Name: Établissement d’un modèle de régression des risques concurrents pour les données de survie (Vidéo) | JoVE Journal
Uploaded: 2020-10-23T13:00:00.000+00:00
Duration: 4 min 57 s
Description: Découvrez comment établir un modèle de régression des risques concurrents pour l'analyse de survie en utilisant R. Cette méthode permet de construire des nomogrammes précis et d'évaluer les probabilités de survie.

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

L’étude a été soutenue par des subventions du programme général de la Fondation des sciences naturelles de la province du Zhejiang (numéro de subvention LY19H160020) et du programme clé du Jinhua Municipal Science & Technology Bureau (numéro de subvention 2016-3-005, 2018-3-001d et 2019-3-013).

Le protocole de recherche a été approuvé par le comité d’éthique de l’hôpital Jinhua, Zhejiang University School of Medicine. Pour cette expérience, les cas ont été obtenus à partir de la base de données surveillance, épidémiologie et résultats finaux (SEER). SEER est une base de données en libre accès qui comprend les données démographiques, d’incidence et de survie de 18 registres du cancer basés sur la population. Nous nous sommes inscrits sur le site Web de SEER et avons signé une lettre d’assurance pour acquérir les données de recherche (12296-Nov2018).
1. Source de données
<ol><li>Obtenez des cas à partir des bases de données ainsi que l’autorisation (le cas échéant) d’utiliser les cas des registres. REMARQUE : Les données de cohorte sont téléchargées dans le fichier supplémentaire 1. Les lecteurs qui ont déjà des données de survie avec des risques concurrents peuvent sauter cette section.</li>
</ol>2. Installation et chargement de colis et importation de données
REMARQUE : Effectuez les procédures suivantes en fonction du logiciel R (version 3.5.3) à l’aide des packages rms15 et cmprsk16 (http://www.r-project.org/).
<ol><li>Installez des paquets rms et cmprsk R. >install.packages(« rms ») >install.packages(« cmprsk »)
</li>
	<li>Chargez les paquets R. >bibliothèque(« rms ») >bibliothèque(« cmprsk »)
</li>
	<li>Importer les données de cohorte. >Dataset<-read.csv(« .../Cohort Data.csv ») # les données de cohorte sont l’exemple
</li>
</ol>3. Nomogramme basé sur le modèle de régression des risques proportionnels Cox
<ol><li>Établir le modèle de régression des risques proportionnels Cox. REMARQUE : Les variables indépendantes (X) comprennent les variables catégoriques (variables factices, telles que la race) et les variables continues (telles que l’âge). Les facteurs importants dans l’analyse univariable seront sélectionnés pour l’utilisation dans l’analyse multivariable.<ol>
<li>Adaptez le modèle de risques proportionnels Cox aux données. Établir le modèle de régression dure proportionnelle cox à l’aide de la fonction cph. Le format simplifié en R est indiqué ci-dessous : > f0 <- cph(Surv(Survivalmonths, status) ~ factor1+ factor2+..., x=T, y=T, surv=T, data=Dataset) REMARQUE : La mort a été définie comme l’état dans le code d’exemple.</li>
	</ol>
</li>
	<li>Développez un nomogramme de régression Cox à l’aide des commandes détaillées ci-dessous. > nom <- nomogramme(f0, fun=list(funment(x) surv(24, x)...), funlabel=c(« taux de survie prévu à 2 ans »..., maxscale=100, fun.at) > parcelle (nom) REMARQUE : Prenons l’exemple du taux de survie prévu à 2 ans.</li>
</ol>4. Nomogramme basé sur le modèle de régression des risques concurrents
<ol><li>Établir le modèle de régression des risques concurrents.<ol>
<li>Adapter le modèle de régression des risques concurrent. Les lecteurs pourraient inclure les facteurs qu’ils considèrent importants, cette étape pourrait être ignorée. Dans l’exemple, les facteurs importants dans l’analyse univariable sont inclus. REMARQUE : La variable de censure est codée comme 1 pour l’événement d’intérêt et comme 2 pour l’événement à risque concurrent. Pour faciliter l’analyse, Scrucca et coll.17 fournissent un facteur de fonction R2ind(), qui crée une matrice de variables indicateurs à partir d’un facteur.</li>
		<li>Pour les variables catégoriques, codez-les soigneusement numériquement lorsque vous les inclure dans le modèle concurrent. C’est-à-dire, pour une variable catégorique faite de niveaux J, créer des variables factices J-1 ou des variables indicateurs.</li>
