Name: 为生存数据建立竞争风险回归 Nomogram 模型 (视频) | JoVE Journal
Uploaded: 2020-10-23T13:00:00.000+00:00
Duration: 4 min 57 s
Description: 学习使用竞争风险回归模型和Cox比例风险模型构建生存数据Nomogram图。本方法利用RMS和competing risk R包，通过CPH函数拟合模型，计算风险评分并绘制森林图，为存在竞争事件的生存分析提供更准确的个体化风险评估工具。

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

本研究由浙江省自然科学基金一般项目（项目编号 LY19H160020）和金华市科学技术局重点项目资助 &amp;#38; 技术局（资助编号 2016-3-005、2018-3-001d 和 2019-3-013）。

本研究方案已获得浙江大学医学院附属金华医院伦理委员会的批准。本实验所用病例数据来自监测、流行病学和最终结果（Surveillance, Epidemiology, and End Results, SEER）数据库。SEER 是一个开放获取数据库，包含来自18个基于人群的癌症登记处的人口统计学、发病率和生存数据。我们已在 SEER 网站注册并签署数据使用保证书，以获取研究数据（编号：12296-Nov2018）。
1. 数据来源
<ol>
	<li>从数据库获取病例，以及（如有需要）从登记处获得使用这些病例的许可。 
	注：队列数据已上传至补充文件1。已拥有带有竞争风险的生存数据的读者可跳过本节。</li>
</ol>
2. 安装和加载软件包并导入数据
注意：使用 R 软件（版本 3.5.3）并基于 rms15 和 cmprsk16 软件包进行以下操作（http://www.r-project.org/）。
<ol>
	<li>安装 rms 和 cmprsk R 软件包。 
	&#62;install.packages(&#34;rms&#34;) 
	&#62;install.packages(&#34;cmprsk&#34;)</li>
	<li>加载 R 软件包。 
	&#62;library(&#34;rms&#34;) 
	&#62;library(&#34;cmprsk&#34;)</li>
	<li>导入队列数据。 
	&#62;Dataset&#60;-read.csv("…/Cohort Data.csv&#34;) # 队列数据为示例</li>
</ol>
3. 基于Cox比例风险回归模型的列线图
<ol>
	<li>建立Cox比例风险回归模型。 
	注意：自变量（X）包括分类变量（哑变量，例如种族）和连续变量（例如年龄）。在单变量分析中具有显著性的因素将被选中用于多变量分析。
	<ol>
		<li>将Cox比例风险模型拟合至数据。使用函数 cph 建立Cox比例风险回归模型。R语言中的简化格式如下所示： 
		&#62; f0 &#60;- cph(Surv(Survivalmonths, status) ~ factor1+ factor2+…, 
		x=T, y=T, surv=T, data=Dataset) 
		注意：在示例代码中，死亡被设定为状态变量。</li>
	</ol>
	</li>
	<li>使用以下命令构建Cox回归列线图。 
	&#62; nom &#60;- nomogram(f0, fun=list(function(x) surv(24, x)…), funlabel=c(“2年预测生存率”…), maxscale=100, fun.at) 
	&#62; plot (nom) 
	注意：以2年预测生存率为例。</li>
</ol>
4. 基于竞争风险回归模型的列线图
<ol>
	<li>建立竞争风险回归模型。
	<ol>
		<li>拟合竞争风险回归模型。读者可根据自身考虑纳入重要影响因素，此步骤也可跳过。在本示例中，纳入了单变量分析中具有显著性的因素。 
		注：删失变量编码为：1 表示关注事件，2 表示竞争风险事件。为便于分析，Scrucca 等人17 提供了一个 R 函数 factor2ind()，该函数可将因子生成指示变量矩阵。</li>
		<li>在将分类变量纳入竞争模型时，需谨慎进行数值编码。即，对于具有 J 个水平的分类变量，应创建 J-1 个虚拟变量或指示变量。</li>
		<li>为建立竞争风险回归模型，首先将预后变量放入矩阵中。使用 cbind() 函数按列合并变量，并将其拟合至竞争回归模型中。 
		&#62;x &#60;-cbind(factor2ind(factor1, &#34;1&#34;), factor2ind(factor2, &#34;1&#34;)…) 
		&#62; mod&#60;- crr (Survivalmonths, fstatus, failcode=1 or 2, cov1=x)</li>
	</ol>
	</li>
	<li>绘制竞争风险列线图 
	注：β 值（beta 值）是 Cox 比例风险回归公式中某个变量（X）的回归系数。X.score（因变量的综合效应）和 X.real（在特定时间点，例如 60 个月时，用于预测累积发生函数）由 Cox 回归模型计算得出，随后建立列线图。
	<ol>
		<li>使用 nomogram 函数构建 Cox nom（如步骤 3.2 所列）。</li>
		<li>替换竞争风险回归模型中的 X.beta、X.point、total.points、X.real 和 X.score。
		<ol>
			<li>获取基线 cif，即 cif(min)。详见 补充文件 2。 
			&#62; x0=x 
			&#62; x0 &#60;- as.matrix(x0) 
			&#62; lhat &#60;- matrix(0, nrow = length(mod$uftime), ncol = nrow(x0)) 
