Name: Eine R-basierte Landschaftsvalidierung eines konkurrierenden Risikomodells (Video) | JoVE Journal
Uploaded: 2022-09-16T13:10:00.000+00:00
Duration: 5 min 37 s
Description: Lernen Sie die R-basierte Validierung konkurrierender Risikomodelle mit C-Index, Bootstrap-Methoden und Kalibrationskurven. Dieses Protokoll unterstützt Forscher bei der Bewertung von Überlebensanalysen.

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 Zuschüsse aus dem Medical Science & Technology Plan Project der Provinz Zhejiang (Fördernummern 2013KYA212), dem allgemeinen Programm der Zhejiang Province Natural Science Foundation (Fördernummer Y19H160126) und dem Schlüsselprogramm des Jinhua Municipal Science & Technology Bureau (Fördernummern 2016-3-005, 2018-3-001d und 2019-3-013) unterstützt.

Die Datenbank Surveillance, Epidemiology, and End Results (SEER) ist eine frei zugängliche Krebsdatenbank, die nur anonymisierte Patientendaten enthält (SEER-ID: 12296-Nov2018). Daher wurde diese Studie von der Genehmigung durch den Prüfungsausschuss des angeschlossenen Jinhua-Krankenhauses, Zhejiang University School of Medicine, ausgenommen.
1. Datenaufbereitung und Vorbereitung von R-Paketen
<ol><li>Bereiten Sie die Daten vor und importieren Sie sie. > Datensatz <- read.csv(".../Brustkrebsdaten.xlsx") #Import Daten. HINWEIS: Die Daten werden in die Ergänzungsdatei 1 hochgeladen.</li>
	<li>Installieren und laden Sie die R-Pakete. > Pakete <- c("rms","cmprsk","mstate","survival","riskRegression"," prodlim") > req.pcg <- function(pcg){ Neue <- PCG[!( pcg %in% installed.packages()[, "Paket"])] if (length(new)) install.packages(new, dependencies = T) sapply(pcg, erfordern, ch = T) } > req.pcg(Pakete) Hinweis: Führen Sie die folgenden Verfahren basierend auf der R-Software (Version 3.6.2) mit den Paketen rms, cmprsk, mstate, survival, riskRegression und prodlim (http://www.r-projectrg/) aus.</li>
</ol>2. Konkurrierende Risikonomogramme mit zwei unterschiedlichen Methoden erstellen
<ol><li>Legen Sie das konkurrierende Risikonomogramm in einer direkten Methode fest. > mod_cph <- cph(Surv(Überlebensmonate, Status) ~ Faktor1+ Faktor2+..., x=T, y=T, surv=T, data=Datensatz) > nom <- nomogram(mod_cph, fun=list(function(x) 1-surv_cph(36, x)...), funlabel=c("3-Jahres-Ereignis1 Prob." ...), lp=F) #Take den 36. Monat als Beispiel. > mod_crr <- crr(Überlebensmonate, fstatus, failcode=1, cov1=cov) > Ergebnis <- log(log((1-real.3y),(1-cif.min36)))/(maxbeta/100) > plot(nom)</li>
	<li>Ermitteln Sie das konkurrierende Risikonomogramm in einer gewichteten Methode. > df.w <- crprep("Überlebensmonate"," fstatus", data=Datensatz, trans=c(1,2), cens=0, keep=c("Faktor1",Faktor2"...)) > mod.w <- cph(Surv(Tstart, Tstop, status==1) ~ factor1+factor2+..., data=df.w, weight=weight.cens, subset=failcode==1, surv=T) > nom.w <- Nomogramm(mod.w...)</li>
</ol>3. Unterscheidungsfähigkeit des konkurrierenden Risikonomogramms
<ol><li>C-Index für Diskriminierung<ol><li>Passen Sie die Matrix-Haube in das konkurrierende Risikomodell mod_crr. ein und erhalten Sie einen prognostizierten Matrix-SUV. > SUV <- predict.crr(mod_crr, cov)</li>
		<li>Holen Sie sich die kumulierten Inzidenzen in einem bestimmten Monat von suv und berechnen Sie den C-Index mit der Funktion rcorr.cens. > CIF36 <- SUV[which(suv[,1]==36),][-1] > rcorr <- rcorr.cens(1-cif36,Surv(Dataset$Survivalmonths,Dataset$tumordeath)) > cindex <- rcorr[1]</li>
	</ol></li>