		<li>Pour établir un modèle de régression du risque concurrent, placez d’abord des variables pronostiques dans une matrice. Utilisez la fonction cbind() pour concaténer les variables par colonnes et les insérer dans le modèle de régression concurrent. >x <-cbind(factor2ind(factor1, « 1 »), factor2ind(factor2, « 1 »)...) > mod<- crr (Survivalmonths, fstatus, failcode=1 ou 2, cov1=x)
</li>
	</ol>
</li>
	<li>Tracer le nomogramme concurrent REMARQUE : La valeur bêta (β valeur) est le coefficient de régression d’un variable (X) dans la formule de la régression des risques proportionnels Cox. Le X.score (effet complet de la variable dépendante) et X.real (à des délais spéciaux, par exemple, 60 mois, pour prédire la fonction d’incidence cumulative) sont calculés à partir du modèle de régression Cox, puis, un nomogramme est établi.<ol>
<li>Utilisez le nomogramme de fonction pour construire le nom Cox (tel qu’il est indiqué à l’étape 3.2).</li>
		<li>Remplacez X.beta et X.point ainsi que total.points, X.real et X.score du modèle de régression des risques concurrent.<ol>
<li>Obtenez le cif de base, c’est cif(min). Voir Dossier supplémentaire 2 pour plus de détails. > x0=x > x0 <- as.matrix(x0) > lhat <- matrice(0, nrow = longueur(mod$uftime), ncol = nrow(x0)) > pour (j in 1:nrow(x0)) lhat[, j] <- cumsum(exp(sum(x0[j, ] * mod$coef)) * mod$bfitj) > lhat <- cbind(mod$uftime, 1 - exp(-lhat)) > suv<-as.data.frame(lhat) > colnames(suv)<- c(« temps ») > line24<-which(suv$time=="24 ») > cif.min24<-suv[line24,which.min(suv[line24,])]
</li>
			<li>Remplacez x.beta et x.point. > lmaxbeta<-which.max(abs(mod$coef)) > maxbeta<-abs(mod$coef[lmaxbeta]) > course0<-0 > noms(race0)<-« race:1 » > race.beta<-c(race0,mod$coef[c(« race:2 »,,"race:3 »)]) > race.beta.min<-race.beta[which.min(race.beta)] > race.beta1<-race.beta-race.beta.min > race.scale<-(race.beta1/maxbeta*100) # comment l’échelle est calculée > nom$Race$Xbeta<-race.beta1 > nom$Race$points<-race.scale REMARQUE : Prenons l’exemple de la course.</li>
			<li>Remplacez le total X.point et X.real. > nom$total.points$x<-c(0,50,100, ...) > real.2y<-c(0.01,0.1,0.2,...) REMARQUE : Les remplacements sont en fonction de la valeur minimax.</li>
			<li>Calculez le X.score et tracez le nomogramme. > score.2y<-log(log((1-real.2y),(1-cif.min24))/(maxbeta/100) > nom$'2 ans survival'$x<-score.2y > nom$'2 ans survival'$x.real<-real.2y > nom$'2 ans survival'$fat<-as.character(real.2y) > parcelle(nom) REMARQUE : X.score=log(log((1-X.real),(1-cif0)))/(maxbeta/100). Les équations de la relation X.score et X.real peuvent être calculées en fonction de l’attribution intrinsèque du modèle concurrent(crr). Cif0 signifie cif de base, qui sera calculé par la fonction predict.crr.</li>
		</ol>
</li>
	</ol>
</li>
</ol>5. Analyse du sous-groupe basée sur le score de risque du groupe (GRS)
<ol><li>Calculer le score de risque (RS) REMARQUE : Calculez le score de risque pour chaque patient en totalisant les points de chaque variable. Les valeurs limites sont utilisées pour classer la cohorte. Si l’on prend 3 sous-groupes à titre d’exemple, utilisez le méta de package pour dessiner une parcelle de forêt.<ol>
<li>Installer et charger les packages R > install.packages(« meta ») > bibliothèque(« meta »)
</li>
		<li>Obtenez le SRG et divisez la cohorte en 3 sous-groupes. > d1<-Jeu de données > d1$X<-nom$X$points > #For exemple, d1$race[d1$race==1]<-nom$race$point[1] > d1$RS<-d1$race + d1$marry + d1$histologie + d1$grademodify + d1$Tclassification + d1$Nclassification > d1$GRS<- cut(d1$RS, quantile(d1$RS, seq(0, 1,1/3)), include.lowest = TRUE, labels = 1:3)</li>
		<li>Dessinez la parcelle forestière. Obtenez les RESSOURCES HUMAINES, LCI et UCI via la fonction crr. > sous-groupe<-crr(ftime, fstatus, cov1, failcode=1) > HR<- résumé(sous-groupe)$conf.int[1] > LCI<- résumé(sous-groupe)$conf.int[3] > UCI<- résumé(sous-groupe)$conf.int[4] > LABxx<-c(« Faible risque », « Risque médian », « Risque élevé ») > xx<-metagen(log(HR), inférieur = log(LCI), supérieur = log(UCI), studlab = LABxx, sm = « HR ») > forêt(xx, col.square = « noir », hetstat =TRUE, leftcols = « studlab »)
</li>
	</ol>
</li>
</ol>

