Etablierung eines Nomogrammmodells für die wettbewerbsfördernde Risikoregression für Überlebensdaten
23. Oktober 2020
Hier wird ein Protokoll zum Erstellen von Nomogrammen auf der Grundlage des Regressionsmodells der Cox-Proportionalgefahren und des konkurrierenden Risikoregressionsmodells vorgestellt. Die konkurrierende Methode ist eine rationalere Methode, die angewendet werden kann, wenn konkurrierende Ereignisse in der Überlebensanalyse vorhanden sind.
Dies ist das Protokoll zur Bewältigung der normalen Zuschüsse auf der Grundlage des konkurrierenden Risikoregressionsmodells, das eine rationalere Methode ist, wenn die konkurrierenden Ereignisse wie die Verkehrsunfälle in der Überlebensanalyse bestanden werden. Personen, die unsere konkurrierenden Veranstaltungen erlebt haben, erinnern oft an die Risiken, die, da die konkurrierenden Risiken in der Regel nicht unabhängig sind. Der konkurrierende normaler Zuschuss ist besser geeignet, um die Wahrscheinlichkeit von Testereignissen für Personen in der Analyse zu bewerten.
Nach der Installation des RMS und konkurrierender Risiko-R-Pakete laden Sie sie und importieren Sie die Kohortendaten Um das Regressionsmodell für die proportionalen Gefahren von Cox zu erstellen, passen Sie das Modell mithilfe der CPH-Funktion an die Daten an und entwickeln Sie dann ein Cox-Regressionsnomogramm, wobei Sie die zwei Jahre vorhergesagte Überlebensrate als Beispiel verwenden. Verwenden Sie das Metapaket in R, um den Risikowert zu berechnen und ein Walddiagramm zu zeichnen. Nach dem Installieren und Laden der R-Pakete erhalten Sie den Gruppenrisiko-Score (GRS), und teilen Sie die Kohorte in drei Untergruppen auf.
Zeichnen Sie dann das Gesamtstrukturdiagramm, erhalten Sie das Hazard Ratio niedrigeres Kompetenzintervall und das obere Konfidenzintervall mit der CRR-Funktion. Um das konkurrierende Risikoregressionsmodell zu erstellen, platzieren Sie zunächst prognostische Variablen in einer Matrix. Verwenden Sie die Cbind-Funktion, um die Variablen nach Spalten zu verketten und in das Modell einzupassen.
Verwenden Sie dann die Nomogrammfunktion, um Cox Nome zu konstruieren. Abrufen der Basisfunktion für kumulative Vorfälle (CIF) und Ersetzen der X-Beta und des X-Punktes des konkurrierenden Risikoregressionsmodells. Ersetzen Sie den gesamten X-Punkt in der X-Rolle, berechnen Sie dann die X-Punktzahl und zeichnen Sie das Nomogramm.
Die Gleichung für die X-Score- und X-Schienenbeziehung kann entsprechend der intrinsischen Zuordnung des konkurrierenden Modells berechnet werden. CIF Null bedeutet Basis-CIF, der durch die CRR-Vorhersagefunktion berechnet wird. In der Beispielkohorte wurden insgesamt 8 550 förderfähige Patienten in die Analyse einbezogen, und die mediane Nachbeobachtungszeit betrug 88 Monate.
Die kumulativen Inzidenzen von Tumortod und kein Tumortod und konkurrierende Ereignisse wurden nach der Kaplan-Meier-Methode und der konkurrierenden Risikoregressionsfunktion verwendet. Die Summe der kumulativen Inzidenzen von Tumortod und ohne Tumortod, berechnet mit der Kaplan-Meier-Methode, war höher als die Summe der Schätzungen aller Todesursachen, die den kumulativen Vorfällen des krebsspezifischen Todes entsprach, wenn eine konkurrierende Methode verwendet wurde. Ein Nomogramm wurde unter Verwendung des proportionalen Regressionsmodells Cox erstellt, das auf signifikanten Faktoren beruhte, die Familienstand, Rasse, histologischer Typ, differenzierte Besoldungsgruppe, T-Klassifikation und N-Klassifikation umfassten.
Ein Nomogramm wurde auch mit dem konkurrierenden Risikoregressionsmodell erstellt. Basierend auf dem Risiko-Score wurde die Kohorte in drei Untergruppen eingeteilt: geringes Risiko, mittleres Risiko und hohes Risiko. Das Waldgrundstück wurde verwendet, um die Wechselwirkung zwischen dem Gruppenrisiko-Score und dem spezifischen Faktor klar darzustellen.