	<li>AUC für Diskriminierung<ol><li>Bewerten Sie die Vorhersageleistung des konkurrierenden Risikomodells mit der Funktion Score (riskRegressionspaket). > fgr.w <- FGR(Hist(Überlebensmonate, fstatus) ~ Faktor1+ Faktor2+..., data=Datensatz, Ursache=1) > Partitur <- Score(list("Fine-Gray" = fgr.w),</li>
		<li>Extrahieren Sie die AUC aus dem "Score". > score$AUC</li>
	</ol></li>
</ol>4. Kalibrierfähigkeit konkurrierender Risikomodelle
<ol><li>Kalibrierkurven mit einem 95%-Konfidenzintervall des konkurrierenden Risikomodells<ol><li>Rufen Sie einen Datenrahmen mit den kumulativen Vorfällen jedes Einzelnen in einer bestimmten Fehlerzeit ab. > cif36 <- data.frame(cif36) #Take den 36 . Monat als Beispiel. > colnames(cif36.36_o)<-c("36m")</li>
		<li>Teilen Sie die Kohorte gemäß den geschätzten kumulativen Inzidenzen in fünf Untergruppen ein und berechnen Sie die durchschnittlichen prognostizierten kumulativen Inzidenzen jeder Untergruppe. > Gruppe36 <- Cut(cif36$'36m', quantil(cif36$'36m', seq(0, 1, 0.2)), include.lowest = TRUE, labels = 1:5) > Mittelwert36 <- as.vector(by(cif36 $'36m', group36, mean))</li>
		<li>Berechnen Sie die beobachteten kumulativen Inzidenzen, d. h. die tatsächlichen kumulativen Inzidenzen, mithilfe der Funktion cuminc, und erhalten Sie dann die beobachteten kumulativen Inzidenzen mit einem Konfidenzintervall von 95 % in einer bestimmten Fehlerzeit. > cum36 <- cuminc(Dataset$Survivalmonths,Dataset$fstatus,group36) > obs36 <- timepoints(cum36,Dataset$Survivalmonths)$est[c(1:5),36] > obs36var <- timepoints(cum36,Dataset$Survivalmonths)$var[c(1:5),36] > df <- data.frame(mean36, obs36, obs36var)</li>
		<li>Zeichnen Sie die Kalibrierungskurve mit den vorhergesagten kumulativen Inzidenzen als x-Achse und den beobachteten kumulativen Inzidenzen als y-Achse mit der Funktion ggplot. > ggplot(df)+ geom_point(aes(x=mean36,y=obs36),col="red")+ geom_point(AES(x=Mittelwert36,y=obs36),col="rot",pch=4)+ geom_line(col="rot",aes(x=mean36,y=obs36))+ geom_errorbar(col="rot",aes(x=mean36,y=obs36+1.96 *sqrt(obs36var)), ymin = obs36-1.96*sqrt(obs36var), ymax = obs36+1.96 *sqrt(obs36var)) geom_abline(lty=3,lwd=2,col=c(rgb(0,118,192, maxColorValue=255)))</li>
	</ol></li>
	<li>Kalibrierkurve mit Risiko-Scores des konkurrierenden Risikomodells<ol><li>Bewerten Sie jede Stufe aller Variablen und erhalten Sie die Gesamt-RS. > Dataset$factor1[Dataset$factor1==1] <- factor1.scale["Factor1_level1"] > ... #For Beispiel: Dataset$histology[Dataset$histology==1]<-histology.scale["Histology1"] > Dataset$rs <- Dataset$factor1+Dataset$factor2+Dataset$factor3+... HINWEIS: Ermitteln Sie die Gesamt-RS für jeden Patienten, indem Sie die Punkte jeder Variablen summieren.</li>
		<li>Zählen Sie die Häufigkeiten und berechnen Sie die beobachteten kumulativen Inzidenzen der verschiedenen Gesamtrisikobewertungen. > rs.freq <- as.data.frame(table(Dataset$rs)) > obs.36 <- vector(mode="numeric", length=nrow(rs.freq)) > für (i in 1: nrow(rs.freq)) { Datensatz <- Teilmenge(Datensatz,Datensatz$rs== rs.freq [i,1]) cif.dataset <- cuminc(dataset$Survivalmonths,dataset$death3) cif36.dataset <- timepoints(cif.dataset,36) obs.36[i] <- cif36.dataset$est[1]}</li>
		<li>Legen Sie den Bereich der x-Achse fest, und berechnen Sie die prognostizierten kumulativen Inzidenzen der Gesamtrisikobewertungen. > RS <- Bereich(nom$total.points) > x.36 <- seq(min(RS),max(RS),01) > pre.36 <- 1-(1-cif.min36)^exp(x.36*maxbeta/100)</li>
		<li>Zeichnen Sie die Kalibrierungskurve mit Risikobewertungen. > plot(x.36, pre.36, type='l'...) > par(new=TRUE) > plot(as.vector(rs.freq[,1]), obs.36... )</li>
