Name: Etablierung eines Nomogrammmodells für die wettbewerbsfördernde Risikoregression für Überlebensdaten (Video) | JoVE Journal
Uploaded: 2020-10-23T13:00:00.000+00:00
Duration: 4 min 57 s
Description: Lernen Sie die Erstellung von Nomogrammen mit Cox-Regression und Competing-Risk-Modellen in R. Diese Methode ermöglicht präzisere Überlebensanalysen bei konkurrierenden Ereignissen.

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

Die Studie wurde durch Stipendien aus dem allgemeinen Programm der Zhejiang Province Natural Science Foundation (Grant-Nummer LY19H160020) und dem Schlüsselprogramm des Jinhua Municipal Science & Technology Bureau (Grant-Nummer 2016-3-005, 2018-3-001d und 2019-3-013) unterstützt.

Das Forschungsprotokoll wurde von der Ethikkommission des Jinhua-Krankenhauses, Zhejiang University School of Medicine, genehmigt. Für dieses Experiment wurden die Fälle aus der Datenbank Surveillance, Epidemiology, and End Results (SEER) gewonnen. SEER ist eine Open-Access-Datenbank, die demografische, Inzidenz- und Überlebensdaten aus 18 bevölkerungsbasierten Krebsregistern enthält. Wir haben uns auf der SEER-Website registriert und ein Zusicherungsschreiben zur Erfassung der Forschungsdaten (12296-Nov2018) unterzeichnet.
1. Datenquelle
<ol><li>Erhalten Sie Anfragen aus den Datenbanken sowie die Berechtigung (falls vorhanden), die Anfragen von den Registrierungsstellen zu verwenden. HINWEIS: Die Kohortendaten werden in Der Ergänzungsdatei 1hochgeladen. Leser, die bereits über Überlebensdaten mit konkurrierenden Risiken verfügen, können diesen Abschnitt überspringen.</li>
</ol>2. Installieren und Laden von Paketen und Importieren von Daten
HINWEIS: Führen Sie die folgenden Verfahren basierend auf R-Software (Version 3.5.3) mit den Paketen rms15 und cmprsk16 (http://www.r-project.org/) durch.
<ol><li>Installieren Sie rms- und cmprsk R-Pakete. >install.packages("rms") >install.packages("cmprsk")
</li>
	<li>Laden Sie die R-Pakete. >Bibliothek("rms") >Bibliothek("cmprsk")
</li>
	<li>Importieren Sie die Kohortendaten. >Dataset<-read.csv(".../Cohort Data.csv")
</li>
</ol>3. Nomogramm basierend auf dem Cox Proportional Hazards Regressionsmodell
<ol><li>Legen Sie das Cox Proportional Hazards Regressionsmodell fest. HINWEIS: Die unabhängigen Variablen (X) enthalten kategoriale Variablen (Dummy-Variablen, wie z. B. Rasse) und kontinuierliche Variablen (z. B. Alter). Die Faktoren, die für die univariable Analyse von Bedeutung sind, werden für die Verwendung in der multivariablen Analyse ausgewählt.<ol>
<li>Passen Sie das Cox-Modell für proportionale Gefahren an die Daten an. Erstellen Sie das cox proportionale harte Regressionsmodell mit der Funktion cph. Das vereinfachte Format in R ist unten dargestellt: > f0 <- cph(Surv(Überlebensmonate, Status) - Faktor1+ Faktor2+..., x=T, y=T, surv=T, data=Dataset) HINWEIS: Der Tod wurde als Status im Beispielcode festgelegt.</li>
