Name: Una validación del panorama basado en R de un modelo de riesgo competidor (Video) | JoVE Journal
Uploaded: 2022-09-16T13:10:00.000+00:00
Duration: 5 min 37 s
Description: Aprende a validar modelos de riesgo competidor en análisis de supervivencia usando R. Este protocolo incluye cálculo de C-index, AUC, bootstrap para validación interna y calibración con intervalos de confianza del 95%.

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

El estudio fue apoyado por subvenciones del Proyecto del Plan de Ciencia y Tecnología Médica de la provincia de Zhejiang (números de subvención 2013KYA212), el programa general de la Fundación de Ciencias Naturales de la provincia de Zhejiang (número de subvención Y19H160126) y el programa clave de la Oficina Municipal de Ciencia y Tecnología de Jinhua (número de subvención 2016-3-005, 2018-3-001d y 2019-3-013).

La base de datos de Vigilancia, Epidemiología y Resultados Finales (SEER) es una base de datos de cáncer de acceso abierto que solo contiene datos de pacientes no identificados (ID de SEER: 12296-Nov2018). Por lo tanto, este estudio fue eximido de la aprobación de la junta de revisión del Hospital Jinhua Afiliado, Facultad de Medicina de la Universidad de Zhejiang.
1. Preparación de datos y preparación de paquetes R
<ol><li>Prepare e importe los datos. > Dataset <- read.csv(".../Breast cancer Data.xlsx") #Import datos. NOTA: Los datos se cargan en el Archivo Suplementario 1.</li>
	<li>Instale y cargue los paquetes de R. > paquetes <- c("rms","cmprsk","mstate","survival","riskRegression"," prodlim") > req.pcg <- function(pcg){ Nueva <- PCG[!( pcg %in% installed.packages()[, "Package"])] if (length(new)) install.packages(new, dependencies = T) sapply(pcg, require, ch = T) } > req.pcg(paquetes) Nota : realice los procedimientos siguientes basados en el software de R (versión 3.6.2) utilizando los paquetes rms, cmprsk, mstate, survival, riskRegression y prodlim (http://www.r-projectrg/).</li>
</ol>2. Establecer nomogramas de riesgo competitivos en dos métodos distintos
<ol><li>Establezca el nomograma de riesgo competitivo en un método directo. > mod_cph <- cph(Surv(Survivalmonths, status) ~ factor1+ factor2+..., x=T, y=T, surv=T, data=Dataset) > nom <- nomogram(mod_cph, fun=list(function(x) 1-surv_cph(36, x)...), funlabel=c("evento de 3 años1 Prob." ...), lp=F) #Take el mes 36 como ejemplo. > mod_crr <- crr(Survivalmonths, fstatus, failcode=1, cov1=cov) > puntuación <- log(log((1-real.3y),(1-cif.min36)))/(maxbeta/100) > parcela(nom)</li>
	<li>Establecer el nomograma de riesgo competitivo en un método ponderado. > df.w <- crprep("Survivalmonths"," fstatus", data=Dataset, trans=c(1,2), cens=0, keep=c("factor1"," factor2"...)) > mod.w <- cph(Surv(Tstart, Tstop, status==1) ~ factor1+factor2+..., data=df.w, weight=weight.cens, subset=failcode==1, surv=T) > nom.w <- nomogram(mod.w...)</li>
</ol>3. Capacidad de discriminación del nomograma de riesgo concurrente
<ol><li>Índice C de discriminación<ol><li>Ajuste la matriz cov en el modelo de riesgo competidor mod_crr. y obtenga un SUV de matriz predicho. > SUV <- predict.crr(mod_crr, cov)</li>