			&#62; for (j in 1:nrow(x0)) lhat[, j] &#60;- cumsum(exp(sum(x0[j, ] * mod$coef)) * mod$bfitj) 
			&#62; lhat &#60;- cbind(mod$uftime, 1 - exp(-lhat)) 
			&#62; suv&#60;-as.data.frame(lhat) 
			&#62; colnames(suv)&#60;- c(&#34;time&#34;) 
			&#62; line24&#60;-which(suv$time==&#34;24&#34;) 
			&#62; cif.min24&#60;-suv[line24,which.min(suv[line24,])]</li>
			<li>替换 X.beta 和 X.point。 
			&#62; lmaxbeta&#60;-which.max(abs(mod$coef)) 
			&#62; maxbeta&#60;-abs(mod$coef[lmaxbeta]) 
			&#62; race0&#60;-0 
			&#62; names(race0)&#60;-&#34;race:1&#34; 
			&#62; race.beta&#60;-c(race0,mod$coef[c(&#34;race:2&#34;,&#34;race:3&#34;)]) 
			&#62; race.beta.min&#60;-race.beta[which.min(race.beta)] 
			&#62; race.beta1&#60;-race.beta-race.beta.min 
			&#62; race.scale&#60;-(race.beta1/maxbeta*100) # 计算尺度的方法 
			&#62; nom$Race$Xbeta&#60;-race.beta1 
			&#62; nom$Race$points&#60;-race.scale 
			注：以种族为例。</li>
			<li>替换 total X.point 和 X.real。 
			&#62; nom$total.points$x&#60;-c(0,50,100, …) 
			&#62; real.2y&#60;-c(0.01,0.1,0.2,…) 
			注：替换依据为极小极大值。</li>
			<li>计算 X.score 并绘制列线图。 
			&#62; score.2y&#60;-log(log((1-real.2y),(1-cif.min24)))/(maxbeta/100) 
			&#62; nom$`2-year survival`$x&#60;-score.2y 
			&#62; nom$`2-year survival`$x.real&#60;-real.2y 
			&#62; nom$`2-year survival`$fat&#60;-as.character(real.2y) 
			&#62; plot(nom) 
			注：X.score=log(log((1-X.real),(1-cif0)))/(maxbeta/100)。X.score 与 X.real 关系的方程可根据竞争模型（crr）的内在属性计算得出。cif0 表示基线 cif，将通过 predict.crr 函数计算。</li>
		</ol>
		</li>
	</ol>
	</li>
</ol>
5. 基于群体风险评分（GRS）的亚组分析
<ol>
	<li>计算风险评分（RS） 
	注意：通过将每个变量的得分相加，计算每位患者的风险评分。使用截断值对队列进行分组。以分为3个亚组为例，使用 R 软件包 meta 绘制森林图。
	<ol>
		<li>安装并加载 R 软件包 
		&#62; install.packages(&#34;meta&#34;) 
		&#62; library(&#34;meta&#34;)</li>
		<li>获取 GRS，并将队列分为3个亚组。 
		&#62; d1&#60;-Dataset 
		&#62; d1$X&#60;-nom$X$points 
		&#62; #例如，d1$race[d1$race==1]&#60;-nom$race$point[1] 
		&#62; d1$RS&#60;-d1$race + d1$marry + d1$histology + d1$grademodify + d1$Tclassification + d1$Nclassification 
		&#62; d1$GRS&#60;- cut(d1$RS, quantile(d1$RS, seq(0, 1,1/3)), include.lowest = TRUE, labels = 1:3)</li>
		<li>绘制森林图。通过 crr 函数获取 HR、LCI 和 UCI。 
		&#62; subgroup&#60;-crr(ftime, fstatus, cov1, failcode=1) 
		&#62; HR&#60;- summary(subgroup)$conf.int[1] 
		&#62; LCI&#60;- summary(subgroup)$conf.int[3] 
		&#62; UCI&#60;- summary(subgroup)$conf.int[4] 
		&#62; LABxx&#60;-c(&#34;低风险&#34;, &#34;中等风险&#34;, &#34;高风险&#34;) 
		&#62; xx&#60;-metagen(log(HR), lower = log(LCI), upper = log(UCI), studlab = LABxx, sm = &#34;HR&#34;) 
		&#62; forest(xx, col.square = &#34;black&#34;, hetstat =TRUE, leftcols = &#34;studlab&#34;)</li>
	</ol>
	</li>
</ol>