	</ol></li>
</ol>5. Entscheidungskurvenanalyse konkurrierender Risikomodelle
<ol><li>Beziehen Sie die stdca-Funktion , um die Entscheidungskurvenanalyse durchzuführen. > source("stdca. R")</li>
	<li>Extrahieren Sie die Polynomgleichungen aus dem Nomogramm, um die Überlebenswahrscheinlichkeit zu berechnen. > nomogramEx(nomo = nom) > Datensatz$Prädiktoren <- A * (Datensatz$rs ^3) + B * (Datensatz$rs ^2) + C * Datensatz$rs + D #predictors sind vorhergesagte Wahrscheinlichkeiten für krebsspezifische Todesfälle, die durch das etablierte Nomogramm berechnet werden</li>
	<li>Führen Sie die Entscheidungskurvenanalyse durch. > stdca(data = Datensatz, outcome = "status", ttoutcome = "Überlebensmonate", timepoint = 36, predictors = "predictors", cmprsk = TRUE, smooth = FALSE, probability = FALSE) HINWEIS: Für die Bewertung eines Ergebnisses bei Vorliegen eines konkurrierenden Risikos sollte für cmprsk TRUE gewählt werden.</li>
</ol>6. Interne Validierung mit der Bootstrap-Methode
<ol><li>Rufen Sie die durchschnittlichen prognostizierten kumulativen Inzidenzen mithilfe der Bootstrap-Methode ab.<ol><li>Führen Sie ein Resampling des ursprünglichen Datasets (Dataset) durch Ersetzen durch, um das Bootstrap-Dataset (Dataset_in) zu generieren. Richten Sie ein konkurrierendes Risikomodell (mod.in_crr) mit dem Bootstrap-Dataset ein. Verwenden Sie die Funktion predict.crr, um mod.in_crr vorherzusagen, und schleifen Sie b-Zeiten, um suvall.in zu generieren. B=b suvall.in <- list() for(j in 1:B){ Dataset_in <- Datensatz[Beispiel(c(1:nrow(Datensatz)),nrow(Datensatz), replace = TRUE),] anhängen(Dataset_ in) cov. in <- model.matrix(~Faktor1+ Faktor2+...) [,-1] Mod. in _crr <- crr(Überlebensmonate, fstatus, failcode=1, cov1=cov.in) detach(Datensatz. inner) SUV. in <- predict.crr(mod. in _crr, cov) suvall.in[[j]] <- suv.in}</li>
		<li>Ermitteln Sie die durchschnittliche prognostizierte kumulative Inzidenz in einem bestimmten Monat. cif36all. inner <- vector(mode="numeric", length=nrow(Dataset)) for (k in 1:B) { cif36all. Innen<- CIF36ALL. inner+ suvall. inner[[k]][which(suvall. inner[[k]][,1]==36),][-1] } cif36.in <- cif36all.in/B</li>
	</ol></li>
	<li>Berechnen Sie den C-Index mithilfe der internen Kreuzvalidierung mit der Funktion rcorr.cens. rcorr. innere <- rcorr.cens(1-cif36.in,Surv(Dataset$Survivalmonths,Dataset$tumordeath)) cindex. Inneres <- rcorr. inner[1]</li>
	<li>Kalibrieren Sie mit der internen Kreuzvalidierung. HINWEIS: Die Codes der Kalibrierungskurve des konkurrierenden Risikomodells mit interner Validierung ähneln den Codes in Abschnitt 4, während SUV durch suv.in ersetzt wurde.</li>
</ol>7. Externe Validierung des konkurrierenden Risikomodells
<ol><li>Rufen Sie die prognostizierten kumulativen Inzidenzen mithilfe externer Daten ab. Rufen Sie die prognostizierten kumulativen Inzidenzen mit der Matrix der externen Datenvariablen (cov.ex) ab. suv.ex <- predict.crr(mod_crr,cov.ex) cif36.ex <- suv.ex [which(suv.ex $time=="36"),][-1]</li>
	<li>Berechnen Sie den C-Index mithilfe einer externen Validierung. rcorr.ex <- rcorr.cens(1-cif36.ex,Surv(Dataset.ex$Survivalmonths,Dataset.ex$tumordeath)) cindex.ex <- rcorr.ex[1]</li>
	<li>Kalibrieren Sie mit externer Validierung. HINWEIS: Die Codes der Kalibrierungskurve des konkurrierenden Risikomodells mit interner Validierung ähneln den Codes in Abschnitt 4, während suv durch suv.ex ersetzt wird.</li>
</ol>