	</ol>
</li>
	<li>Entwickeln Sie ein Cox Regression Nomogramm mit den unten aufgeführten Befehlen. > nom <- nomogram(f0, fun=list(function(x) surv(24, x)...), funlabel=c("2-year predicted survival rate"...), maxscale=100, fun.at) > Plot (nom) HINWEIS: Nehmen Sie die 2-Jahres-Prognose-Überlebensrate als Beispiel.</li>
</ol>4. Nomogramm basierend auf dem konkurrierenden Risikoregressionsmodell
<ol><li>Richten Sie das Konkurrierende Risikoregressionsmodell ein.<ol>
<li>Passen Sie das konkurrierende Risikoregressionsmodell an. Die Leser könnten die Faktoren einschließen, die sie für wichtig halten, dieser Schritt könnte übersprungen werden. Im Beispiel werden die Faktoren berücksichtigt, die für die univariable Analyse von Bedeutung sind. HINWEIS: Die Zensurvariable ist als 1 für das Ereignis von Interesse und als 2 für das konkurrierende Risikoereignis codiert. Um die Analyse zu erleichtern, stellen Scrucca et al.17 einen R-Funktionsfaktor2ind() bereit, der aus einem Faktor eine Matrix von Indikatorvariablen erstellt. factor2ind()</li>
		<li>Für kategoriale Variablen, kodieren Sie sie sorgfältig numerisch, wenn Sie sie in das konkurrierende Modell einbeziehen. Das heißt, für eine kategoriale Variable aus J-Ebenen, erstellen Sie J-1 Dummy-Variablen oder Indikatorvariablen.</li>
		<li>Um ein konkurrierendes Risikoregressionsmodell zu erstellen, müssen prognostische Variablen zuerst in eine Matrix eingefügt werden. Verwenden Sie die Funktion cbind(), um die Variablen nach Spalten zu verketten und in das konkurrierende Regressionsmodell einzupassen. >x <-cbind(faktor2ind(Faktor1, "1"), faktor2ind(Faktor2, "1")..)) > mod<- crr (Survivalmonths, fstatus, failcode=1 oder 2, cov1=x)
</li>
	</ol>
</li>
	<li>Plotten Sie das konkurrierende Nomogramm ANMERKUNG: Der Betawert (β Wert) ist der Regressionskoeffizient einer Variate (X) in der Formel der Cox proportionalhazards Regression. Der X.score (gesamter Effekt der abhängigen Variablen) und X.real (zu speziellen Zeitpunkten, z. B. 60 Monate, um die kumulative Inzidenzfunktion vorherzusagen) werden aus dem Cox-Regressionsmodell berechnet und dann wird ein Nomogramm erstellt.<ol>
<li>Verwenden Sie die Funktion nomogram, um Cox nom zu konstruieren (wie in Schritt 3.2 aufgeführt).</li>
		<li>Ersetzen Sie X.beta und X.point sowie total.points, X.real und X.score des konkurrierenden Risikoregressionsmodells.<ol>
<li>Holen Sie sich die Basis-cif, d. h. cif(min). Weitere Informationen finden Sie in der Zusatzdatei 2. > x0=x > x0 <- as.matrix(x0) > lhat <- matrix(0, nrow = length(mod-uftime), ncol = nrow(x0)) > für (j in 1:nrow(x0)) lhat[, j] <- cumsum(exp(sum(x0[j, ] * mod-coef)) * mod-bfitj) > lhat <- cbind(mod-uftime, 1 - exp(-lhat)) > suv<-as.data.frame(lhat) > colnames(suv)<- c("time") > zeile24<-welche(suv-zeit=="24") > cif.min24<-suv[line24,which.min(suv[line24,])]