<ol><li>Fine, J. P., Gray, R. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+proportional+hazards+model+for+the+subdistribution+of+a+competing+risk%5BTitle%5D)+AND+%22Journal+of+the+American+Statistical+Association%22%5BJournal%5D)">A proportional hazards model for the subdistribution of a competing risk.</a> Journal of the American Statistical Association. 94 (446), 496-509 (1999).</li>
<li>Fu, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Real-world+impact+of+non-breast+cancer-specific+death+on+overall+survival+in+resectable+breast+cancer%5BTitle%5D)+AND+%22Cancer%22%5BJournal%5D)">Real-world impact of non-breast cancer-specific death on overall survival in resectable breast cancer.</a> Cancer. 123 (13), 2432-2443 (2017).</li>
<li>Kim, H. T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Cumulative+incidence+in+competing+risks+data+and+competing+risks+regression+analysis%5BTitle%5D)+AND+%22Clinical+Cancer+Research%22%5BJournal%5D)">Cumulative incidence in competing risks data and competing risks regression analysis.</a> Clinical Cancer Research. 13, 2 Pt 1 559-565 (2007).</li>
<li>Balachandran, V. P., Gonen, M., Smith, J. J., DeMatteo, R. P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Nomograms+in+oncology%3A+more+than+meets+the+eye%5BTitle%5D)+AND+%22Lancet+Oncology%22%5BJournal%5D)">Nomograms in oncology: more than meets the eye.</a> Lancet Oncology. 16 (4), 173-180 (2015).</li>
<li>Han, D. S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Nomogram+predicting+long-term+survival+after+d2+gastrectomy+for+gastric+cancer%5BTitle%5D)+AND+%22Journal+of+Clinical+Oncology%22%5BJournal%5D)">Nomogram predicting long-term survival after d2 gastrectomy for gastric cancer.</a> Journal of Clinical Oncology. 30 (31), 3834-3840 (2012).</li>
<li>Karakiewicz, P. I., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Multi-institutional+validation+of+a+new+renal+cancer-specific+survival+nomogram%5BTitle%5D)+AND+%22Journal+of+Clinical+Oncology%22%5BJournal%5D)">Multi-institutional validation of a new renal cancer-specific survival nomogram.</a> Journal of Clinical Oncology. 25 (11), 1316-1322 (2007).</li>
<li>Liang, W., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Development+and+validation+of+a+nomogram+for+predicting+survival+in+patients+with+resected+non-small-cell+lung+cancer%5BTitle%5D)+AND+%22Journal+of+Clinical+Oncology%22%5BJournal%5D)">Development and validation of a nomogram for predicting survival in patients with resected non-small-cell lung cancer.</a> Journal of Clinical Oncology. 33 (8), 861-869 (2015).</li>
<li>Valentini, V., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Nomograms+for+predicting+local+recurrence%2C+distant+metastases%2C+and+overall+survival+for+patients+with+locally+advanced+rectal+cancer+on+the+basis+of+European+randomized+clinical+trials%5BTitle%5D)+AND+%22Journal+of+Clinical+Oncology%22%5BJournal%5D)">Nomograms for predicting local recurrence, distant metastases, and overall survival for patients with locally advanced rectal cancer on the basis of European randomized clinical trials.</a> Journal of Clinical Oncology. 29 (23), 3163-3172 (2011).</li>
<li>Iasonos, A., Schrag, D., Raj, G. V., Panageas, K. S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((How+to+build+and+interpret+a+nomogram+for+cancer+prognosis%5BTitle%5D)+AND+%22Journal+of+Clinical+Oncology%22%5BJournal%5D)">How to build and interpret a nomogram for cancer prognosis.</a> Journal of Clinical Oncology. 26 (8), 1364-1370 (2008).</li>
<li>Chisholm, J. C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Prognostic+factors+after+relapse+in+nonmetastatic+rhabdomyosarcoma%3A+a+nomogram+to+better+define+patients+who+can+be+salvaged+with+further+therapy%5BTitle%5D)+AND+%22Journal+of+Clinical+Oncology%22%5BJournal%5D)">Prognostic factors after relapse in nonmetastatic rhabdomyosarcoma: a nomogram to better define patients who can be salvaged with further therapy.</a> Journal of Clinical Oncology. 29 (10), 1319-1325 (2011).</li>