		<li>Obtenga las incidencias acumuladas en un mes determinado desde suv y calcule el índice C con la función 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 por la discriminación<ol><li>Puntúe el rendimiento predictivo del modelo de riesgo competidor utilizando la función Score (paquete riskRegression). > fgr.w <- FGR(Hist(Survivalmonths, fstatus) ~ factor1+ factor2+..., data=Dataset, cause=1) > score <- Score(list("Fine-Gray" = fgr.w),</li>
		<li>Extraiga el AUC de la "puntuación". > score$AUC</li>
	</ol></li>
</ol>4. Capacidad de calibración de modelos de riesgo competidores
<ol><li>Curvas de calibración con un intervalo de confianza del 95% del modelo de riesgo competidor<ol><li>Obtener un marco de datos con las incidencias acumuladas de cada individuo en un determinado tiempo de falla. > cif36 <- data.frame(cif36) #Take el mes 36 como ejemplo. > colnames(cif36.36_o)<-c("36m")</li>
		<li>Divida la cohorte de acuerdo con las incidencias acumuladas estimadas en cinco subgrupos y calcule el promedio de incidencias acumuladas previstas de cada subgrupo. > grupo36 <- corte(cif36$'36m', cuantil(cif36$'36m', seq(0, 1, 0.2)), include.lower = TRUE, labels = 1:5) > media36 <- as.vector(by(cif36 $'36m', grupo36, media))</li>
		<li>Calcule las incidencias acumuladas observadas, es decir, las incidencias acumuladas reales, utilizando la función cuminc, y luego obtenga las incidencias acumuladas observadas con un intervalo de confianza del 95% en un determinado tiempo de falla. > cum36 <- cuminc(Dataset$Survivalmonths,Dataset$fstatus,group36) > obs36 <- timepoints(cum36,Dataset$Survivalmonths)$est[c(1:5),36] > obs36var <- timepoints(cum36,Dataset$Survivalmonths)$var[c(1:5),36] > df <- data.frame(mean36, obs36, obs36var)</li>
		<li>Trazar la curva de calibración con las incidencias acumuladas previstas como eje x y las incidencias acumuladas observadas como eje y utilizando la función ggplot. > ggplot(df)+ geom_point(aes(x=mean36,y=obs36),col="red")+ geom_point(aes(x=mean36,y=obs36),col="rojo",pch=4)+ geom_line(col="rojo",aes(x=mean36,y=obs36))+ geom_errorbar(col="rojo",aes(x=mean36,y=obs36+1.96 *sqrt(obs36var)), ymin =obs36-1.96*sqrt(obs36var), ymax = obs36+1.96 *sqrt(obs36var)) geom_abline(lty=3,lwd=2,col=c(rgb(0,118,192, maxColorValue=255)))</li>
	</ol></li>
	<li>Curva de calibración con puntuaciones de riesgo del modelo de riesgo competidor<ol><li>Valorar cada nivel de todas las variables y obtener el RS total. > Dataset$factor1[Dataset$factor1==1] <- factor1.scale["Factor1_level1"] > ... #For ejemplo, Dataset$histology[Dataset$histology==1]<-histology.scale["Histology1"] > Dataset$rs <- Dataset$factor1+Dataset$factor2+Dataset$factor3+... NOTA: Obtenga el RS total para cada paciente sumando los puntos de cada variable.</li>
		<li>Contar las frecuencias y calcular las incidencias acumuladas observadas de las diferentes puntuaciones totales de riesgo. > rs.freq <- as.data.frame(table(Dataset$rs)) > obs.36 <- vector(mode="numeric", length=nrow(rs.freq)) > for (i in 1: nrow(rs.freq)) { dataset <- subset(Dataset,Dataset$rs== rs.freq [i,1]) cif.dataset <- cuminc(dataset$Survivalmonths,dataset$death3) cif36.dataset <- puntos de tiempo(cif.dataset,36) obs.36[i] <- cif36.dataset$est[1]}</li>
		<li>Establezca el rango del eje x y calcule las incidencias acumuladas previstas de las puntuaciones de riesgo totales. > RS <- rango(nom$total.points) > x.36 <- seq(min(RS),max(RS),0.01) > pre.36 <- 1-(1-cif.min36)^exp(x.36*maxbeta/100)</li>
		<li>Trazar la curva de calibración con puntuaciones de riesgo. > plot(x.36, pre.36, type='l'...) > par(new=TRUE) > plot(as.vector(rs.freq[,1]), obs.36... )</li>
