Établissement d’un modèle de régression des risques concurrents pour les données de survie
23 octobre 2020
Présenté ici est un protocole pour construire des nomogrammes basés sur le modèle de régression des risques proportionnels Cox et le modèle de régression du risque concurrent. La méthode concurrente est une méthode plus rationnelle à appliquer lorsque des événements concurrents sont présents dans l’analyse de survie.
Il s’agit du protocole qui traite des subventions normales fondées sur le modèle de régression des risques concurrents, qui est une méthode plus rationnelle à appliquer lorsque les événements concurrents comme les accidents de la circulation sont adoptés dans l’analyse de survie. Les personnes qui ont vécu nos compétitions rappellent souvent les risques que, comme les risques concurrents ne sont généralement pas indépendants. La subvention normale concurrente est plus appropriée pour évaluer la probabilité d’essais d’événements pour les personnes en analyse.
Après avoir installé le RMS et les paquets R de risque concurrents, chargez-les et importez les données de cohorte Pour établir le modèle de régression des risques proportionnels cox, adaptez le modèle aux données en utilisant la fonction CPH, puis développez un nomogramme de régression cox, en prenant le taux de survie prévu de deux ans comme exemple. Utilisez le méta paquet en R pour calculer le score de risque et dessiner une parcelle forestière. Après l’installation et le chargement des paquets R, obtenez le score de risque de groupe, ou GRS et divisez la cohorte en trois sous-groupes.
Dessinez ensuite la parcelle forestière, obtenant le rapport de danger plus faible intervalle de compétence, et intervalle de confiance supérieur avec la fonction CRR. Pour établir le modèle concurrent de régression des risques, commencez par placer des variables pronostiques dans une matrice. Utilisez la fonction Cbind pour concater les variables par colonnes et les insérer dans le modèle.
Utilisez ensuite la fonction nomogramme pour construire Cox Nome. Obtenez la fonction d’incidents cumulatifs de base, ou CIF, et remplacez le point bêta X et X du modèle concurrent de régression des risques. Remplacez le point X total dans la bobine X, puis calculez le score X et tracez le nomogramme.
L’équation pour la relation X score et X rail peut être calculée en fonction de l’attribution intrinsèque du modèle concurrent. CIF zéro signifie CIF de base, qui est calculé par la fonction CRR prédire. Dans la cohorte d’exemple un total de 8, 550 patients éligibles ont été inclus dans l’analyse et le temps médian de suivi était de 88 mois.
Les incidences cumulatives de la mort de tumeur et aucune mort de tumeur et événements concurrents étaient par la méthode de Kaplan-Meier, et la fonction concurrente de régression de risque, respectivement. La somme des incidences cumulatives de la mort tumorale et aucune mort tumorale, calculée avec la méthode Kaplan-Meier, était supérieure à la somme des estimations de toutes les causes de décès, ce qui était égal aux incidents cumulatifs de décès spécifique au cancer lorsqu’une méthode concurrente a été utilisée. Un nomogramme a été construit en utilisant le modèle de régression proportionnelle cox basé sur des facteurs significatifs, qui comprenaient l’état matrimonial, la race, le type histologique, la catégorie différenciée, la classification T et la classification N.
Un nomogramme a également été construit en utilisant le modèle concurrent de régression des risques. Selon le score de risque, la cohorte a été classée en trois sous-groupes : faible risque, risque moyen et risque élevé. La parcelle forestière a été utilisée pour présenter clairement l’interaction entre le score de risque de groupe et le facteur spécifique.
En considérant l’âge, seul le groupe à faible risque a montré un pronostic plus mauvais pour les femmes plus jeunes, indiquant que le jeune âge peut agir comme facteur protecteur du pronostic dans les groupes à risque moyen et élevé. Lorsque vous essayez ce protocole, il est important de bien comprendre les différents modèles de survie dans l’analyse 10 à l’événement et les outils sont correctement maîtrisés pour une orientation individualisée. La performance du modèle est évaluée en fonction de la discrimination et de la performance de ration de calibre.
Suite à cette procédure, la courbe d’étalonnage et ce sont les mêmes lacunes peuvent être la performance pour valider l’efficacité de la subvention normale concurrente.
Consultez la transcription complète et accédez à des milliers de vidéos scientifiques
Aperçu
Ce protocole décrit l'élaboration de nomogrammes à l'aide du modèle de régression des risques proportionnels de Cox et du modèle de régression des risques concurrents. La méthode des risques concurrents est particulièrement utile lors de l'analyse de données de survie comportant des événements concurrents.
Composantes clés de l'étude
Domaine scientifique
- Analyse de survie
- Modélisation statistique
- Risques concurrents
Contexte
- Des événements concurrents peuvent influencer les résultats de survie.
- Les méthodes traditionnelles peuvent ne pas tenir adéquatement compte de ces risques concurrents.
- Le modèle de Cox des risques proportionnels constitue une approche standard en analyse de survie.
- Les nomogrammes offrent une représentation visuelle des prédictions de risque.
Objectif de l'étude
- Développer un protocole pour la création de nomogrammes fondés sur une analyse de survie.
- Montrer l'application de modèles de régression pour risques concurrents.
- Améliorer l'évaluation des probabilités de survie en présence d'événements concurrents.
Méthodes utilisées
- Installez et chargez les packages R RMS et competing risk.
- Importez les données de la cohorte à analyser.
- Ajustez le modèle de régression des risques proportionnels de Cox à l'aide de la fonction CPH.
- Élaborez un nomogramme de régression de Cox pour prédire les taux de survie.
Résultats principaux
- Mise en place d'un nomogramme de régression de Cox pour les taux de survie à deux ans.
- Calcul des scores de risque à l'aide du package meta dans R.