<li>Brockman, J. A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Nomogram+Predicting+Prostate+Cancer-specific+Mortality+for+Men+with+Biochemical+Recurrence+After+Radical+Prostatectomy%5BTitle%5D)+AND+%22European+Urology%22%5BJournal%5D)">Nomogram Predicting Prostate Cancer-specific Mortality for Men with Biochemical Recurrence After Radical Prostatectomy.</a> European Urology. 67 (6), 1160-1167 (2015).</li>
<li>Zhou, H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Nomogram+to+Predict+Cause-Specific+Mortality+in+Patients+With+Surgically+Resected+Stage+I+Non-Small-Cell+Lung+Cancer%3A+A+Competing+Risk+Analysis%5BTitle%5D)+AND+%22Clinical+Lung+Cancer%22%5BJournal%5D)">Nomogram to Predict Cause-Specific Mortality in Patients With Surgically Resected Stage I Non-Small-Cell Lung Cancer: A Competing Risk Analysis.</a> Clinical Lung Cancer. 19 (2), 195-203 (2018).</li>
<li>Fu, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((De-escalating+chemotherapy+for+stage+II+colon+cancer%5BTitle%5D)+AND+%22Therapeutic+Advances+in+Gastroenterology%22%5BJournal%5D)">De-escalating chemotherapy for stage II colon cancer.</a> Therapeutic Advances in Gastroenterology. 12, 1756284819867553(2019).</li>
<li>Chen, D., Li, J., Chong, J. K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Hazards+regression+for+freemium+products+and+services%3A+a+competing+risks+approach%5BTitle%5D)+AND+%22Journal+of+Statistical+Computation+and+Simulation%22%5BJournal%5D)">Hazards regression for freemium products and services: a competing risks approach.</a> Journal of Statistical Computation and Simulation. 87 (9), 1863-1876 (2017).</li>
<li>Frank, E., H, J. rms: Regression Modeling Strategies. R package version 5.1-2. , Available from: 
 <a target="_blank" href="https://CRAN.R-project.org/package=rms">https://CRAN.R-project.org/package=rms</a> (2018).</li>
<li>Gray, B. cmprsk: Subdistribution Analysis of Competing Risks. R package version 2.2-7. , Available from: 
 <a target="_blank" href="https://CRAN.R-project.org/package=cmprsk">https://CRAN.R-project.org/package=cmprsk</a> (2014).</li>
<li>Scrucca, L., Santucci, A., Aversa, F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Regression+modeling+of+competing+risk+using+R%3A+an+in+depth+guide+for+clinicians%5BTitle%5D)+AND+%22Bone+Marrow+Transplantation%22%5BJournal%5D)">Regression modeling of competing risk using R: an in depth guide for clinicians.</a> Bone Marrow Transplantation. 45 (9), 1388-1395 (2010).</li>
<li>Zhang, Z., Geskus, R. B., Kattan, M. W., Zhang, H., Liu, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Nomogram+for+survival+analysis+in+the+presence+of+competing+risks%5BTitle%5D)+AND+%22Annals+in+Translational+Medicine%22%5BJournal%5D)">Nomogram for survival analysis in the presence of competing risks.</a> Annals in Translational Medicine. 5 (20), 403(2017).</li>
<li>Geskus, R. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Cause-specific+cumulative+incidence+estimation+and+the+fine+and+gray+model+under+both+left+truncation+and+right+censoring%5BTitle%5D)+AND+%22Biometrics%22%5BJournal%5D)">Cause-specific cumulative incidence estimation and the fine and gray model under both left truncation and right censoring.</a> Biometrics. 67 (1), 39-49 (2011).</li>
<li>Fu, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Young-onset+breast+cancer%3A+a+poor+prognosis+only+exists+in+low-risk+patients%5BTitle%5D)+AND+%22Journal+of+Cancer%22%5BJournal%5D)">Young-onset breast cancer: a poor prognosis only exists in low-risk patients.</a> Journal of Cancer. 10 (14), 3124-3132 (2019).</li>
<li>de Glas, N. A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Performing+Survival+Analyses+in+the+Presence+of+Competing+Risks%3A+A+Clinical+Example+in+Older+Breast+Cancer+Patients%5BTitle%5D)+AND+%22Journal+of+the+National+Cancer+Institute%22%5BJournal%5D)">Performing Survival Analyses in the Presence of Competing Risks: A Clinical Example in Older Breast Cancer Patients.</a> Journal of the National Cancer Institute. 108 (5), (2016).</li>
</ol>