</li>
			<li>Ersetzen Sie X.beta und X.point. > lmaxbeta<-which.max(abs(mod-coef)) > maxbeta<-abs(mod-coef[lmaxbeta]) > rennen0<-0 > Namen(race0)<-"race:1" > race.beta<-c(race0,mod-coef[c("race:2","race:3")]) > race.beta.min<-race.beta[which.min(race.beta)] > race.beta1<-race.beta-race.beta.min > race.scale<-(race.beta1/maxbeta*100) > nom-Race-Xbeta<-race.beta1 > nom-Race-Punkte<-race.scale HINWEIS: Nehmen Sie Die Rasse als Beispiel.</li>
			<li>Ersetzen Sie die Gesamtsumme X.point und X.real. > nom-total.points-x<-c(0,50,100, ...) > real.2y<-c(0.01,0.1,0.2,...) HINWEIS: Ersatzwerte entsprechen dem Minimax-Wert.</li>
			<li>Berechnen Sie die X.score und zeichnen Sie das Nomogramm. > score.2y<-log(log((1-real.2y),(1-cif.min24)))/(maxbeta/100) > Nom'2-Jahres-Überleben'$x<-Score.2y > Nom'2-Jahres-Überleben'$x.real<-real.2y > nom'2-Jahres-Überleben'$fat<-as.character(real.2y) > Plot(nom) HINWEIS: X.score=log(log((1-X.real),(1-cif0)))/(maxbeta/100). Die Gleichungen für die X.score- und X.real-Beziehung können entsprechend der intrinsischen Zuordnung des konkurrierenden Modells(crr) berechnet werden. Cif0 bedeutet Basis-cif, der durch die Predict.crr-Funktion berechnet wird.</li>
		</ol>
</li>
	</ol>
</li>
</ol>5. Teilgruppenanalyse auf Basis des Group Risk Score (GRS)
<ol><li>Berechnen des Risikoergebnisses (RS) HINWEIS: Berechnen Sie den Risikowert für jeden Patienten, indem Sie die Punkte jeder Variablen zusammenstellen. Cut-off-Werte werden verwendet, um die Kohorte zu klassifizieren. Verwenden Sie als Beispiel 3 Untergruppen, um ein Gesamtstrukturdiagramm zu zeichnen.<ol>
<li>Installieren und Laden der R-Pakete > install.packages("meta") > Bibliothek("meta")
</li>
		<li>Rufen Sie das GRS ab, und teilen Sie die Kohorte in 3 Untergruppen auf. > d1<-Datensatz > d1-X<-nom-X-Punkte > #For Beispiel, d1'race[d1'race==1]<-nom'race'point[1] > d1-RS<-d1-race + d1'marry + d1'histology + d1'grademodify + d1'Tclassification + d1'Nclassification > d1-GRS<- cut(d1-RS, quantile(d1-RS, seq(0, 1,1/3)), include.lowest = TRUE, Labels = 1:3)</li>
		<li>Zeichnen Sie das Waldgrundstück. Holen Sie sich die HR, LCI und UCI über die Funktion crr. > Untergruppe<-crr(ftime, fstatus, cov1, failcode=1) > HR<- Zusammenfassung(Untergruppe)$conf.int[1] > LCI<- Zusammenfassung(Untergruppe)$conf.int[3] > UCI<- Zusammenfassung(Untergruppe)$conf.int[4] > LABxx<-c("Niedriges Risiko", "Mittleres Risiko", "Hohes Risiko") > xx<-metagen(log(HR), unten = log(LCI), upper = log(UCI), studlab = LABxx, sm = "HR") > forest(xx, col.square = "black", hetstat =TRUE, leftcols = "studlab")
</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>