	</ol></li>
</ol>5. Análisis de la curva de decisión de modelos de riesgo competidores
<ol><li>Fuente de la función stdca para realizar el análisis de la curva de decisión. > fuente("STDCA. R")</li>
	<li>Extraiga las ecuaciones polinómicas del nomograma para calcular la probabilidad de supervivencia. > nomogramEx(nomo = nom) > Dataset$predictors <- A * (Dataset$rs ^3) + B * (Dataset$rs ^2) + C * Dataset$rs + D #predictors son probabilidades predichas de muerte específica por cáncer calculadas por el nomograma establecido</li>
	<li>Realizar el análisis de la curva de decisión. > stdca(data = Dataset, outcome = "status", ttoutcome = "Survivalmonths", timepoint = 36, predictors = "predictors", cmprsk = TRUE, smooth = FALSE, probability = FALSE) NOTA: Para evaluar un resultado en presencia de un riesgo competitivo, se debe elegir TRUE para cmprsk.</li>
</ol>6. Validación interna mediante el método bootstrap
<ol><li>Obtenga el promedio de incidencias acumuladas previstas utilizando el método bootstrap.<ol><li>Vuelva a muestrear el conjunto de datos original (Dataset) con replace para generar el dataset de arranque (Dataset_in). Establezca un modelo de riesgo competitivo (mod.in_crr) con el conjunto de datos bootstrap. Utilice la función predict.crr para predecir tiempos de mod.in_crr y bucle b para generar suvall.in. B=b suvall.in <- lista() for(j en 1:B){ Dataset_in <- Dataset[sample(c(1:nrow(Dataset)),nrow(Dataset), reemplazar = VERDADERO),] adjuntar(Dataset_ entrada) cov. en <- model.matrix(~factor1+ factor2+...) [,-1] Mod. en _crr <- crr(Survivalmonths, fstatus, failcode=1, cov1=cov.in) detach(Dataset. interno) SUV. en <- predict.crr(mod. en _crr, cov) suvall.in[[j]] <- suv.in}</li>
		<li>Obtén el promedio de incidencias acumuladas pronosticadas en un mes determinado. CIF36ALL. < internas - vector(mode="numeric", length=nrow(Dataset)) para (k en 1:B) { CIF36ALL. Interior<- CIF36ALL. Inner+ Suvall. inner[[k]][which(suvall. inner[[k]][,1]==36),][-1] } cif36.in <- cif36all.in/B</li>
	</ol></li>
	<li>Calcule el índice C mediante validación cruzada interna con la función rcorr.cens. rcorr. < internas- rcorr.cens(1-cif36.in,Surv(Dataset$Survivalmonths,Dataset$tumordeath)) cindex. < interior- rcorr. Interior[1]</li>
	<li>Calibrar utilizando la validación interna cruzada. NOTA: Los códigos de la curva de calibración del modelo de riesgo competidor con validación interna son similares a los códigos de la sección 4, mientras que el SUV fue reemplazado por suv.in.</li>
</ol>7. Validación externa del modelo de riesgo competidor
<ol><li>Obtenga las incidencias acumuladas previstas utilizando datos externos. Obtenga las incidencias acumuladas previstas con la matriz de variables de datos externos (cov.ex). suv.ex <- predict.crr(mod_crr,cov.ex) cif36.ex <- suv.ex [which(suv.ex $time=="36"),][-1]</li>
	<li>Calcule el índice C mediante validación externa. rcorr.ex <- rcorr.cens(1-cif36.ex,Surv(Dataset.ex$Survivalmonths,Dataset.ex$tumordeath)) cindex.ex <- rcorr.ex[1]</li>
	<li>Calibrar mediante validación externa. NOTA: Los códigos de la curva de calibración del modelo de riesgo competidor con validación interna son similares a los códigos de la sección 4, mientras que el suv se reemplaza por suv.ex.</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>