<ol><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>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>Kim, H. T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Cumulative+incidence+in+competing+risks+data+and+competing+risks+regression+analysis%5BTitle%5D)+AND+%22Clinical+Cancer+Research%22%5BJournal%5D)">Cumulative incidence in competing risks data and competing risks regression analysis.</a> Clinical Cancer Research. 13, 2 Pt 1 559-565 (2007).</li>
<li>Balachandran, V. P., Gonen, M., Smith, J. J., DeMatteo, R. P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Nomograms+in+oncology%3A+more+than+meets+the+eye%5BTitle%5D)+AND+%22Lancet+Oncology%22%5BJournal%5D)">Nomograms in oncology: more than meets the eye.</a> Lancet Oncology. 16 (4), 173-180 (2015).</li>
<li>Han, D. S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Nomogram+predicting+long-term+survival+after+d2+gastrectomy+for+gastric+cancer%5BTitle%5D)+AND+%22Journal+of+Clinical+Oncology%22%5BJournal%5D)">Nomogram predicting long-term survival after d2 gastrectomy for gastric cancer.</a> Journal of Clinical Oncology. 30 (31), 3834-3840 (2012).</li>
<li>Karakiewicz, P. I., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Multi-institutional+validation+of+a+new+renal+cancer-specific+survival+nomogram%5BTitle%5D)+AND+%22Journal+of+Clinical+Oncology%22%5BJournal%5D)">Multi-institutional validation of a new renal cancer-specific survival nomogram.</a> Journal of Clinical Oncology. 25 (11), 1316-1322 (2007).</li>
<li>Liang, W., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Development+and+validation+of+a+nomogram+for+predicting+survival+in+patients+with+resected+non-small-cell+lung+cancer%5BTitle%5D)+AND+%22Journal+of+Clinical+Oncology%22%5BJournal%5D)">Development and validation of a nomogram for predicting survival in patients with resected non-small-cell lung cancer.</a> Journal of Clinical Oncology. 33 (8), 861-869 (2015).</li>
<li>Valentini, V., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Nomograms+for+predicting+local+recurrence%2C+distant+metastases%2C+and+overall+survival+for+patients+with+locally+advanced+rectal+cancer+on+the+basis+of+European+randomized+clinical+trials%5BTitle%5D)+AND+%22Journal+of+Clinical+Oncology%22%5BJournal%5D)">Nomograms for predicting local recurrence, distant metastases, and overall survival for patients with locally advanced rectal cancer on the basis of European randomized clinical trials.</a> Journal of Clinical Oncology. 29 (23), 3163-3172 (2011).</li>
<li>Iasonos, A., Schrag, D., Raj, G. V., Panageas, K. S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((How+to+build+and+interpret+a+nomogram+for+cancer+prognosis%5BTitle%5D)+AND+%22Journal+of+Clinical+Oncology%22%5BJournal%5D)">How to build and interpret a nomogram for cancer prognosis.</a> Journal of Clinical Oncology. 26 (8), 1364-1370 (2008).</li>
<li>Chisholm, J. C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Prognostic+factors+after+relapse+in+nonmetastatic+rhabdomyosarcoma%3A+a+nomogram+to+better+define+patients+who+can+be+salvaged+with+further+therapy%5BTitle%5D)+AND+%22Journal+of+Clinical+Oncology%22%5BJournal%5D)">Prognostic factors after relapse in nonmetastatic rhabdomyosarcoma: a nomogram to better define patients who can be salvaged with further therapy.</a> Journal of Clinical Oncology. 29 (10), 1319-1325 (2011).</li>
<li>Brockman, J. A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Nomogram+Predicting+Prostate+Cancer-specific+Mortality+for+Men+with+Biochemical+Recurrence+After+Radical+Prostatectomy%5BTitle%5D)+AND+%22European+Urology%22%5BJournal%5D)">Nomogram Predicting Prostate Cancer-specific Mortality for Men with Biochemical Recurrence After Radical Prostatectomy.</a> European Urology. 67 (6), 1160-1167 (2015).</li>