<ol><li>Andersen, P. K., Gill, R. D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Cox%27s+regression+model+for+counting+processes%3A+A+large+sample+study%5BTitle%5D)+AND+%22The+Annals+of+Statistics%22%5BJournal%5D)">Cox's regression model for counting processes: A large sample study.</a> The Annals of Statistics. 10 (4), 1100-1120 (1982).</li>
<li>Lubsen, J., Pool, J., vander Does, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+practical+device+for+the+application+of+a+diagnostic+or+prognostic+function%5BTitle%5D)+AND+%22Methods+of+Information+in+Medicine%22%5BJournal%5D)">A practical device for the application of a diagnostic or prognostic function.</a> Methods of Information in Medicine. 17 (2), 127-129 (1978).</li>
<li>Harrell, F. E., Lee, K. L., Mark, D. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Multivariable+prognostic+models%3A+Issues+in+developing+models%2C+evaluating+assumptions+and+adequacy%2C+and+measuring+and+reducing+errors%5BTitle%5D)+AND+%22Statistics+In+Medicine%22%5BJournal%5D)">Multivariable prognostic models: Issues in developing models, evaluating assumptions and adequacy, and measuring and reducing errors.</a> Statistics In Medicine. 15 (4), 361-387 (1996).</li>
<li>Hung, H., Chiang, C. -T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Estimation+methods+for+time-dependent+AUC+models+with+survival+data%5BTitle%5D)+AND+%22The+Canadian+Journal+of+Statistics+%2F+La+Revue+Canadienne+de+Statistique%22%5BJournal%5D)">Estimation methods for time-dependent AUC models with survival data.</a> The Canadian Journal of Statistics / La Revue Canadienne de Statistique. 38 (1), 8-26 (2010).</li>
<li>Moons, K. G. M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Risk+prediction+models%3A+I.+Development%2C+internal+validation%2C+and+assessing+the+incremental+value+of+a+new+%28bio%29marker%5BTitle%5D)+AND+%22Heart%22%5BJournal%5D)">Risk prediction models: I. Development, internal validation, and assessing the incremental value of a new (bio)marker.</a> Heart. 98 (9), 683-690 (2012).</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>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>Wu, L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Establishing+a+competing+risk+regression+nomogram+model+for+survival+data%5BTitle%5D)+AND+%22Journal+of+Visualized+Experiments%22%5BJournal%5D)">Establishing a competing risk regression nomogram model for survival data.</a> Journal of Visualized Experiments. (164), e60684(2020).</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+of+Translational+Medicine%22%5BJournal%5D)">Nomogram for survival analysis in the presence of competing risks.</a> Annals of Translational Medicine. 5 (20), 403(2017).</li>
<li>Zhang, Z. H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Overview+of+model+validation+for+survival+regression+model+with+competing+risks+using+melanoma+study+data%5BTitle%5D)+AND+%22Annals+Of+Translational+Medicine%22%5BJournal%5D)">Overview of model validation for survival regression model with competing risks using melanoma study data.</a> Annals Of Translational Medicine. 6 (16), 325(2018).</li>
<li>Newson, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Confidence+intervals+for+rank+statistics%3A+Somers%27+D+and+extensions%5BTitle%5D)+AND+%22Stata+Journal%22%5BJournal%5D)">Confidence intervals for rank statistics: Somers' D and extensions.</a> Stata Journal. 6 (3), 309-334 (2006).</li>
<li>Davison, A. C., Hinkley, D. V., Schechtman, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Efficient+bootstrap+simulation%5BTitle%5D)+AND+%22Biometrika%22%5BJournal%5D)">Efficient bootstrap simulation.</a> Biometrika. 73 (3), 555-566 (1986).</li>
<li>Roecker, E. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Prediction+error+and+its+estimation+for+subset-selected+models%5BTitle%5D)+AND+%22Technometrics%22%5BJournal%5D)">Prediction error and its estimation for subset-selected models.</a> Technometrics. 33 (4), 459-468 (1991).</li>
<li>Steyerberg, E. W., Harrell, F. E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Prediction+models+need+appropriate+internal%2C+internal-external%2C+and+external+validation%5BTitle%5D)+AND+%22Journal+of+Clinical+Epidemiology%22%5BJournal%5D)">Prediction models need appropriate internal, internal-external, and external validation.</a> Journal of Clinical Epidemiology. 69, 245-247 (2016).</li>
<li>Zhang, Z., Chen, L., Xu, P., Hong, Y. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Predictive+analytics+with+ensemble+modeling+in+laparoscopic+surgery%3A+A+technical+note%5BTitle%5D)+AND+%22Laparoscopic%2C+Endoscopic+and+Robotic+Surgery%22%5BJournal%5D)">Predictive analytics with ensemble modeling in laparoscopic surgery: A technical note.</a> Laparoscopic, Endoscopic and Robotic Surgery. 5 (1), 25-34 (2022).</li>
</ol>