Los autores declaran que no tienen intereses contrapuestos.

Este estudio comparó nomogramas de riesgo competitivos establecidos por dos métodos distintos y realizó una evaluación y validación de los nomogramas establecidos. Específicamente, este estudio proporcionó un tutorial paso a paso para establecer el nomograma basado en un método directo, así como para calcular el índice C y trazar las curvas de calibración.
El paquete rms en el software R es ampliamente utilizado para la construcción y evaluación de modelos de riesgo proporcional de Co...

En los últimos años, se han identificado factores pronósticos emergentes con el desarrollo de la medicina de precisión, y los modelos pronósticos que combinan factores moleculares y clínicopatológicos están atrayendo cada vez más atención en entornos clínicos. Sin embargo, los modelos no gráficos, como el modelo de riesgo proporcional de Cox, con resultados de valores de coeficiente, son difíciles de entender para los médicos1. En comparación, un nomograma es una herramienta de visualización de modelos de regresión (incluyendo el modelo de regresión de Cox, el modelo de riesgo competitivo, etc.), un diagrama bidimensional diseñado para el cálculo gráfico aproximado de una función matemática2. Permite la valoración de diferentes niveles de variables en un modelo clínico y el cálculo de las puntuaciones de riesgo (RS) para predecir el pronóstico.
La evaluación del modelo es esencial en la construcción del modelo, y dos características son generalmente aceptadas para la evaluación: discriminación y calibración. En los modelos clínicos, la discriminación se refiere a la capacidad de un modelo para separar a los individuos que desarrollan eventos de los que no lo hacen, como los pacientes que mueren frente a los que permanecen vivos, y el índice de concordancia (índice C) o el área bajo la curva característica operativa del receptor (AUC) se utilizan típicamente para caracterizarlo 3,4. La calibración es un proceso de comparación de las probabilidades predichas de un modelo con las probabilidades reales, y las curvas de calibración se han utilizado ampliamente para representarlo. Además, la validación del modelo (validación interna y externa) es un paso importante en la construcción del modelo, y solo los modelos validados pueden extrapolarse aún más5.
El modelo de riesgo proporcional de Cox es un modelo de regresión utilizado en la investigación médica para investigar las asociaciones entre los factores pronósticos y el estado de supervivencia. Sin embargo, el modelo de riesgo proporcional de Cox solo considera dos estados de resultado [Y (0, 1)], mientras que los sujetos del estudio a menudo enfrentan más de dos estados, y surgen riesgos competitivos [Y (0, 1, 2)]1. La supervivencia general (SG), que se define como el tiempo desde la fecha de origen (p. ej., tratamiento) hasta la fecha de muerte por cualquier causa, es el criterio de valoración más importante en el análisis de supervivencia. Sin embargo, la SG no diferencia la muerte específica por cáncer de la muerte no específica por cáncer (p. ej., eventos cardiovasculares y otras causas no relacionadas), ignorando así los riesgos competitivos6. En estas situaciones, se prefiere el modelo de riesgo competitivo para la predicción del estado de supervivencia con la consideración de riesgos competitivos7. La metodología de construcción y validación de los modelos de riesgo proporcional de Cox está bien establecida, mientras que ha habido pocos informes sobre la validación de modelos de riesgo competitivos.
En nuestro estudio anterior, se estableció un nomograma de riesgo competitivo específico, una combinación de un nomograma y un modelo de riesgo competitivo, y una estimación de puntaje de riesgo basada en un modelo de riesgo competitivo8. Este estudio tiene como objetivo presentar diferentes métodos de evaluación y validación del nomograma de riesgo competitivo establecido, que debe servir como una herramienta útil para que los médicos predigan el pronóstico con la consideración de los riesgos competitivos.

