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

Nuestra investigación se centra en analizar la supervivencia específica del cáncer de pacientes con múltiples cánceres colorrectales primarios. Exploramos los factores que influyen en la supervivencia específica del cáncer en estos pacientes y luego desarrollamos un modelo para respaldar la toma de decisiones clínicas.

En nuestra investigación, utilizamos un modelo ReX competitivo en lugar de un modelo de Cox para investigar los factores que influyen en la supervivencia específica del cáncer. Este enfoque nos permite minimizar el impacto de los eventos de la competencia y lograr resultados más precisos. En el futuro, planeamos centrarnos en la investigación genómica en múltiples cánceres colorrectales primarios, con el objetivo de descubrir sus características genéticas distintivas.

[Instructor] Para comenzar, descargue el software SEERStat 8.4.3 del sitio web de la base de datos SEER. Regístrese e inicie sesión en SEERStat 8.4.3 para obtener los datos relevantes del paciente. Después de iniciar sesión, haga clic en la sesión y los datos de la lista de casos. Luego seleccione los datos de investigación de incidentes SEER, 17 registros, sub de noviembre de 2022, base de datos de 2000 a 2020. Haga clic en la selección, luego edite y elija raza, sexo, año dx, año de diagnóstico, 2004 a 2015, y sitio y morfología, sitio recodifique ICD03 y OMS 2008 como colon y recto. Elija la confirmación diagnóstica del sitio y la morfología como histología positiva, y el número de secuencia de múltiples campos primarios no es un solo primario. Ahora haga clic en Aceptar y guarde la selección. Luego haga clic en la tabla y, en la interfaz de variables disponibles, seleccione la recodificación de edad con edades individuales y más de 85 años, sexo, recodificación del sitio ICD03 y tamaño tumoral de la OMS 2008 CS, recodificación de grado hasta 2017, sexta edición derivada de AJCCT, 2004 a 2015, sexta edición derivada de AJCCM, 2004 a 2015, sexta edición derivada de AJCCM, 2004 a 2015, recodificación de radiación, recodificación de quimioterapia, sí, no o desconocido. Clasificación de muerte específica de causa SEER, clasificación de otra causa de muerte SEER, meses de supervivencia, identificación del paciente y cirugía de resumen RX, sitio prim 1,998 más. Después de eso, haga clic en columna. Luego haga clic en salida. Asigne un nombre a los datos y haga clic en ejecutar para generar y guardar los datos. Después de completar la descarga de datos, use la identificación del paciente para filtrar a los pacientes diagnosticados con dos o más ocurrencias, lo que indica múltiples cánceres colorrectales primarios. Calcule el intervalo entre diagnósticos tumorales en función de sus tiempos de supervivencia. Luego, clasifique a los pacientes en cáncer colorrectal primario múltiple sincrónico y cáncer colorrectal primario múltiple metacrónico, utilizando seis meses como punto de corte. Según la edad en el momento del diagnóstico inicial, clasifique las edades de los pacientes como 65 años o menos y mayores de 65 años. Clasifique los grados tumorales como grado uno para buena diferenciación, grado dos para diferenciación moderada, grado tres para baja diferenciación y grado cuatro para indiferenciación. Luego, clasifique la ubicación del tumor según la distribución de múltiples tumores, como el colon derecho, el colorrecto izquierdo o el colorrecto completo. Determine el tamaño del tumor seleccionando el diámetro tumoral más grande entre múltiples tumores en el mismo paciente. Divida aleatoriamente a los 8.931 pacientes en una cohorte de entrenamiento y una cohorte de validación en una proporción de siete a tres. Descargue RStudio y RSoftware. Abra RStudio para ejecutar RSoftware. Luego haga clic en nuevo archivo y seleccione RScript para crear una nueva interfaz de RProgramming. Ingrese el código relevante en el editor de código y haga clic en ejecutar para ejecutar el código. Utilice el código para realizar un análisis univariante y trazar la curva CIF. Después de ejecutar el código, haga clic en exportar, luego haga clic en guardar como imagen y finalmente haga clic en guardar para guardar la imagen. Reemplace el sexo en el código con otros factores para realizar un análisis univariado de todos los factores. A continuación, use el código para realizar la mejor regresión de subconjuntos, análisis multivariante y visualización. Luego guarde la imagen como se muestra anteriormente. Utilice el código para trazar el nomograma, la curva ROC, la curva de calibración y la curva DCA. A continuación, use el paquete GGSCIDCA para trazar la curva DCA antes de guardar la imagen. Las curvas ROC demostraron que el modelo logró un AUC de 0,762, 0,742 y 0,734 para predicciones de uno, tres y cinco años, respectivamente, en la cohorte de entrenamiento. Y 0,801, 0,740 y 0,743 en la cohorte de verificación. Las curvas de calibración indicaron una alta concordancia entre las probabilidades predichas y los resultados reales tanto en las cohortes de entrenamiento como en las de verificación. DCA mostró que el modelo proporcionó un buen beneficio neto en varias probabilidades de umbral.