Bei der Betrachtung des Alters zeigte nur die Gruppe mit geringem Risiko eine schlechtere Prognose für jüngere Frauen, was darauf hindeutet, dass junges Alter als Schutzfaktor für die Prognose in mittleren und risikoreichen Gruppen wirken kann. Beim Versuch dieses Protokolls ist es wichtig, die verschiedenen Überlebensmodelle in der 10-zu-Ereignisanalyse vollständig zu verstehen, und die Werkzeuge werden für die individuelle Anleitung richtig gemastert. Die Modellleistung wird anhand der Diskriminierung und der Kaliberrationsleistung bewertet.
Nach diesem Verfahren kann die Kalibrierungskurve und die gleichen Lücken die Leistung sein, um die Effizienz des konkurrierenden normalen Zuschusses zu validieren.
Sehen Sie sich das vollständige Transkript an und erhalten Sie Zugang zu Tausenden wissenschaftlicher Videos
Übersicht
Dieses Protokoll beschreibt die Erstellung von Nomogrammen mithilfe des Cox-Modells mit proportionalen Hazardraten und des Regressionsmodells für konkurrierende Risiken. Die Methode der konkurrierenden Risiken ist besonders nützlich bei der Analyse von Überlebensdaten mit konkurrierenden Ereignissen.
Wesentliche Studienkomponenten
Bereich der Wissenschaft
- Überlebensanalyse
- Statistische Modellierung
- Konkurrierende Risiken
Hintergrund
- Konkurrierende Ereignisse können Überlebensergebnisse beeinflussen.
- Herkömmliche Methoden greifen diese konkurrierenden Risiken möglicherweise nicht ausreichend auf.
- Das Cox-Modell der proportionalen Gefahren ist ein Standardansatz in der Überlebenszeitanalyse.
- Nomogramme bieten eine visuelle Darstellung von Risikovorhersagen.
Zweck der Studie
- Entwicklung eines Protokolls zur Erstellung von Nomogrammen basierend auf der Überlebensanalyse.
- Aufzeigen der Anwendung von Regressionsmodellen für konkurrierende Risiken.
- Verbesserung der Bewertung von Überlebenswahrscheinlichkeiten bei Vorhandensein konkurrierender Ereignisse.
Verwendete Methoden
- Installieren und laden Sie die R-Pakete RMS und competing risk.
- Importieren Sie die Kohortendaten zur Analyse.
- Passen Sie das Cox-Proportional-Hazards-Regressionsmodell mithilfe der CPH-Funktion an.
- Entwickeln Sie ein Nomogramm der Cox-Regression für vorhergesagte Überlebensraten.
Hauptergebnisse
- Erstellung eines Cox-Regression-Nomogramms für die Überlebensraten nach zwei Jahren.
- Berechnung von Risikoscores mithilfe des meta-Pakets in R.
- Einteilung der Kohorte in Untergruppen basierend auf den Gruppen-Risikoscores.
- Visualisierung der Ergebnisse durch Forest-Plots.
Schlussfolgerungen
- Das Competing-Risk-Regressionsmodell bietet einen rationaleren Ansatz für die Überlebenszeitanalyse.
- Nomogramme können Risikovorhersagen effektiv vermitteln.
- Dieses Protokoll kann auf verschiedene Studien mit konkurrierenden Risiken angewandt werden.
Häufig gestellte Fragen
Ausschlaggebende Bedeutung für die Industrie
In der Onkologie und kardiovaskulären Arzneimittelentwicklung ist eine genaue Überlebenszeitanalyse entscheidend zur Beurteilung der therapeutischen Wirksamkeit und Sicherheit. Konkurrierende Ereignisse wie therapiebedingte Mortalität oder nicht erkrankungsbedingte Todesfälle können traditionelle Kaplan-Meier- und Cox-Modelle verfälschen und zu verzerrten Risikoschätzungen führen. Dieses Protokoll ermöglicht es Forschungs- und Entwicklungsteams in der Biopharma-Branche, Regressionsmodelle für konkurrierende Risiken und Nomogramme anzuwenden, um die prognostische Stratifikation zu verbessern, die mechanistische Ent-Risikobewertung zu erhöhen und Entscheidungen über Fortführung oder Abbruch in der präklinischen und frühen klinischen Entwicklung zu unterstützen.
Strategische Anwendungen in der Biopharma-Forschung und -Entwicklung
Frühe Entdeckung und Zielvalidierung
- Wissenschaftlicher Wert: Ermöglicht die Überprüfung therapeutischer Hypothesen, indem die krankheitsspezifische Mortalität von konkurrierenden Risiken abgegrenzt wird, wodurch die Zielvertrauenswürdigkeit verbessert wird.
- Operationaler Wert: Unterstützt die biologische Risikominderung durch eine verfeinerte Risikostratifizierung in präklinischen Modellen, bei denen nicht-zielgerichtete Ereignisse die Behandlungseffekte verschleiern können.