<table><tbody><tr><td>R software</td><td>Ninguno</td><td>No aplicable</td><td>Versión 3.6.2 o superior&nbsp;</td></tr><tr><td>Sistema informático</td><td>Microsoft&nbsp;</td><td>Windows 10</td><td>&nbsp; Windows 10 o superior</td></tr></tbody></table>

una validación del panorama basado en r de un modelo de riesgo competidor

An R-Based Landscape Validation of a Competing Risk Model

El modelo de riesgo proporcional de Cox se aplica ampliamente para los análisis de supervivencia en entornos clínicos, pero no es capaz de hacer frente a múltiples resultados de supervivencia. A diferencia del modelo tradicional de riesgo proporcional de Cox, los modelos de riesgo competitivos consideran la presencia de eventos competitivos y su combinación con un nomograma, un dispositivo de cálculo gráfico, que es una herramienta útil para que los médicos realicen una predicción de pronóstico precisa. En este estudio, informamos un método para establecer el nomograma de riesgo competitivo, es decir, la evaluación de sus capacidades de discriminación (es decir, índice de concordancia y área bajo la curva) y calibración (es decir, curvas de calibración), así como el beneficio neto (es decir, análisis de la curva de decisión). Además, también se realizó una validación interna utilizando remuestreos de bootstrap del conjunto de datos original y una validación externa utilizando un conjunto de datos externo del nomograma de riesgo competidor establecido para demostrar su capacidad de extrapolación. El nomograma de riesgo competitivo debe servir como una herramienta útil para que los médicos predigan el pronóstico teniendo en cuenta los riesgos competitivos.

En este estudio, los datos de pacientes con cáncer de mama se recuperaron de la base de datos SEER y sirvieron como datos de ejemplo. La base de datos SEER proporciona datos sobre el cáncer que representa alrededor del 34,6% de la población de los Estados Unidos, y se obtuvo permiso para acceder a la base de datos (número de referencia 12296-Nov2018).
Se establecieron dos nomogramas (Figura 1), ambos incluyendo tipo histológico, grado diferenciado, estadio T y est...

El presente protocolo describe los códigos en R para evaluar las capacidades de discriminación y calibración de un modelo de riesgo competidor, así como los códigos para la validación interna y externa del mismo.