Das übergeordnete Ziel der aktuellen Studie war es, ein spezifisches Nomogramm mit konkurrierendem Risiko zu etablieren, das reale Krankheiten beschreiben könnte, und ein bequemes individuelles Bewertungsmodell für Kliniker zu entwickeln, um Behandlungsentscheidungen zu treffen. Hier bieten wir ein Schritt-für-Schritt-Tutorial zum Einrichten von Nomogrammen basierend auf dem Cox-Regressionsmodell und dem konkurrierenden Risikoregressionsmodell und die weitere Durchführung von Subgruppenanalysen. Zhang et al.<sup class="x...

Die Zeit bis zur Ereignis-Überlebensanalyse ist in klinischen Studien durchaus üblich. Überlebensdaten messen die Zeitspanne von der Startzeit bis zum Auftreten des Ereignisses von Interesse, aber das Auftreten des Ereignisses von Interesse wird oft durch ein anderes Ereignis ausgeschlossen. Wenn mehr als ein Typ von Endpunkt vorhanden ist, werden sie als konkurrierende Risikoendpunkte bezeichnet. In diesem Fall funktioniert die Standard-Gefahrenanalyse (d. h. das Modell der proportionalen Ursache-spezifischen Gefahren von Cox) oft nicht gut, da Personen, die eine andere Art von Ereignis erleben, zensiert werden. Personen, die ein konkurrierendes Ereignis erleben, bleiben oft im Risiko, da die konkurrierenden Risiken in der Regel nicht unabhängig sind. Daher untersuchten Fine und Gray1 die Regressionsmodellschätzung für die Unterverteilung eines konkurrierenden Risikos. In einer konkurrierenden Risikoeinstellung können drei verschiedene Arten von Ereignissen diskriminiert werden.
Man misst das Gesamtüberleben (OS), indem ein direkter klinischer Nutzen aus neuen Behandlungsmethoden für eine Krankheit nachgewiesen wird. OS misst die Überlebenszeit vom Zeitpunkt des Ursprungs (d. h. zeitpunkt der Diagnose oder Behandlung) bis zum Zeitpunkt des Todes aufgrund einer beliebigen Ursache und bewertet im Allgemeinen das absolute Sterberisiko, wodurch die Todesursachen (z. B. krebsspezifischer Tod (CSD) oder nicht-krebsspezifischer Tod (nicht-CSD))nichtunterschieden werden. OS wird daher als wichtigster Endpunkt betrachtet. Die Ereignisse von Interesse sind oft krebsbedingt, während die nicht-krebsspezifischen Ereignisse, zu denen Herzkrankheiten, Verkehrsunfälle oder andere nicht zusammenhängende Ursachen gehören, als konkurrierende Ereignisse betrachtet werden. Bösartige Patienten mit einer günstigen Prognose, von denen erwartet wird, dass sie länger überleben, haben oft ein höheres Risiko für Nicht-CSD. Das heißt, das Betriebssystem wird durch andere Todesursachen verwässert und die tatsächliche Wirksamkeit der klinischen Behandlung nicht richtig interpretieren. Daher ist OS möglicherweise nicht die optimale Maßnahme für den Zugriff auf die Folgen der Krankheit3. Solche Verzerrungen könnten durch das konkurrierende Risikoregressionsmodell korrigiert werden.
Es gibt zwei Hauptmethoden für konkurrierende Risikodaten: ursachenspezifische Gefahrenmodelle (Cox-Modelle) und Unterverteilungsgefahrenmodelle (konkurrierende Modelle). Im folgenden Protokoll stellen wir zwei Methoden zur Erzeugung von Nomogrammen auf der Grundlage des ursachenspezifischen Gefahrenmodells und des Unterverteilungsrisikomodells vor. Das ursachenspezifische Gefahrenmodell kann in das Cox-Modell für proportionale Gefahren passen, das Probanden, die das konkurrierende Ereignis erleben, zum Zeitpunkt des Wettbewerbsereignisses als zensiert behandelt. In dem Subverteilungsrisikomodell, das 1999 von Fine und Gray1 eingeführt wurde, können drei verschiedene Arten von Ereignissen diskriminiert werden, und Personen, die ein konkurrierendes Ereignis erleben, bleiben für immer dem Risiko ausgesetzt.
Ein Nomogramm ist eine mathematische Darstellung der Beziehung zwischen drei oder mehr Variablen4. Medizinische Nomogramme betrachten biologische und klinische Ereignisse als Variablen (z. B. Tumorgrad und Patientenalter) und erzeugen Wahrscheinlichkeiten eines klinischen Ereignisses (z. B. Krebsrezidiv oder Tod), das grafisch als statistisches prognostisches Modell für eine bestimmte Person dargestellt wird. Im Allgemeinen wird ein Nomogramm basierend auf den Ergebnissen des Cox Proportional Hazards Modell5,6,7,8,9,10formuliert.
Wenn jedoch konkurrierende Risiken vorhanden sind, kann ein Nomogramm, das auf dem Cox-Modell basiert, möglicherweise nicht gut funktionieren. Obwohl mehrere frühere Studien11,12,13,14 das konkurrierende Risikonomogramm angewendet haben, um die Wahrscheinlichkeit von CSD zu schätzen, haben nur wenige Studien beschrieben, wie das Nomogramm auf der Grundlage eines konkurrierenden Risikoregressionsmodells zu etablieren ist, und es gibt kein vorhandenes Paket, um dies zu erreichen. Daher wird die nachstehende Methode ein Schrittweiseprotokoll zur Festlegung eines spezifischen Nomogramms mit konkurrierendem Risiko auf der Grundlage eines konkurrierenden Risikoregressionsmodells sowie eine Risikobewertung für Ärzte bei der Entscheidungsfindung bei der Behandlung bereitstellen.

