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

Unsere Forschung konzentriert sich auf die Analyse des krebsspezifischen Überlebens von Patienten mit mehreren primären kolorektalen Karzinomen. Wir untersuchen die Faktoren, die das krebsspezifische Überleben bei diesen Patienten beeinflussen, und entwickeln dann ein Modell zur Unterstützung der klinischen Entscheidungsfindung.

In unserer Forschung verwenden wir ein konkurrierendes ReX-Modell anstelle eines Cox-Modells, um die Faktoren zu untersuchen, die das krebsspezifische Überleben beeinflussen. Dieser Ansatz ermöglicht es uns, die Auswirkungen von konkurrierenden Veranstaltungen zu minimieren und präzisere Ergebnisse zu erzielen. In Zukunft planen wir, uns auf die Genomforschung bei mehreren primären kolorektalen Karzinomen zu konzentrieren, um ihre unterschiedlichen genetischen Merkmale aufzudecken.

[Dozent] Laden Sie zunächst die SEERStat 8.4.3-Software von der SEER-Datenbank-Website herunter. Registrieren Sie sich und melden Sie sich bei SEERStat 8.4.3 an, um die relevanten Patientendaten zu erhalten. Klicken Sie nach dem Einloggen auf Fallliste, Sitzung und Daten. Wählen Sie dann die SEER-Forschungsdaten für Vorfälle, 17 Register, November 2022 sub, 2000 bis 2020 aus. Klicken Sie auf Auswahl, dann bearbeiten und wählen Sie Rasse, Geschlecht, Jahr dx, Jahr der Diagnose, 2004 bis 2015 sowie Ort und Morphologie, Standort-Rekodierung ICD03 und WHO 2008 als Dickdarm und Rektum. Wählen Sie die diagnostische Bestätigung der Lokalisation und der Morphologie als positive Histologie, und die Sequenznummer mehrerer Primärfelder ist nicht nur ein primäres Feld. Klicken Sie nun auf OK und speichern Sie die Auswahl. Klicken Sie dann auf die Tabelle und wählen Sie in der Benutzeroberfläche für verfügbare Variablen die Alterskodierung mit Einzelalter und 85 plus, das Geschlecht, die Standort-Neukodierung der ICD03- und WHO 2008 CS-Tumorgröße, die Grad-Neukodierung bis 2017, die abgeleitete AJCCT-Ausgabe der sechsten Auflage, 2004 bis 2015, die abgeleitete AJCCN-Ausgabe der sechsten Auflage, 2004 bis 2015, die abgeleitete AJCCM-Ausgabe der sechsten Auflage, 2004 bis 2015, die Strahlungs-Neucodierung, Chemotherapie-Rekodierung, ja, nein oder unbekannt. SEER-Klassifikation der Todesursache, SEER-Klassifikation der anderen Todesursache, Überlebensmonate, Patienten-ID und RX-Zusammenfassungsoperation, Prim-Site 1.998 plus. Klicken Sie danach auf die Spalte. Klicken Sie dann auf Ausgabe. Benennen Sie die Daten und klicken Sie auf Ausführen, um die Daten auszugeben und zu speichern. Verwenden Sie nach Abschluss des Datendownloads die Patienten-ID, um Patienten herauszufiltern, bei denen zwei oder mehr Fälle diagnostiziert wurden, die auf mehrere primäre Darmkrebserkrankungen hinweisen. Berechnen Sie das Intervall zwischen Tumordiagnosen basierend auf ihren Überlebenszeiten. Klassifizieren Sie dann die Patienten in synchronen, multiplen primären Darmkrebs und metachronen multiplen primären Darmkrebs unter Verwendung von sechs Monaten als Cutoff. Kategorisieren Sie das Alter der Patienten basierend auf dem Alter zum Zeitpunkt der Erstdiagnose als 65 Jahre oder jünger und über 65 Jahre. Klassifizieren Sie Tumorgrade als Grad eins für eine gute Differenzierung, Grad zwei für moderate Differenzierung, Grad drei für niedrige Differenzierung und Grad vier für Undifferenzierung. Klassifizieren Sie dann die Tumorlokalisation basierend auf der Verteilung mehrerer Tumoren, z. B. des rechten Dickdarms, des linken Dickdarms oder des gesamten Dickdarms. Bestimmen Sie die Tumorgröße, indem Sie den größten Tumordurchmesser unter mehreren Tumoren im selben Patienten auswählen. Teilen Sie alle 8.931 Patienten nach dem Zufallsprinzip in eine Trainingskohorte und eine Validierungskohorte im Verhältnis von sieben zu drei auf. Laden Sie RStudio und RSoftware herunter. Öffnen Sie RStudio, um RSoftware auszuführen. Klicken Sie dann auf Neue Datei und wählen Sie RScript, um eine neue RProgramming-Schnittstelle zu erstellen. Geben Sie den entsprechenden Code in den Code-Editor ein und klicken Sie auf Ausführen, um den Code auszuführen. Verwenden Sie den Code, um eine univariate Analyse durchzuführen und die CIF-Kurve darzustellen. Nachdem Sie den Code ausgeführt haben, klicken Sie auf Exportieren, klicken Sie dann auf Als Bild speichern und schließlich auf Speichern, um das Bild zu speichern. Ersetzen Sie das Geschlecht im Code durch andere Faktoren, um eine univariate Analyse für alle Faktoren durchzuführen. Verwenden Sie als Nächstes den Code, um die beste Teilmengenregression, multivariate Analyse und Visualisierung durchzuführen. Speichern Sie dann das Bild wie zuvor gezeigt. Verwenden Sie den Code, um das Nomogramm, die ROC-Kurve, die Kalibrierungskurve und die DCA-Kurve darzustellen. Verwenden Sie als Nächstes das GGSCIDCA-Paket, um die DCA-Kurve zu plotten, bevor Sie das Bild speichern. Die ROC-Kurven zeigten, dass das Modell in der Trainingskohorte eine AUC von 0,762, 0,742 und 0,734 für Ein-, Dreijahres- bzw. Fünfjahresvorhersagen erreichte. Und 0,801, 0,740 und 0,743 in der Verifizierungskohorte. Die Kalibrierungskurven zeigten eine hohe Übereinstimmung zwischen den vorhergesagten Wahrscheinlichkeiten und den tatsächlichen Ergebnissen sowohl in der Trainings- als auch in der Verifizierungskohorte. DCA zeigte, dass das Modell über verschiedene Schwellenwertwahrscheinlichkeiten hinweg einen guten Nettonutzen bot.