Una validación del panorama basado en R de un modelo de riesgo competidor

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

Nuestro protocolo presenta diferentes métodos de evaluación y validación del nomograma de riesgo competitivo; que considera la presencia de eventos competitivos en el análisis de supervivencia. Este protocolo sirve como complemento al paquete de regresión de riesgo en R.Como el cálculo del índice C y la validación interna, utilizando el método bootstrap. Para comenzar con la discriminación de índice C, ajuste la mazorca de matriz en el modelo de riesgo competidor mod CRR y obtenga un SUV de matriz predicho ejecutando el comando.Obtenga las incidencias acumuladas en un mes determinado de SUV y calcule el índice C con la función R-core envía. Para la discriminación AUC, puntúe el rendimiento predictivo del modelo de riesgo competidor, utilizando la puntuación de la función, paquete de regresión de riesgo. A continuación, extraiga el AUC de la partitura ejecutando el comando.Para obtener curvas de calibración con un intervalo de confianza del 95% del modelo de riesgo competidor, obtenga un marco de datos con las incidencias acumuladas de cada individuo en un determinado tiempo de fallo. Luego divida la cohorte de acuerdo con las incidencias acumuladas estimadas en cinco subgrupos y calcule las incidencias acumuladas promedio pronosticadas de cada subgrupo. Calcule las incidencias acumuladas observadas, es decir, las incidencias acumuladas reales utilizando la función cuminc.Y luego obtenga las incidencias acumuladas observadas con un intervalo de confianza del 95% en un cierto tiempo de falla ejecutando el comando. Trazar la curva de calibración con las incidencias acumuladas previstas como eje X y las incidencias acumuladas observadas como eje Y. Usando la función gg plot.Para la curva de calibración con puntuaciones de riesgo del modelo de riesgo competidor, valore cada nivel de todas las variables y obtenga el RS total ejecutando el comando. Contar las frecuencias y calcular las incidencias acumuladas observadas de las diferentes puntuaciones totales de riesgo. Establezca el rango del eje X y calcule las incidencias acumuladas previstas de las puntuaciones de riesgo totales.A continuación, trace la curva de calibración con puntuaciones de riesgo ejecutando el comando. Para obtener el promedio de incidencias acumuladas previstas utilizando el método bootstrap, vuelva a muestrear el conjunto de datos original, dataset with replace, para generar el dataset bootstrap. Conjunto de datos en.Luego establezca un modelo de riesgo competitivo: mod NCRR con el conjunto de datos de arranque y use la función predict CRR para predecir mod NCRR en tiempos de bucle B para generar SUV all in. A continuación, obtenga el promedio de incidencias acumuladas pronosticadas en un mes determinado. Calcule el índice C utilizando la validación cruzada de intervalos con la función R-core sends.Para la calibración, utilizando validación externa, obtenga las incidencias acumuladas predichas utilizando datos externos e incidencias acumuladas con la matriz de variables de datos externos: Code-X ejecutando el comando. A continuación, calcule el índice C utilizando la validación externa ejecutando el comando. Se obtuvieron dos nomogramas utilizando el método directo y el método ponderado, demostrando que los puntos de cada nivel de variables y las probabilidades correspondientes a los puntos totales eran casi los mismos.Mientras que se observaron algunas ligeras diferencias. La curva de calibración para el modelo de riesgo competidor estaba cerca de la línea de equivalencia y el intervalo de confianza del 95% de la frecuencia observada, cayó en la línea de equivalencia en cada grupo. Indicando la capacidad de calibración precisa del modelo.Se mostraron curvas de calibración utilizando validación interna y externa, indicando que el modelo construido tenía una buena capacidad de calibración en la validación interna, pero una pobre en la validación externa. Se obtuvieron los resultados del análisis de la curva de decisión del nomograma de riesgo competidor. Demostrar los cambios en el beneficio neto con el aumento de la probabilidad umbral.El remuestreo del conjunto de datos original se reemplazó para generar el conjunto de datos de arranque como importante, al realizar la validación interna del nomograma de riesgo competidor. Además del método bootstrap, la visualización aleatoria y el método K4 también se pueden realizar para generar conjuntos de datos utilizados para la validación interna. Utilizando nuestra validación del panorama basado en R del modelo de riesgo competitivo, los médicos pueden realizar un análisis de pronóstico en el mundo real considerando el riesgo competitivo más fácilmente.

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

Research

Investigación

JoVE Journal

Cancer Research

Investigación del cáncer

Hay una necesidad crítica de herramientas y metodologías capaces de gestionar los sistemas acuáticos en la cara de las condiciones futuras inciertas. Proporcionamos métodos para llevar a cabo una evaluación de cuencas dirigida que permite a los administradores de recursos para producir modelos de efectos acumulativos a base de paisaje para su uso dentro de un marco de gestión de análisis de escenarios.

Planificación de cuencas dentro de un marco de análisis cuantitativo Escenario

Aquí se presenta un protocolo para construir nomogramas basado en el modelo de regresión proporcional de peligros de Cox y el modelo de regresión de riesgo de la competencia. El método de competencia es un método más racional para aplicar cuando los eventos de la competencia están presentes en el análisis de supervivencia.