<li>Zhou, H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Nomogram+to+Predict+Cause-Specific+Mortality+in+Patients+With+Surgically+Resected+Stage+I+Non-Small-Cell+Lung+Cancer%3A+A+Competing+Risk+Analysis%5BTitle%5D)+AND+%22Clinical+Lung+Cancer%22%5BJournal%5D)">Nomogram to Predict Cause-Specific Mortality in Patients With Surgically Resected Stage I Non-Small-Cell Lung Cancer: A Competing Risk Analysis.</a> Clinical Lung Cancer. 19 (2), 195-203 (2018).</li>
<li>Fu, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((De-escalating+chemotherapy+for+stage+II+colon+cancer%5BTitle%5D)+AND+%22Therapeutic+Advances+in+Gastroenterology%22%5BJournal%5D)">De-escalating chemotherapy for stage II colon cancer.</a> Therapeutic Advances in Gastroenterology. 12, 1756284819867553(2019).</li>
<li>Chen, D., Li, J., Chong, J. K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Hazards+regression+for+freemium+products+and+services%3A+a+competing+risks+approach%5BTitle%5D)+AND+%22Journal+of+Statistical+Computation+and+Simulation%22%5BJournal%5D)">Hazards regression for freemium products and services: a competing risks approach.</a> Journal of Statistical Computation and Simulation. 87 (9), 1863-1876 (2017).</li>
<li>Frank, E., H, J. rms: Regression Modeling Strategies. R package version 5.1-2. , Available from: 
 <a target="_blank" href="https://CRAN.R-project.org/package=rms">https://CRAN.R-project.org/package=rms</a> (2018).</li>
<li>Gray, B. cmprsk: Subdistribution Analysis of Competing Risks. R package version 2.2-7. , Available from: 
 <a target="_blank" href="https://CRAN.R-project.org/package=cmprsk">https://CRAN.R-project.org/package=cmprsk</a> (2014).</li>
<li>Scrucca, L., Santucci, A., Aversa, F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Regression+modeling+of+competing+risk+using+R%3A+an+in+depth+guide+for+clinicians%5BTitle%5D)+AND+%22Bone+Marrow+Transplantation%22%5BJournal%5D)">Regression modeling of competing risk using R: an in depth guide for clinicians.</a> Bone Marrow Transplantation. 45 (9), 1388-1395 (2010).</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+in+Translational+Medicine%22%5BJournal%5D)">Nomogram for survival analysis in the presence of competing risks.</a> Annals in Translational Medicine. 5 (20), 403(2017).</li>
<li>Geskus, R. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Cause-specific+cumulative+incidence+estimation+and+the+fine+and+gray+model+under+both+left+truncation+and+right+censoring%5BTitle%5D)+AND+%22Biometrics%22%5BJournal%5D)">Cause-specific cumulative incidence estimation and the fine and gray model under both left truncation and right censoring.</a> Biometrics. 67 (1), 39-49 (2011).</li>
<li>Fu, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Young-onset+breast+cancer%3A+a+poor+prognosis+only+exists+in+low-risk+patients%5BTitle%5D)+AND+%22Journal+of+Cancer%22%5BJournal%5D)">Young-onset breast cancer: a poor prognosis only exists in low-risk patients.</a> Journal of Cancer. 10 (14), 3124-3132 (2019).</li>
<li>de Glas, N. A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Performing+Survival+Analyses+in+the+Presence+of+Competing+Risks%3A+A+Clinical+Example+in+Older+Breast+Cancer+Patients%5BTitle%5D)+AND+%22Journal+of+the+National+Cancer+Institute%22%5BJournal%5D)">Performing Survival Analyses in the Presence of Competing Risks: A Clinical Example in Older Breast Cancer Patients.</a> Journal of the National Cancer Institute. 108 (5), (2016).</li>
</ol>

