风险比的下限置信区间和上限置信区间。为建立竞争风险回归模型，首先将预后变量放入一个矩阵中。使用 Cbind 函数按列合并变量，并将其拟合到模型中。
然后使用列线图函数构建Cox列线图。获取基线累积发生率函数（CIF），并替换竞争风险回归模型中的X beta和X点。将X reel中的总X点替换后，计算X评分并绘制列线图。
可根据竞争模型的内在属性计算X评分与X轨道关系的方程。CIF零表示基线CIF，由预测CRR函数计算得出。在示例队列中，共有8,550名符合条件的患者被纳入分析，中位随访时间为88个月。
采用Kaplan-Meier法计算肿瘤死亡与非肿瘤死亡的累积发生率，采用竞争风险回归函数分析竞争事件。使用Kaplan-Meier法计算的肿瘤死亡与非肿瘤死亡累积发生率之和高于所有死因死亡估计值之和，而当采用竞争风险方法时，所有死因死亡估计值之和等于癌症特异性死亡的累积发生率。基于婚姻状况、种族、组织学类型、分化程度、T分期和N分期等显著影响因素，利用Cox比例风险回归模型构建了列线图。
还使用竞争风险回归模型构建了列线图。根据风险评分，队列被分为三个亚组：低风险、中风险和高风险。森林图用于清晰展示组别风险评分与特定因素之间的相互作用。
在考虑年龄因素时，仅在低风险组中观察到年轻女性的预后更差，表明年轻年龄可能在中、高风险组中起到保护性预后因素的作用。在实施该方案时，重要的是要充分理解10年事件分析中不同的生存模型，并熟练掌握相关工具，以实现个体化指导。模型性能通过区分能力和校准比性能进行评估。
按照该操作步骤，可进行标准曲线的绘制以及相同间隔的设置，以验证竞争性正常授予以验证其效率。
查看完整文字稿并访问数千部科学视频
概述
本方案概述了使用Cox比例风险回归模型和竞争风险回归模型构建列线图的方法。在分析存在竞争事件的生存数据时，竞争风险方法尤为适用。
关键研究组成部分
科学领域
- 生存分析
- 统计建模
- 竞争风险
背景
- 竞争事件可能影响生存结局。
- 传统方法可能无法充分处理这些竞争风险。
- Cox 比例风险模型是生存分析中的标准方法。
- 列线图可提供风险预测的可视化表示。
研究目的
- 建立基于生存分析的列线图绘制方案。
- 演示竞争风险回归模型的应用。
- 提高在存在竞争事件情况下的生存概率评估能力。
使用的方法
- 安装并加载 RMS 和竞争风险 R 软件包。
- 导入队列数据以进行分析。
- 使用 CPH 函数拟合 Cox 比例风险回归模型。
- 建立 Cox 回归列线图以预测生存率。
主要结果
- 建立用于两年生存率的Cox回归列线图。
- 使用R语言中的meta包计算风险评分。
- 根据群体风险评分将队列划分为亚组。
- 通过森林图对结果进行可视化展示。
结论
- 竞争风险回归模型为生存分析提供了更为合理的方法。
- 列线图可有效传达风险预测结果。
- 该方案可应用于涉及竞争风险的各类研究。
常见问题
行业重要性概述
在肿瘤学和心血管药物研发中，准确的生存分析对于评估治疗效果和安全性至关重要。治疗相关死亡或非疾病死亡等竞争事件可能干扰传统的Kaplan-Meier和Cox模型，导致风险估计出现偏倚。本方案可帮助生物制药研发团队应用竞争风险回归模型和列线图，以改善预后分层，加强机制性风险评估，并支持临床前及早期临床研发中的立项/终止决策。
生物制药研发中的战略应用
早期发现与靶点验证
- 科学价值：通过区分疾病特异性死亡率与竞争风险，能够验证治疗假设，提高靶点可信度。
- 操作价值：在非靶向事件可能掩盖治疗效应的临床前模型中，通过优化风险分层支持生物学去风险化。
筛选与检测方法开发
- 科学价值：通过提供定量的、经竞争风险校正的生存终点，促进下游工作流程中经验证的生物系统的制备。
- 操作价值：利用列线图导出的风险评分，提高检测方法的标准化和可重复性，从而在不同研究间实现化合物评价的一致性。
转化与临床前研究
- 科学价值：通过将临床前生存终点与临床实际情况相一致，其中竞争事件影响结局，促进转化研究的连续性。
- 操作价值：基于竞争风险模型得出的群体风险评分识别亚组（低/中/高风险），支持经风险调整后的研发推进决策。
流程与工作流整合
该方法可融入从靶点验证到临床前开发的整个发现流程，尤其适用于生存终点受到非信息性删失或竞争风险干扰的情况。
- 发现生物学：通过分离遗传或药理学干预对特定疾病结局的影响，支持假设检验和通路阐明。
- 筛选：通过森林图可视化不同实验条件下风险比和组别风险评分，实现检测就绪性和可重复性。
- 分析：提供定量的因变量测量结果（累积发病率、风险比、风险评分），使跨职能团队能够客观比较治疗效果。
- 转化研究：通过确保生存分析反映存在竞争事件时的真实世界复杂性，将发现研究与临床前验证相连接。
- 企业级复用：建立跨治疗领域的可复用生存分析统计框架，减少重复的模型开发。
运营与企业影响
- 科学价值：通过正确处理竞争风险，减少生存数据中的机制性模糊，从而提高预测的可信度。
- 操作价值：通过基于R的工作流程（RMS、competing risk、meta包），提升标准化和可扩展性，可在不同团队间部署应用。
- 战略价值：通过提供风险分层的亚组信息，增强“推进/终止”决策能力，降低因未预见的竞争性死亡导致的后期研发失败风险。
- 项目组合影响：基于竞争风险校正后的生存概率而非粗事件率，实现对候选对象的风险调整后优先级排序。
实施注意事项
- 需要具备生存分析和 R 编程的专业知识，包括熟悉 CPH、CRR 和列线图函数。
- 依赖已安装并正确配置 RMS、competing risk 和 meta 包的 R 环境。
- 需要跨团队对变量选择（如婚姻状况、种族、组织学类型、T/N 分类）进行标准化，以确保模型的可比性。
- 在将模型应用于不同疾病模型或临床前系统时，需调整预后变量矩阵。
- 受限于比例风险假设；必须进行模型诊断（校准度、区分度）以验证模型性能。
生物制药常见问题
Chapters in this video
0:04
Introduction
0:42
Nomogram Based on the Cox Proportional Hazards Regression Model
1:13
Subgroup Analysis Based on the Group Risk Score
1:43
Nomogram Based on the Competing Risk Regression Model
2:39
Results: Competing-risk Nomogram and Risk Score Estimation
4:10
Conclusion