Die Autoren erklären, dass sie keine Interessenkonflikte haben.

In dieser Studie wurden konkurrierende Risikonomogramme, die mit zwei unterschiedlichen Methoden erstellt wurden, verglichen und die etablierten Nomogramme ausgewertet und validiert. Konkret wurde in dieser Studie eine Schritt-für-Schritt-Anleitung zur Erstellung des Nomogramms auf der Grundlage einer direkten Methode sowie zur Berechnung des C-Index und zur Darstellung der Kalibrierungskurven bereitgestellt.
Das rms-Paket in der R-Software wird häufig für die Konstruktion und Bewertu...

In den letzten Jahren wurden mit der Entwicklung der Präzisionsmedizin neue Prognosefaktoren identifiziert, und Prognosemodelle, die molekulare und klinisch-pathologische Faktoren kombinieren, erregen zunehmend Aufmerksamkeit im klinischen Umfeld. Nicht-grafische Modelle, wie z. B. das Cox-Proportional-Hazard-Modell, mit Ergebnissen von Koeffizientenwerten, sind für Kliniker jedoch schwer zu verstehen1. Im Vergleich dazu ist ein Nomogramm ein Visualisierungswerkzeug von Regressionsmodellen (einschließlich des Cox-Regressionsmodells, des konkurrierenden Risikomodells usw.), ein zweidimensionales Diagramm, das für die näherungsweise grafische Berechnung einer mathematischen Funktion2 entwickelt wurde. Es ermöglicht die Bewertung verschiedener Variablenebenen in einem klinischen Modell und die Berechnung von Risiko-Scores (RS) zur Vorhersage der Prognose.
Die Modellbewertung ist im Modellbau unerlässlich, und zwei Merkmale werden allgemein für die Bewertung akzeptiert: Unterscheidung und Kalibrierung. In klinischen Modellen bezieht sich Unterscheidung auf die Fähigkeit eines Modells, Individuen, die Ereignisse entwickeln, von denen zu unterscheiden, die keine Ereignisse entwickeln, wie z. B. Patienten, die sterben, von denen, die am Leben bleiben, und der Konkordanzindex (C-Index) oder die Fläche unter der Empfänger-Betriebskennlinie (AUC) werden typischerweise verwendet, um sie zu charakterisieren 3,4. Die Kalibrierung ist ein Prozess, bei dem die vorhergesagten Wahrscheinlichkeiten eines Modells mit den tatsächlichen Wahrscheinlichkeiten verglichen werden, und Kalibrierungskurven werden häufig verwendet, um sie darzustellen. Darüber hinaus ist die Modellvalidierung (interne und externe Validierung) ein wichtiger Schritt in der Modellkonstruktion, und nur validierte Modelle können weiter extrapoliert werden5.
Das Cox-Proportional-Hazard-Modell ist ein Regressionsmodell, das in der medizinischen Forschung verwendet wird, um die Zusammenhänge zwischen prognostischen Faktoren und dem Überlebensstatus zu untersuchen. Das proportionale Cox-Hazard-Modell berücksichtigt jedoch nur zwei Ergebnisstatus [Y (0, 1)], während die Studienteilnehmer oft mit mehr als zwei Status konfrontiert sind und konkurrierende Risiken auftreten [Y (0, 1, 2)]1. Das Gesamtüberleben (OS), definiert als die Zeit vom Entstehungsdatum (z. B. Behandlung) bis zum Todesdatum aufgrund einer beliebigen Ursache, ist der wichtigste Endpunkt in der Überlebensanalyse. Das OS unterscheidet jedoch nicht zwischen krebsspezifischen Todesfällen und nicht-krebsspezifischen Todesfällen (z. B. kardiovaskuläre Ereignisse und andere nicht verwandte Ursachen) und ignoriert daher konkurrierende Risiken6. In diesen Situationen wird das konkurrierende Risikomodell für die Vorhersage des Überlebensstatus unter Berücksichtigung konkurrierender Risikenbevorzugt 7. Die Methodik zur Konstruktion und Validierung von Cox-Proportional-Hazard-Modellen ist gut etabliert, während es nur wenige Berichte über die Validierung konkurrierender Risikomodelle gibt.
In unserer vorangegangenen Studie wurden ein spezifisches Nomogramm für konkurrierende Risiken, eine Kombination aus einem Nomogramm und einem Modell für konkurrierende Risiken sowie eine Schätzung des Risiko-Scores auf der Grundlage eines konkurrierenden Risikomodells erstellt8. Ziel dieser Studie ist es, verschiedene Methoden zur Evaluierung und Validierung des etablierten konkurrierenden Risikonomogramms vorzustellen, die als nützliches Werkzeug für Kliniker dienen sollen, um die Prognose unter Berücksichtigung konkurrierender Risiken vorherzusagen.