Screening und Assay-Entwicklung
- Wissenschaftlicher Wert: Ermöglicht die Vorbereitung validierter biologischer Systeme für nachgeschaltete Arbeitsabläufe, indem quantitative, auf konkurrierende Risiken angepasste Überlebensendpunkte bereitgestellt werden.
- Operativer Wert: Verbessert die Standardisierung und Reproduzierbarkeit von Assays durch nomogrammabgeleitete Risikoscores, die eine konsistente Wirkstoffevaluation über verschiedene Studien hinweg ermöglichen.
Translationale und präklinische Forschung
- Wissenschaftlicher Wert: Fördert die translationale Kontinuität, indem präklinische Überlebensendpunkte mit der klinischen Realität abgestimmt werden, in der konkurrierende Ereignisse die Ergebnisse beeinflussen.
- Operationaler Wert: Unterstützt risikoadjustierte Entscheidungen über die Weiterentwicklung, indem Subgruppen (niedriges/mittleres/hohes Risiko) identifiziert werden, basierend auf Gruppenrisikoscores aus Modellen für konkurrierende Risiken.
Pipeline- und Workflow-Integration
Diese Methode integriert sich in den Entdeckungsprozess von der Target-Validierung bis zur präklinischen Entwicklung, insbesondere wenn Überlebensendpunkte durch nicht-informative Zensierung oder konkurrierende Risiken beeinträchtigt werden.
- Entdeckungsbiologie: Unterstützt die Hypothesenprüfung und die Aufklärung von Wirkwegen, indem die Auswirkung genetischer oder pharmakologischer Eingriffe auf krankheitsspezifische Endpunkte isoliert wird.
- Screening: Ermöglicht die Einsatzbereitschaft und Reproduzierbarkeit von Assays durch die Visualisierung von Hazard-Ratio-Waldplotten und Gruppen-Risikoscores über verschiedene experimentelle Bedingungen hinweg.
- Analysen: Liefert quantitative abhängige Variablenmessungen (kumulative Inzidenz, Hazard-Ratio, Risikoscores), die es fachübergreifenden Teams ermöglichen, Behandlungseffekte objektiv zu vergleichen.
- Translationale Forschung: Verbindet die Entdeckung mit der präklinischen Validierung, indem sichergestellt wird, dass die Überlebenszeitanalyse die reale Komplexität widerspiegelt, bei der konkurrierende Ereignisse auftreten.
- Unternehmensweite Wiederverwendung: Schafft einen wiederverwendbaren statistischen Rahmen für die Überlebenszeitanalyse über verschiedene therapeutische Bereiche hinweg und reduziert so redundante Modellentwicklungen.
Operative und unternehmerische Auswirkungen
- Wissenschaftlicher Wert: Erhöht die Vorhersagesicherheit, indem mechanistische Mehrdeutigkeiten in Überlebensdaten durch die korrekte Berücksichtigung konkurrierender Risiken verringert werden.
- Operationaler Wert: Verbessert die Standardisierung und Skalierbarkeit durch R-basierte Workflows (RMS, competing risk, meta Pakete), die teamübergreifend eingesetzt werden können.
- Strategischer Wert: Verbessert die Go/No-Go-Entscheidungsfindung, indem risikostratifizierte Untergruppen bereitgestellt werden und späte Ausfälle aufgrund unvorhergesehener konkurrierender Mortalität reduziert werden.
- Portfolio-Wirkung: Ermöglicht die risikoadjustierte Priorisierung von Kandidaten basierend auf Überlebenswahrscheinlichkeiten unter Berücksichtigung konkurrierender Risiken statt auf Basis roher Ereignisraten.
Durchführungsaspekte
- Erfordert Fachkenntnisse in der Überlebenszeitanalyse und in der R-Programmierung, einschließlich Vertrautheit mit CPH-, CRR- und Nomogrammfunktionen.
- Abhängigkeit von einer R-Umgebung, in der die Pakete RMS, competing risk und meta installiert und korrekt konfiguriert sind.
- Erfordert eine standardisierte Variablenauswahl über verschiedene Teams hinweg (z. B. Familienstand, ethnische Zugehörigkeit, histologischer Typ, T/N-Klassifikation), um die Vergleichbarkeit der Modelle sicherzustellen.
- Erfordert eine Anpassung der prognostischen Variablenmatrizen, wenn das Modell auf unterschiedliche Krankheitsmodelle oder präklinische Systeme angewendet wird.
- Eingeschränkt durch die Annahme proportionaler Hazardraten; es müssen Modellprüfungen (Kalibrierung, Diskriminierung) durchgeführt werden, um die Leistungsfähigkeit zu validieren.
Biopharma-Häufige Fragen
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