本研究的总体目标是建立一个特定的竞争风险列线图，以描述真实世界中的疾病情况，并为临床医生提供一个便捷的个体化评估模型，以辅助治疗决策。本文提供了基于Cox回归模型和竞争风险回归模型构建列线图并进一步进行亚组分析的逐步教程。Zhang 等人18提出了一种构建竞争风险列线图的方法，但本文所述方法的核心理念与其完全不同。Zhang 等人的方法首先通过 mstate 软件包中的 crprep() 函数将原始数据转换为加权数据19，然后使用 rms 软件包绘制列线图。然而，本文方法的核心理念与此完全不同。简而言之，我们用 crr 函数的结果替代 cph 生成的参数，进而在Cox列线图的框架下绘制竞争风险列线图。在此方法中，Cox列线图更像一个框架。
预后良好的恶性肿瘤患者，若预期癌症生存期较长，则面临更高的非癌症特异性死亡风险。其总生存期（OS）将因非癌症特异性死亡（non-CSD）的发生而被显著稀释，如<s...

事件发生时间的生存分析在临床研究中非常常见。生存数据测量的是从起始时间到所关注事件发生之间的时间跨度，但所关注事件的发生常常被其他事件所阻碍。当存在多种类型的终点事件时，这些终点被称为竞争风险终点。在这种情况下，标准的风险分析方法（即Cox比例风险模型）往往效果不佳，因为经历其他类型事件的个体被视为删失数据。通常，经历竞争事件的个体仍保留在风险集中，因为竞争风险之间通常并非相互独立。因此，Fine和Gray1研究了针对竞争风险亚分布的回归模型估计方法。在竞争风险背景下，可以区分三种不同类型的事件。
总生存期（OS）通过证明疾病新治疗方法的直接临床获益来加以测定。OS 测量的是从起始时间（即诊断或治疗时间）到因任何原因死亡的时间，通常用于评估死亡的绝对风险，因而无法区分死亡原因（例如癌症特异性死亡（CSD）或非癌症特异性死亡（非-CSD））2。因此，OS 被视为最重要的终点指标。感兴趣的事件通常与癌症相关，而包括心脏病、交通事故或其他无关原因在内的非癌症特异性事件则被视为竞争风险事件。预后良好的恶性肿瘤患者预期生存时间较长，往往面临更高的非-CSD 风险。也就是说，其他原因导致的死亡会稀释 OS 数据，从而无法准确解释临床治疗的真实有效性。因此，OS 可能并非评估疾病结局的最佳指标3。此类偏倚可通过竞争风险回归模型加以校正。
竞争风险数据主要有两种方法：特因风险模型（Cox 模型）和亚分布风险模型（竞争模型）。在以下方案中，我们介绍两种基于特因风险模型和亚分布风险模型生成列线图的方法。特因风险模型可纳入 Cox 比例风险模型进行拟合，该模型将发生竞争事件的受试者视为在竞争事件发生时即被删失。而在 Fine 和 Gray1 于 1999 年提出的亚分布风险模型中，可区分三种不同类型的事件，且发生竞争事件的个体将始终保留在风险集中。
列线图是三个或更多变量之间关系的数学表示形式4。医学列线图将生物学和临床事件作为变量（例如肿瘤分级和患者年龄），并生成特定个体发生某一临床事件（如癌症复发或死亡）的概率，以图形方式呈现为统计学预后模型。通常，列线图基于Cox比例风险模型的结果构建5,6,7,8,9,10。
然而，当存在竞争风险时，基于Cox模型的列线图可能表现不佳。尽管已有若干先前研究11,12,13,14应用了竞争风险列线图来估计癌症特异性死亡（CSD）的概率，但很少有研究描述如何基于竞争风险回归模型构建列线图，且目前尚无可用的软件包来实现此目的。因此，下文介绍的方法将提供一个逐步操作方案，以基于竞争风险回归模型建立特定的竞争风险列线图，并进行风险评分估计，从而辅助临床医生进行治疗决策。