- Répartition de la cohorte en sous-groupes selon les scores de risque par groupe.
- Visualisation des résultats au moyen de graphiques en forêt.
Conclusions
- Le modèle de régression à risques concurrents offre une approche plus rationnelle pour l'analyse de survie.
- Les nomogrammes peuvent communiquer efficacement les prédictions de risque.
- Ce protocole peut être appliqué à diverses études impliquant des risques concurrents.
Questions fréquemment posées
Pertinence industrielle pour les cadres
Dans le développement de médicaments en oncologie et en cardiologie, l'analyse précise de la survie est essentielle pour évaluer l'efficacité thérapeutique et la sécurité. Des événements concurrents tels que la mortalité liée au traitement ou les décès non liés à la maladie peuvent fausser les modèles traditionnels de Kaplan-Meier et de Cox, entraînant des estimations de risque biaisées. Ce protocole permet aux équipes de recherche et développement en biopharmacie d'appliquer des modèles de régression prenant en compte les risques concurrents ainsi que des nomogrammes afin d'améliorer la stratification pronostique, renforcer la détection des mécanismes de risque et appuyer les décisions d'aller ou de ne pas aller plus loin lors du développement préclinique et clinique précoce.
Applications stratégiques en recherche et développement biopharmaceutique
Début de la découverte et validation de la cible
- Valeur scientifique : Permet d'interroger des hypothèses thérapeutiques en distinguant la mortalité spécifique à la maladie des risques concurrents, améliorant ainsi la confiance dans la cible.
- Valeur opérationnelle : Soutient la dé-risquation biologique grâce à une stratification du risque affinée dans les modèles précliniques, où des événements indépendants de la cible peuvent masquer les effets du traitement.
Développement de tests et criblage
- Valeur scientifique : Facilite la préparation de systèmes biologiques validés pour des flux opérationnels en aval en fournissant des critères de jugement quantitatifs de survie ajustés aux risques concurrents.
- Valeur opérationnelle : Améliore la standardisation et la reproductibilité des tests grâce à des scores de risque dérivés de nomogrammes, permettant une évaluation cohérente des composés entre les études.
Recherche translationnelle et préclinique
- Valeur scientifique : Favorise la continuité translationnelle en alignant les critères de survie précliniques sur la réalité clinique, où les événements concurrents influencent les résultats.
- Valeur opérationnelle : Permet de prendre des décisions d'avancement ajustées au risque en identifiant des sous-groupes (à risque faible, modéré ou élevé) selon les scores de risque de groupe issus de modèles de risques concurrents.
Intégration du pipeline et du flux de travail
Cette méthode s'intègre dans la continuité de la découverte, de la validation de la cible jusqu'au développement préclinique, en particulier lorsque les critères de jugement de survie sont entachés par une censure non informative ou des risques concurrents.
- Biologie de la découverte : Facilite la vérification d'hypothèses et la clarification des voies biologiques en isolant l'effet d'interventions génétiques ou pharmacologiques sur des résultats spécifiques à la maladie.
- Écrantage : Permet la préparation et la reproductibilité des tests grâce à la visualisation sous forme de forêts d'effets (forest plots) des rapports de risque et des scores de risque par groupe selon différentes conditions expérimentales.
- Analytique : Fournit des mesures quantitatives de variables dépendantes (incidence cumulée, rapports de risque, scores de risque) permettant aux équipes pluridisciplinaires de comparer objectivement les effets des traitements.
- Recherche translationnelle : Relie la découverte à la validation préclinique en veillant à ce que l'analyse de survie reflète la complexité du monde réel, notamment en présence d'événements concurrents.
- Réutilisation organisationnelle : Met en place un cadre statistique réutilisable pour l'analyse de survie dans différents domaines thérapeutiques, réduisant ainsi le développement redondant de modèles.
Impact opérationnel et organisationnel
- Valeur scientifique : Accroît la confiance prédictive en réduisant l'ambiguïté mécanistique des données de survie grâce à une prise en compte adéquate des risques concurrents.
- Valeur opérationnelle : Améliore la standardisation et la reproductibilité grâce à des flux de travail basés sur R (paquets RMS, competing risk, meta), pouvant être déployés au sein de différentes équipes.
- Valeur stratégique : Renforce la prise de décision « aller/ne pas aller » en fournissant des sous-groupes stratifiés selon le risque, réduisant ainsi les échecs en phase avancée dus à une mortalité concurrente imprévue.
- Impact sur le portefeuille : Permet une priorisation ajustée au risque des candidats fondée sur les probabilités de survie ajustées aux risques concurrents, plutôt que sur des taux d'événements bruts.
Considérations relatives à la mise en œuvre
- Nécessite une expertise en analyse de survie et en programmation R, y compris une connaissance des fonctions de Cox (CPH), de régression logistique conditionnelle (CRR) et des nomogrammes.
- Dépend de l’environnement R avec les paquets RMS, competing risk et meta installés et correctement configurés.
- Exige une standardisation inter-équipes de la sélection des variables (par exemple, statut marital, race, type histologique, classification T/N) afin d’assurer la comparabilité des modèles.
- Implique l’adaptation des matrices de variables pronostiques lors de l’application du modèle à d’autres modèles de maladie ou systèmes précliniques.
- Limité par l’hypothèse des risques proportionnels ; des diagnostics du modèle (calibration, discrimination) doivent être réalisés pour valider les performances.
F.A.Q. sur la bio-industrie pharmaceutique
Chapters in this video
0:04
Introduction
0:42
Nomogram Based on the Cox Proportional Hazards Regression Model
1:13
Subgroup Analysis Based on the Group Risk Score
1:43
Nomogram Based on the Competing Risk Regression Model
2:39
Results: Competing-risk Nomogram and Risk Score Estimation
4:10
Conclusion