Establecimiento de un modelo de nomograma de regresión de riesgo competitivo para los datos de supervivencia

Demostramos cómo implementar un sistema de cálculo y alerta de riesgos de psicosis en tiempo real basado en CogStack, una plataforma de recuperación y extracción de información para registros médicos electrónicos.

Implementación de un sistema de detección y alerta de riesgos de psicosis en tiempo real basado en registros médicos electrónicos utilizando CogStack

El estudio encontró que el sexo masculino, el grado tumoral precario y el estadio avanzado de metástasis de ganglios tumorales se asociaron con una supervivencia específica del cáncer (CSS) más precaria en pacientes con cáncer colorrectal primario múltiple (MPCC) después de la cirugía. Desarrollamos un nomograma para predecir el CSS de los pacientes con MPCC y contribuir a la toma de decisiones clínicas sobre el tratamiento.

Nomograma de riesgo competitivo para predecir la supervivencia específica del cáncer en múltiples pacientes con cáncer colorrectal primario después de la cirugía

Este estudio evalúa los sistemas pronósticos para pacientes con carcinoma colorrectal de células en anillo de sello utilizando modelos de aprendizaje automático y análisis de riesgo competitivos. Identifica las probabilidades logarítmicas de ganglios linfáticos positivos como un predictor superior en comparación con la estadificación de pN, lo que demuestra un sólido rendimiento predictivo y ayuda a la toma de decisiones clínicas a través de sólidas herramientas de predicción de supervivencia.

Comparación del rendimiento predictivo de tres sistemas de estadificación de ganglios linfáticos en el carcinoma colorrectal de células en anillo con sello basado en un modelo de aprendizaje automático

Describimos el establecimiento de tumores colorrectales ortotópicos mediante la inyección de células tumorales o organoides en el ciego de ratones y el subsiguiente aislamiento de células tumorales circulantes (CTC) de este modelo.

Aislamiento de células tumorales circulantes en un modelo de ratón ortotópico de cáncer colorrectal

Describimos un modelo murino en vivo de invasión perineural por células de cáncer pancreático syngeneic de inyección en el nervio ciático. El modelo permite la cuantificación del grado de invasión del nervio y apoya la investigación de los mecanismos celulares y moleculares de la invasión perineural.

Un modelo de nervio ciático murinos In Vivo de invasión Perineural

El procedimiento experimental en el immunophenotyping de homoinjertos PDAC Murino ortotópico pretende perfilar el inmuno-microambiente tumoral. Los tumores son orthotopically implantado mediante cirugía. Tumores de 200 – 600 mm3 en tamaño fueron cosechados y disociados para preparar suspensiones de unicelular, seguidos del análisis de marcador múltiple inmunológico FACS utilizando diferentes anticuerpos marcados con fluorescencia.

Immunophenotyping de Orthotopic la homoplastia (Syngeneic) de Adenocarcinoma Ductal pancreática KPC primaria murinas por citometría de flujo

Aquí, nos proporcionan un flujo de trabajo que permite la identificación de células sanas y patológicas basado en su forma de 3 dimensiones. Describimos el proceso de utilizar esquemas de proyección 2D basados en las superficies 3D para entrenar un mapa de auto-organización que ofrecerá la agrupación objetiva de las poblaciones celulares investigados.

Distinción basada en la morfología entre sanas y patológicas de las células utilizando transformadas de Fourier y mapas de auto-organización

El kit de diagnóstico de FL-DNA presentado es un método fácil de ahorrar tiempo y fácil de usar para determinar la probabilidad confiable de la presencia de lesiones por cáncer colorrectal.

Evaluación del riesgo y la prevalencia del cáncer colorrectal mediante la detección de la integridad del ADN de las heces

Aprende a validar modelos de riesgo competidor en análisis de supervivencia usando R. Este protocolo incluye cálculo de C-index, AUC, bootstrap para validación interna y calibración con intervalos de confianza del 95%.

Una validación del panorama basado en R de un modelo de riesgo competidor

Explorar más videos