建立用于生存数据的竞争风险回归列线图模型

Establishing a Competing Risk Regression Nomogram Model for Survival Data

Kaplan-Meier 方法和 Cox 比例风险回归模型是生存分析中最常用的统计方法。这些方法相对容易应用和解释，并且可以通过图形直观展示。然而，当存在竞争事件（例如心血管和脑血管意外、治疗相关死亡、交通事故）时，应谨慎使用标准生存分析方法，否则无法正确解读真实世界的数据。此时，有必要区分可能导致终点事件发生的不同类型事件，并在分析中对其进行区别处理。本文重点介绍在存在竞争事件的情况下，如何利用竞争风险回归模型识别重要的预后因素或危险因素。此外，基于比例风险回归模型和竞争风险回归模型构建列线图（nomogram），以帮助临床医生进行个体化评估和风险分层，从而阐明争议性因素对预后的影响。

示例队列的生存特征 
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（范围为 1 至 95 个月）。共有 679 名（7.94%）患者年龄小于 40 岁，7,871 名（92.06%）患者年龄大于 40 岁。在试验结束时，7,483 名（87.52%）患者仍然存活，662 名（7.74%）患者因乳腺癌死亡，405 名（4.74%）患者因其他原因（竞争风险）死亡。
两种生存模型的比较 
通过 Kaplan-Meier 法和竞争风险回归函数分别计算肿瘤死亡/非肿瘤死亡及竞争事件的累积发生率（见图1）。如图1所示，采用 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率估计值之和，而后者在使用竞争风险法时等于心血管死亡（CSD）的累积发生率。显然，Kaplan-Meier 法高估了肿瘤死亡与非肿瘤死亡的累积发生率。竞...