<table><tbody><tr><td>R-Software</td><td>Keine</td><td>Nicht zutreffend</td><td>Version 3.6.2 oder höher&nbsp;</td></tr><tr><td>Computersystem</td><td>Microsoft&nbsp;</td><td>Windows 10</td><td>&nbsp; Windows 10 oder höher</td></tr></tbody></table>

eine r-basierte landschaftsvalidierung eines konkurrierenden risikomodells

An R-Based Landscape Validation of a Competing Risk Model

Das Cox-Modell der proportionalen Gefährdung wird häufig für Überlebensanalysen im klinischen Umfeld eingesetzt, ist jedoch nicht in der Lage, mehrere Überlebensergebnisse zu bewältigen. Im Gegensatz zum traditionellen Cox-Proportional-Hazard-Modell berücksichtigen konkurrierende Risikomodelle das Vorhandensein konkurrierender Ereignisse und deren Kombination mit einem Nomogramm, einem grafischen Berechnungsgerät, das ein nützliches Werkzeug für Kliniker ist, um eine präzise prognostische Vorhersage durchzuführen. In dieser Studie berichten wir über eine Methode zur Etablierung des konkurrierenden Risikonomogramms, d.h. die Bewertung seiner Diskriminationsfähigkeit (d.h. Konkordanzindex und Fläche unter der Kurve) und Kalibrierungsfähigkeiten (d.h. Kalibrierungskurven) sowie des Nettonutzens (d.h. Entscheidungskurvenanalyse). Darüber hinaus wurden auch eine interne Validierung mit Bootstrap-Resamples des ursprünglichen Datensatzes und eine externe Validierung mit einem externen Datensatz des etablierten konkurrierenden Risikonomogramms durchgeführt, um dessen Extrapolationsfähigkeit zu demonstrieren. Das Nomogramm des konkurrierenden Risikos sollte als nützliches Instrument für Kliniker dienen, um die Prognose unter Berücksichtigung konkurrierender Risiken vorherzusagen.

In dieser Studie wurden Daten von Patientinnen mit Brustkrebs aus der SEER-Datenbank abgerufen und als Beispieldaten dient. Die SEER-Datenbank enthält Daten zu Krebserkrankungen, die etwa 34,6 % der Bevölkerung der Vereinigten Staaten ausmachen, und es wurde die Erlaubnis für den Zugriff auf die Datenbank eingeholt (Referenznummer 12296-Nov2018).
Zwei Nomogramme (Abbildung 1), die beide den histologischen Typ, den differenzierten Grad, das T-Stadium und das N-Stad...

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

The Cox proportional hazard model is widely applied for survival analyses in clinical settings, but it is not able to cope with multiple survival ...