L’objectif global de la présente étude était d’établir un nomogramme spécifique à risque concurrent qui pourrait décrire les maladies du monde réel et d’élaborer un modèle d’évaluation individuel pratique pour que les cliniciens puissent aborder les décisions de traitement. Ici, nous fournissons un tutoriel étape par étape pour établir des nomogrammes basés sur le modèle de régression Cox et le modèle de régression des risques concurrents et d’effectuer davantage l’analyse de sous-groupe. Zhang et coll....

Le temps d’analyse de survie d’événement est assez commun dans les études cliniques. Les données de survie mesurent la durée entre l’heure de début et l’occurrence de l’événement d’intérêt, mais l’événement d’intérêt est souvent exclu par un autre événement. Si plusieurs types de points d’extrémité sont présents, on les appelle des points de départ concurrents. Dans ce cas, l’analyse standard des dangers (c.-à-d. le modèle des risques proportionnels à la cause) de Cox ne fonctionne souvent pas bien parce que les personnes qui vivent un autre type d’événement sont censurées. Les personnes qui vivent un événement concurrent restent souvent dans l’ensemble de risques, car les risques concurrents ne sont généralement pas indépendants. Par conséquent, Fine et Gray1 ont étudié l’estimation du modèle de régression pour la sous-distribution d’un risque concurrent. Dans un contexte de risque concurrent, trois types d’événements différents peuvent être discriminés.
On mesure la survie globale (OS) en démontrant un avantage clinique direct de nouvelles méthodes de traitement pour une maladie. L’OS mesure le temps de survie entre le moment de l’origine (c.-à-d. le moment du diagnostic ou du traitement) jusqu’au moment du décès pour quelque cause que ce soit et évalue généralement le risque absolu de décès, ne faisant pas de distinction entre les causes de décès (p. ex., décès spécifique au cancer (CSD) ou de décès non spécifique au cancer (non CSD))2. OS est donc considéré comme le point de terminaison le plus important. Les événements d’intérêt sont souvent liés au cancer, tandis que les événements non spécifiques au cancer, qui comprennent les maladies cardiaques, les accidents de la circulation ou d’autres causes non liées, sont considérés comme des événements concurrents. Les patients malins présentant un pronostic favorable, qui sont censés survivre plus longtemps, sont souvent à un plus grand risque de non-CSD. Autrement dit, le système d’exploitation sera dilué par d’autres causes de décès et ne parvient pas à interpréter correctement l’efficacité réelle du traitement clinique. Par conséquent, l’OS n’est peut-être pas la mesure optimale pour accéder aux résultats de la maladie3. De tels biais pourraient être corrigés par le modèle de régression du risque concurrent.
Il existe deux méthodes principales pour concurrencer les données sur les risques : les modèles de risque spécifiques à la cause (modèles Cox) et les modèles de risque de sous-distribution (modèles concurrents). Dans le protocole suivant, nous présentons deux méthodes pour générer des nomogrammes basés sur le modèle de danger spécifique à la cause et le modèle de risque de sous-distribution. Le modèle de danger spécifique à la cause peut être fait pour s’adapter au modèle des risques proportionnels Cox, qui traite les sujets qui vivent l’événement concurrent comme censurés au moment où l’événement concurrent s’est produit. Dans le modèle de risque de sous-distribution qui a été introduit par Fine et Gray1 en 1999, trois types différents d’événements peuvent être discriminés, et les personnes qui vivent un événement concurrent restent à risque pour toujours.
Un nomogramme est une représentation mathématique de la relation entre trois variables ou plus4. Les nomogrammes médicaux considèrent l’événement biologique et clinique comme des variables (p. ex., grade tumoral et âge du patient) et génèrent des probabilités d’un événement clinique (p. ex., récidive ou décès du cancer) qui est graphiquement décrit comme un modèle pronostique statistique pour un individu donné. En général, un nomogramme est formulé sur la base des résultats du modèle de risques proportionnels Cox5,6,7,8,9,10.
Toutefois, lorsque des risques concurrents sont présents, un nomogramme basé sur le modèle Cox peut ne pas fonctionner bien. Bien que plusieurs études antérieures11,12,13,14 aient appliqué le nomogramme de risque concurrent pour estimer la probabilité de la DSC, peu d’études ont décrit comment établir le nomogramme basé sur un modèle de régression du risque concurrent, et il n’existe aucun paquet existant disponible pour accomplir ceci. Par conséquent, la méthode présentée ci-dessous fournira un protocole étape par étape pour établir un nomogramme spécifique de risque concurrent basé sur un modèle concurrent de régression du risque ainsi qu’une estimation de score de risque pour aider les cliniciens à prendre des décisions en matière de traitement.