etablierung eines nomogrammmodells für die wettbewerbsfördernde risikoregression für Überlebensdaten

Establishing a Competing Risk Regression Nomogram Model for Survival Data

Die Kaplan-Meier-Methode und das Regressionsmodell für proportionale Gefahren von Cox sind die häufigsten Analysen im Überlebensrahmen. Diese sind relativ einfach anzuwenden und zu interpretieren und können visuell dargestellt werden. Wenn jedoch konkurrierende Ereignisse (z. B. kardiovaskuläre und zerebrovaskuläre Unfälle, behandlungsbedingte Todesfälle, Verkehrsunfälle) vorhanden sind, sollten die Standard-Überlebensmethoden mit Vorsicht angewendet werden, und reale Daten können nicht richtig interpretiert werden. Es kann wünschenswert sein, verschiedene Arten von Ereignissen zu unterscheiden, die zum Scheitern führen können, und sie in der Analyse unterschiedlich zu behandeln. Hier konzentrieren sich die Methoden auf die Verwendung des konkurrierenden Regressionsmodells, um signifikante prognostische Faktoren oder Risikofaktoren zu identifizieren, wenn konkurrierende Ereignisse vorhanden sind. Darüber hinaus werden Nomogramme auf der Grundlage eines proportionalen Risikoregressionsmodells und eines konkurrierenden Regressionsmodells eingerichtet, um Ärzten zu helfen, individuelle Bewertungen und Risikostratifizierungen vorzunehmen, um die Auswirkungen kontroverser Faktoren auf die Prognose zu erklären.

Überlebensmerkmale der Beispielkohorte In der Beispielkohorte wurden insgesamt 8.550 förderfähige Patienten in die Analyse einbezogen, und die mediane Nachbeobachtungszeit betrug 88 Monate (Bereich, 1 bis 95 Monate). Insgesamt 679 (7,94%) Patienten waren jünger als 40 Jahre und 7.871 (92,06%) Patienten waren älter als 40 Jahre. Am Ende der Studie, 7.483 (87,52%) Patienten noch am Leben waren, 662 (7,74%) an Brustkrebs gestorben ist, und 405 (4,74%) Patienten starben an anderen Ursachen (konkurrierende...

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.

Etablierung eines Nomogrammmodells für die wettbewerbsfördernde Risikoregression für Überlebensdaten

The Kaplan&#8211;Meier method and Cox proportional hazards regression model are the most common analyses in the survival framework. These are relatively ...

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.

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

Research

Forschung

JoVE Journal

Cancer Research

Krebsforschung

Das vorliegende Protokoll beschreibt Codes in R zur Bewertung der Unterscheidungs- und Kalibrierungsfähigkeiten eines konkurrierenden Risikomodells sowie Codes für die interne und externe Validierung eines Modells.

Eine R-basierte Landschaftsvalidierung eines konkurrierenden Risikomodells

Die Studie ergab, dass das männliche Geschlecht, der schlechte Tumorgrad und das fortgeschrittene Stadium der Tumorknotenmetastasierung bei Patienten mit mehreren primären Darmkrebserkrankungen (MPCC) nach der Operation mit einem schlechteren krebsspezifischen Überleben (CSS) verbunden waren. Wir haben ein Nomogramm entwickelt, um das CSS von MPCC-Patienten vorherzusagen und zur Entscheidungsfindung in der klinischen Behandlung beizutragen.

Kompetitives Risiko-Nomogramm zur Vorhersage des krebsspezifischen Überlebens bei mehreren primären Darmkrebspatienten nach einer Operation

In dieser Studie werden prognostische Systeme für Patienten mit kolorektalem Siegelringzellkarzinom unter Verwendung von Modellen des maschinellen Lernens und konkurrierenden Risikoanalysen evaluiert. Es identifiziert die logarithmische Wahrscheinlichkeit positiver Lymphknoten als überlegenen Prädiktor im Vergleich zum pN-Staging, zeigt eine starke Vorhersageleistung und unterstützt die klinische Entscheidungsfindung durch robuste Überlebensvorhersagewerkzeuge.