Unser Protokoll stellt verschiedene Methoden zur Bewertung und Validierung des konkurrierenden Risikonomogramms vor, das das Vorhandensein konkurrierender Ereignisse in der Überlebensanalyse berücksichtigt. Dieses Protokoll dient als Ergänzung zum Risikoregressionspaket in R.Wie z.B. die Berechnung des C-Index und die interne Validierung unter Verwendung der Bootstrap-Methode. Um mit der C-Index-Unterscheidung zu beginnen, passen Sie den Matrixkolben in das konkurrierende Risikomodell mod CRR an und erhalten Sie einen vorhergesagten Matrix-SUV, indem Sie den Befehl ausführen.Holen Sie sich die kumulierten Inzidenzen in einem bestimmten Monat von SUV und berechnen Sie den C-Index mit der Funktion R-core sends. Bewerten Sie für die AUC-Unterscheidung die Vorhersageleistung des konkurrierenden Risikomodells mithilfe der Funktion score und des Risikoregressionspakets. Extrahieren Sie dann die AUC aus der Punktzahl, indem Sie den Befehl ausführen.Um Kalibrierungskurven mit einem 95%-Konfidenzintervall des konkurrierenden Risikomodells zu erhalten, erhalten Sie einen Datenrahmen mit den kumulativen Inzidenzen jedes Individuums in einer bestimmten Ausfallzeit. Teilen Sie dann die Kohorte nach den geschätzten kumulativen Inzidenzen in fünf Untergruppen ein und berechnen Sie die durchschnittlich prognostizierten kumulativen Inzidenzen jeder Untergruppe. Berechnen Sie die beobachteten kumulativen Inzidenzen, d. h. die tatsächlichen kumulativen Inzidenzen, mit der Funktion cuminc.Und dann erhalten Sie die beobachteten kumulativen Inzidenzen mit einem 95%-Konfidenzintervall in einer bestimmten Fehlerzeit, indem Sie den Befehl ausführen. Zeichnen Sie die Kalibrierungskurve mit den vorhergesagten kumulativen Inzidenzen als X-Achse und den beobachteten kumulativen Inzidenzen als Y-Achse. Mit der Funktion gg plot.Bewerten Sie für die Kalibrierungskurve mit Risikowerten des konkurrierenden Risikomodells jede Stufe aller Variablen und erhalten Sie die Gesamt-RS, indem Sie den Befehl ausführen. Zählen Sie die Häufigkeiten und berechnen Sie die beobachteten kumulativen Inzidenzen der verschiedenen Gesamtrisikobewertungen. Legen Sie den Bereich der X-Achse fest, und berechnen Sie die prognostizierten kumulativen Inzidenzen der Gesamtrisikobewertungen.Zeichnen Sie dann die Kalibrierungskurve mit Risikobewertungen, indem Sie den Befehl ausführen. Um die durchschnittlichen prognostizierten kumulativen Inzidenzen mithilfe der Bootstrap-Methode zu erhalten, führen Sie eine erneute Stichprobe des ursprünglichen Datasets (Dataset with replace) durch, um das Bootstrap-Dataset zu generieren. Datensatz in.Richten Sie dann ein konkurrierendes Risikomodell ein:mod NCRR mit dem Bootstrap-Dataset und verwenden Sie die Funktion predict CRR, um mod NCRR in Schleife B vorherzusagen, um SUV all in zu generieren. Ermitteln Sie als Nächstes die durchschnittlich prognostizierten kumulativen Inzidenzen in einem bestimmten Monat. Berechnen Sie den C-Index mithilfe der Intervallkreuzvalidierung mit der Funktion R-core sends.Rufen Sie für die Kalibrierung mithilfe der externen Validierung die prognostizierten kumulativen Inzidenzen mit externen Daten und kumulative Inzidenzen mit der Matrix externer Datenvariablen:Code-X ab, indem Sie den Befehl ausführen. Berechnen Sie dann den C-Index mit externer Validierung Durch Ausführen des Befehls. Es wurden zwei Nomogramme mit der direkten Methode und der gewichteten Methode erhalten, die zeigten, dass die Punkte jeder Variablenebene und die Wahrscheinlichkeiten, die den Gesamtpunkten entsprachen, nahezu gleich waren.Dabei wurden einige geringfügige Unterschiede beobachtet. Die Kalibrierungskurve für das konkurrierende Risikomodell lag nahe an der Äquivalenzlinie und das 95%-Konfidenzintervall der beobachteten Häufigkeit fiel in jeder Gruppe in die Äquivalenzlinie. Anzeige der genauen Kalibrierungsfähigkeit des Modells.Es wurden Kalibrierkurven mit interner und externer Validierung gezeigt, die darauf hindeuten, dass das konstruierte Modell in der internen Validierung eine gute Kalibrierfähigkeit hatte, in der externen Validierung jedoch eine schlechte. Die Ergebnisse der Entscheidungskurvenanalyse des konkurrierenden Risikonomogramms wurden erhalten. Darstellung der Veränderungen des Nettonutzens mit steigender Schwellenwahrscheinlichkeit.Das erneute Sampling des ursprünglichen Datensatzes wurde ersetzt, um den Bootstrap-Datensatz zu generieren, der für die interne Validierung des konkurrierenden Risikonomogramms wichtig ist. Neben der Bootstrap-Methode können auch die randomisierte Anzeige und die K4-Methode durchgeführt werden, um Datensätze zu generieren, die für die interne Validierung verwendet werden. Mit unserer R-basierten Landschaftsvalidierung des konkurrierenden Risikomodells können Ärzte eine Prognoseanalyse in der realen Welt unter Berücksichtigung des konkurrierenden Risikos einfacher durchführen.