Établissement d’un modèle de régression des risques concurrents pour les données de survie

Establishing a Competing Risk Regression Nomogram Model for Survival Data

La méthode Kaplan-Meier et le modèle de régression des risques proportionnels Cox sont les analyses les plus courantes dans le cadre de survie. Ceux-ci sont relativement faciles à appliquer et à interpréter et peuvent être représentés visuellement. Toutefois, lorsque des événements concurrents (p. ex., accidents cardiovasculaires et cérébrovasculaires, décès liés au traitement, accidents de la circulation) sont présents, les méthodes de survie standard doivent être appliquées avec prudence, et les données du monde réel ne peuvent pas être correctement interprétées. Il peut être souhaitable de distinguer différents types d’événements qui peuvent mener à l’échec et de les traiter différemment dans l’analyse. Ici, les méthodes se concentrent sur l’utilisation du modèle de régression concurrent pour identifier des facteurs pronostiques significatifs ou des facteurs de risque lorsque des événements concurrents sont présents. De plus, des nomogrammes basés sur un modèle de régression proportionnelle des risques et un modèle de régression concurrent sont établis pour aider les cliniciens à effectuer des évaluations individuelles et des stratifications des risques afin d’expliquer l’impact des facteurs controversés sur le pronostic.

Caractéristiques de survie de la cohorte d’exemples Dans la cohorte d’exemples, un total de 8 550 patients admissibles ont été inclus dans l’analyse et le temps médian de suivi était de 88 mois (fourchette, 1 à 95 mois). Un total de 679 (7,94 %) patients avaient moins de 40 ans et 7 871 (92,06 %) patients avaient plus de 40 ans. A la fin du procès, 7 483 (87,52 %) patients étaient encore en vie, 662 (7,74 %) cancer du sein, et 405 (4,74 %) patients sont morts à cause d’autres causes (risques concurren...

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.

The Kaplan&#8211;Meier method and Cox proportional hazards regression model are the most common analyses in the survival framework. These are relatively ...

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.

establishing-competing-risk-regression-nomogram-model-for-survival

Research

Recherche

JoVE Journal

Cancer Research

Recherche sur le cancer

Le présent protocole décrit les codes en R pour évaluer les capacités de discrimination et d’étalonnage d’un modèle de risque concurrent, ainsi que les codes pour la validation interne et externe de celui-ci.

Une validation du paysage basé sur R d’un modèle de risque concurrent

L’étude a révélé que le sexe masculin, le mauvais grade de la tumeur et le stade avancé de métastase du ganglion tumoral étaient associés à une survie spécifique au cancer (CSS) plus faible chez plusieurs patients atteints de cancer colorectal primitif (MPCC) après la chirurgie. Nous avons développé un nomogramme pour prédire le CSS des patients MPCC et contribuer à la prise de décision de traitement clinique.