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。

Kaplan-Meier 方法和 Cox 比例风险回归模型是生存分析框架中最常见的分析方法。这些方法相对……

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。

establishing-competing-risk-regression-nomogram-model-for-survival

Research

科研

JoVE Journal

Cancer Research

癌症研究

为生存数据建立竞争风险回归 Nomogram 模型

本方案介绍了用于评估竞争风险模型区分能力和校准能力的 R...

基于R语言的竞争风险模型景观验证

该研究发现，在多原发结直肠癌（MPCC）患者术后，男性性别、肿瘤分级差以及较晚的肿瘤-淋巴结-转移分期与较差的癌症特异性生存率（CSS）相关。我们建立了一个列线图，用于预测MPCC患者的CSS，以辅助临床治疗决策。...

用于预测术后多原发结直肠癌患者癌症特异性生存的竞争风险列线图

本研究利用机器学习模型和竞争风险分析，评估了结直肠印戒细胞癌患者的预后系统。研究发现，与pN分期相比，阳性淋巴结的对数比（LODDS）是更优的预后预测指标，具有良好的预测性能，可通过可靠的生存预测工具辅助临床决策。...

基于机器学习模型的三种淋巴结分期系统在结直肠印戒细胞癌中的预测性能比较

使用基于Mime的机器学习框架构建和可视化模型

本文描述了一种在癌细胞中建立对EGFR-TKI和MET-TKI双重耐药的体外方法。该方法可用于开发针对携带EGFR突变的患者的治疗方案，这类患者尽管接受了EGFR-TKI治疗，但仍因MET扩增而出现疾病进展。该方法也可经修改后用于针对其他分子的抑制剂研究。...

建立肺腺癌细胞对EGFR-TKI和MET-TKI的双重耐药性 体外 采用两步剂量递增方案

本文提供了一种基于细胞三维形态来鉴别健康与病变细胞的工作流程。我们描述了如何利用基于三维表面生成的二维投影轮廓，训练自组织映射网络，从而实现对所研究细胞群体的客观聚类。...

基于形态学的健康与病变细胞区分方法：利用傅里叶变换与自组织映射

建立稳定过表达目的基因的细胞系以研究基因功能，可通过稳定转染法实现，即在转染后筛选单克隆细胞。 通过...

建立过表达DR3的细胞系以评估对有丝分裂抑制治疗的凋亡反应

本研究提出了一种先进的方案，通过检测绿色荧光蛋白和生物发光信号，并结合定量分子检测技术，精确评估肿瘤负荷。...

利用原位乳腺癌模型研究三阴性乳腺癌

本文介绍了一种易于使用的胶质母细胞瘤侵袭实验方法。该实验适用于胶质母细胞瘤干细胞样细胞。同时介绍了一种用于便捷定量分析侵袭、迁移和增殖的Fiji宏工具。...

一种用于胶质母细胞瘤的三维球状模型

本文中，我们介绍了一种非侵入性液体活检技术的详细方案，包括血液采集、血浆和白细胞层分离、游离DNA（cfDNA）与种系DNA提取、cfDNA或种系DNA的定量，以及cfDNA片段富集分析。...

癌症患者血浆样本中游离DNA的检测

学习使用竞争风险回归模型和Cox比例风险模型构建生存数据Nomogram图。本方法利用RMS和competing risk R包，通过CPH函数拟合模型，计算风险评分并绘制森林图，为存在竞争事件的生存分析提供更准确的个体化风险评估工具。

建立用于生存数据的竞争风险回归列线图模型

探索更多视频