an-r-based-landscape-validation-of-a-competing-risk-model

Research

Forschung

JoVE Journal

Cancer Research

Krebsforschung

Es ist ein kritischer Bedarf an Werkzeugen und Methoden verwalten kann Wassersysteme angesichts der ungewissen Zukunft Bedingungen. Wir bieten Methoden für eine gezielte watershed Beurteilung durchzuführen, die Landschaft basierenden kumulativen Effekte Modelle für den Einsatz in einem Szenario-Analyse-Management-Framework zu produzieren Ressourcenmanager ermöglicht.

Watershed Planung innerhalb eines Quantitative Szenarioanalyse Rahmen

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

Wir zeigen, wie ein Echtzeit-Psychose-Risikoberechnungs- und -war-System auf Basis von CogStack, einer Informationsabruf- und Extraktionsplattform für elektronische Gesundheitsdaten, bereitgestellt wird.

Implementierung eines Echtzeit-Psychose-Risikoerkennungs- und -war-Systems basierend auf elektronischen Gesundheitsakten mit CogStack

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

Wir beschreiben die Etablierung von orthotopen kolorektalen Tumoren durch Injektion von Tumorzellen oder Organoiden in den Cecum von Mäusen und die anschließende Isolierung von zirkulierenden Tumorzellen (CTCs) aus diesem Modell.

Isolierung von zirkulierenden Tumorzellen in einem orthotopischen Mausmodell des Darmkrebses

Wir beschreiben eine in Vivo Mausmodell Perineural Invasion durch Einspritzen von Phänomen pankreatischen Krebszellen in den Ischiasnerv. Das Modell ermöglicht eine Quantifizierung des Ausmaßes der Nerv Invasion und Untersuchung der zellulären und molekularen Mechanismen der Perineural Invasion unterstützt.

Eine In Vivo murinen Ischiasnerv Modell Perineural Invasion

Die Versuchsdurchführung auf die Immunphänotypisierung der murinen orthotopen PDAC Homografts bezweckt die Profilierung der Tumor Immuno-Mikroumgebung. Tumoren sind Orthotopically über Operation implantiert. Tumoren von 200 – 600 mm3 in der Größe wurden geerntet und distanzierte um einzellige Suspensionen, gefolgt von Multi-immun FACS Markeranalyse mit verschiedenen fluoreszent-markierten Antikörpern vorzubereiten.

Die Immunphänotypisierung der Orthotopen Homograft (Phänomen) der murinen primäre KPC duktales Pankreaskarzinom durch Durchflusszytometrie

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

Das vorgestellte diagnostische FL-DNA-Kit ist eine zeitsparende und benutzerfreundliche Methode, um die zuverlässige Wahrscheinlichkeit des Vorhandenseins von Darmkrebsläsionen zu bestimmen.

Bewertung des Darmkrebsrisikos und der Prävalenz durch Stuhl-DNA-Integritätsnachweis

Lernen Sie die R-basierte Validierung konkurrierender Risikomodelle mit C-Index, Bootstrap-Methoden und Kalibrationskurven. Dieses Protokoll unterstützt Forscher bei der Bewertung von Überlebensanalysen.

Eine R-basierte Landschaftsvalidierung eines konkurrierenden Risikomodells

Weitere Videos entdecken