Nomogramme à risque compétitif pour prédire la survie spécifique au cancer chez plusieurs patients atteints de cancer colorectal primitif après une intervention chirurgicale

Cette étude évalue les systèmes pronostiques des patients atteints d’un carcinome colorectal à cellules en anneau à l’aide de modèles d’apprentissage automatique et d’analyses de risque concurrentes. Il identifie les probabilités logarithmiques de ganglions lymphatiques positifs comme un prédicteur supérieur par rapport à la stadification pN, démontrant une forte performance prédictive et aidant à la prise de décision clinique grâce à des outils de prédiction de survie robustes.

Comparaison de la performance prédictive de trois systèmes de stadification ganglionnaire dans le carcinome colorectal à cellules en anneau Signet basé sur un modèle d’apprentissage automatique

Mime est un cadre de calcul flexible permettant de construire un modèle d’intégration basé sur l’apprentissage automatique avec des performances élégantes. Nous présentons ici une procédure détaillée, étape par étape, pour développer des modèles prédictifs de haute précision, en exploitant des ensembles de données complexes pour identifier les gènes critiques associés à la progression de la maladie, aux résultats pour les patients et à la réponse thérapeutique.

Construction et visualisation de modèles à l’aide d’un cadre d’apprentissage automatique basé sur MIME

On décrit une méthode in vitro pour l’établissement de double résistance à l’EGFR-TKI et un MET-TKI dans les cellules cancéreuses. Cette méthode est utile pour développer des traitements pour les patients présentant des mutations-EGFR, qui montrent la progression de la maladie malgré un traitement EGFR-TKI avec MET-amplification. Il peut également être modifiée pour inhibiteurs ciblant d’autres molécules.

Établissant double résistance à l’EGFR-TKI et rencontré-TKI dans le poumon adénocarcinome cellules In Vitro avec une procédure d’augmentation de la Dose 2-step

Ici, nous fournissons un workflow qui permet l’identification des cellules saines et pathologiques, basé sur leur forme en 3-dimensions. Les auteurs décrivent le processus d’utilisation des lignes de projection 2D basés sur les surfaces 3D pour former une carte Self-Organizing qui fournira l’objective de regroupement des populations cellulaires étudiés.

Distinction fondée sur la morphologie entre sain et pathologique des cellules utilisant des transformations de Fourier et Self-Organizing Maps

Établissant une lignée cellulaire stable surexprimant un gène d’intérêt d’étudier la fonction du gène peut être fait par stables clones unique de transfection-cueillette après les transfectants via une infection rétrovirale. Ici, nous montrons que les lignées de cellules HT29-DR3 générées de cette manière élucider les mécanismes par lequel la mort récepteur 3 (DR3) contribue à l’apoptose induite par antimitotiques.

Établir des lignées de cellules surexprimant DR3 afin d’évaluer la réponse apoptotique thérapeutique anti mitotique

Ce travail préséque un protocole avancé pour évaluer avec précision la charge tumorale par la détection de protéines fluorescentes vertes et de signaux de bioluminescence ainsi que l’intégration de la technique quantitative de détection moléculaire.

Étudier le cancer du sein triple négatif à l’aide d’un modèle orthotopique de cancer du sein

Ici, nous décrivons un essai d’invasion facile à utiliser pour le glioblastome. Cet essai convient aux cellules souches du glioblastome. Une macro fidjienne pour faciliter la quantification de l’invasion, de la migration et de la prolifération est également décrite.

Un modèle sphéroïde 3D pour le Glioblastome

Dans cet article nous présentons un protocole détaillé pour la technique non invasive de biopsie liquide, y compris la collecte de sang, la séparation de manteau de plasma et de buffy, l’extraction de cfDNA et d’ADN de germline, la quantification de cfDNA ou d’ADN de germline, et l’analyse d’enrichissement de fragment de cfDNA.

Détection de l’ADN sans cellules dans les échantillons de plasma sanguin des patients atteints de cancer

Découvrez comment établir un modèle de régression des risques concurrents pour l'analyse de survie en utilisant R. Cette méthode permet de construire des nomogrammes précis et d'évaluer les probabilités de survie.

Établissement d’un modèle de régression des risques concurrents pour les données de survie

Explorer plus de vidéos