Vergleich der prädiktiven Leistung von drei Lymphknoten-Staging-Systemen beim kolorektalen Siegelringzellkarzinom auf Basis eines maschinellen Lernmodells

Mime ist ein flexibles Rechen-Framework zur Erstellung eines auf maschinellem Lernen basierenden Integrationsmodells mit eleganter Leistung. Hier bieten wir ein detailliertes Schritt-für-Schritt-Verfahren für die Entwicklung von Vorhersagemodellen mit hoher Genauigkeit, wobei wir komplexe Datensätze nutzen, um kritische Gene zu identifizieren, die mit dem Fortschreiten der Krankheit, den Patientenergebnissen und dem therapeutischen Ansprechen verbunden sind.

Erstellen und Visualisieren von Modellen mit einem Mime-basierten Framework für maschinelles Lernen

Eine in-vitro- Methode für die Festlegung der doppelten Widerstand gegen eine EGFR-TKI und ein MET-TKI in Krebszellen wird beschrieben. Diese Methode ist nützlich für die Entwicklung von Therapien für Patienten mit EGFR-Mutationen, die Progression der Erkrankung trotz der EGFR-TKI Behandlung mit MET-Verstärkung ausstellen. Es kann auch für Inhibitoren gezielt andere Moleküle geändert werden.

Doppelte Resistenz gegen EGFR-TKI und traf TKI etablieren in Lunge Adenokarzinom Zellen In Vitro mit einem 2-stufigen Dosiseskalation Verfahren

Hier bieten wir einen Workflow, der die Identifizierung von gesunden und pathologischen Zellen basierend auf ihre 3-dimensionale Form erlaubt. Wir beschreiben den Prozess der Verwendung 2D-Projektion Umrisse anhand der 3D-Oberflächen, um ein Self-Organizing-Map zu trainieren, die Objektive clustering der untersuchten Zellpopulationen bieten wird.

Morphologie-basierte Unterscheidung zwischen gesunden und pathologischen Zellen mittels Fourier-Transformationen und Self-Organizing Maps

Aufbau einer stabilen Zelllinie überexprimierenden gen des Interesses Genfunktion zu studieren kann durch stabile Transfektion-Kommissionierung einzelnen Klone nach transfecting sie über retroviralen Infektion durchgeführt werden. Hier zeigen wir, dass HT29-DR3 Zelllinien erzeugt auf diese Weise die Mechanismen aufzuklären, welche, die Tod Rezeptor 3 (DR3) zum Mitosehemmstoffen-induzierten Apoptose beiträgt.

Gründung von Zelllinien überexprimiert DR3 um die Apoptotic Antwort auf Anti-mitotische Therapeutika zu bewerten

Diese Arbeit setzt ein fortschrittliches Protokoll vor, um die Tumorbelastung durch den Nachweis von grünen Fluoreszenzprotein- und Biolumineszenzsignalen sowie die Integration quantitativer molekularer Detektionstechniken genau zu bewerten.

Studieren von dreifach negativem Brustkrebs mit orthotopischem Brustkrebsmodell

Hier beschreiben wir einen einfach zu bedienenden Invasionstest für Glioblastom. Dieser Test eignet sich für glioblastom-Stammzellen. Ein Fidschi-Makro zur einfachen Quantifizierung von Invasion, Migration und Proliferation wird ebenfalls beschrieben.

Ein 3D Spheroid Modell für Glioblastom

In diesem Beitrag stellen wir ein detailliertes Protokoll für die nichtinvasive flüssige Biopsietechnik vor, einschließlich Blutentnahme, Plasma- und Buffy-Coat-Trennung, cfDNA- und Keimbahn-DNA-Extraktion, Quantifizierung von cfDNA- oder Keimbahn-DNA und cfDNA-Fragmentanreicherungsanalyse.

Nachweis zellfreier DNA in Blutplasmaproben von Krebspatienten

Lernen Sie die Erstellung von Nomogrammen mit Cox-Regression und Competing-Risk-Modellen in R. Diese Methode ermöglicht präzisere Überlebensanalysen bei konkurrierenden Ereignissen.

Etablierung eines Nomogrammmodells für die wettbewerbsfördernde Risikoregression für Überlebensdaten

Weitere Videos entdecken