Name: Une validation du paysage basé sur R d’un modèle de risque concurrent (Vidéo) | JoVE Journal
Uploaded: 2022-09-16T13:10:00.000+00:00
Duration: 5 min 37 s
Description: Découvrez les méthodes d'évaluation et de validation des modèles de risque concurrent en analyse de survie avec R. Ce protocole détaille le calcul du C-index, la validation interne par bootstrap et l'extraction de l'AUC.

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 financée par des subventions du Medical Science & Technology Plan Project de la province du Zhejiang (numéros de subvention 2013KYA212), du programme général de la Fondation des sciences naturelles de la province du Zhejiang (numéro de subvention Y19H160126) et du programme clé du Bureau municipal des sciences et technologies de Jinhua (numéro de subvention 2016-3-005, 2018-3-001d et 2019-3-013).

La base de données Surveillance, Epidemiology, and End Results (SEER) est une base de données sur le cancer en libre accès qui ne contient que des données anonymisées sur les patients (ID SEER : 12296-Nov2018). Par conséquent, cette étude a été exemptée de l’approbation du comité d’examen de l’hôpital affilié Jinhua, École de médecine de l’Université du Zhejiang.
1. Préparation des données et des emballages R
<ol><li>Préparez et importez les données. > Ensemble de données <- lire.csv(« .../Données sur le cancer du sein.xlsx ») #Import données . REMARQUE: Les données sont téléchargées dans le fichier supplémentaire 1.</li>
	<li>Installez et chargez les packages R. > paquets <- c(« rms »,"cmprsk »,"mstate »,"survival »,"riskRegression », » prodlim ») > req.pcg <- function(pcg){ NEW <- PCG[!( pcg %in% installed.packages()[, « Package"])] if (length(new)) install.packages(new, dependencies = T) sapply(pcg, require, ch = T) } > req.pcg(packages) Remarque : Effectuez les procédures suivantes basées sur le logiciel R (version 3.6.2) à l’aide des packages rms, cmprsk, mstate, survival, riskRegression et prodlim (http://www.r-projectrg/).</li>
</ol>2. Établir des nomogrammes de risque concurrents selon deux méthodes distinctes
<ol><li>Établir le nomogramme de risque concurrent de manière directe. > mod_cph <- cph(Surv(Survivalmonths, statut) ~ facteur1+ facteur2+..., x=T, y=T, surv=T, data=Dataset) > nom <- nomogram(mod_cph, fun=list(function(x) 1-surv_cph(36, x)...), funlabel=c(« 3-year event1 Prob. » ...), lp=F) #Take le 36e mois à titre d’exemple. > mod_crr <- crr(Survivalmonths, fstatus, failcode=1, cov1=cov) > score <- log(log((1-real.3y),(1-cif.min36)))/(maxbeta/100) > plot(nom)</li>
	<li>Établir le nomogramme de risque concurrent dans une méthode pondérée. > df.w <- crprep(« Survivalmonths », » fstatus », data=Dataset, trans=c(1,2), cens=0, keep=c(« fact1 », » factor2 »...)) > mod.w <- cph(Surv(Tstart, Tstop, status==1) ~ fact1+factor2+..., data=df.w, weight=weight.cens, subset=failcode==1, surv=T) > nom.w <- nomogram(mod.w...)</li>
</ol>3. Capacité de discrimination du nomogramme du risque concurrent
<ol><li>Indice C pour la discrimination<ol><li>Ajustez le cov de la matrice dans le modèle de risque concurrent mod_crr. et obtenez un SUV matriciel prédit. > SUV <- predict.crr(mod_crr, cov)</li>
		<li>Obtenez les incidences cumulées dans un certain mois à partir du SUV et calculez l’indice C avec la fonction 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 pour discrimination<ol><li>Évaluez les performances prédictives du modèle de risque concurrent à l’aide de la fonction Score (package riskRegression). > fgr.w <- FGR(Hist(Survivalmonths, fstatus) ~ factor1+ factor2+..., data=Dataset, cause=1) > score <- Score(list(« Fine-Gray » = fgr.w),</li>
		<li>Extrayez l’AUC du « score ». > score$AUC</li>
	</ol></li>
</ol>4. Capacité d’étalonnage des modèles de risque concurrents
<ol><li>Courbes d’étalonnage avec un intervalle de confiance à 95 % du modèle de risque concurrent<ol><li>Obtenez une trame de données avec les incidences cumulées de chaque individu dans un certain temps d’échec. > cif36 <- data.frame(cif36) #Take le 36e mois à titre d’exemple. > colnames(cif36.36_o)<-c(« 36m »)</li>
		<li>Divisez la cohorte en fonction des incidences cumulatives estimées en cinq sous-groupes et calculez les incidences cumulatives moyennes prévues de chaque sous-groupe. > groupe36 <- cut(cif36$'36m', quantile(CIF36$'36m', seq(0, 1, 0.2)), include.lowest = VRAI, étiquettes = 1:5) > moyenne36 <- as.vector(by(cif36 $'36m', group36, mean))</li>
		<li>Calculez les incidences cumulées observées, c’est-à-dire les incidences cumulatives réelles, à l’aide de la fonction cuminc, puis obtenez les incidences cumulées observées avec un intervalle de confiance de 95% dans un certain temps de défaillance. > cum36 <- cuminc(Dataset$Survivalmonths,Dataset$fstatus,group36) > obs36 <- timepoints(cum36,Dataset$Survivalmonths)$est[c(1:5),36] > obs36var <- timepoints(cum36,Dataset$Survivalmonths)$var[c(1:5),36] > df <- data.frame(mean36, obs36, obs36var)</li>
		<li>Tracez la courbe d’étalonnage avec les incidences cumulées prévues comme l’axe des x et les incidences cumulées observées comme l’axe des y en utilisant la fonction ggplot. > ggplot(df)+ geom_point(aes(x=mean36,y=obs36),col="red »)+ geom_point(aes(x=mean36,y=obs36),col="red »,pch=4)+ geom_line(col="red »,aes(x=mean36,y=obs36))+ geom_errorbar(col="rouge »,aes(x=moyenne36,y=obs36+1,96 *sqrt(obs36var)), ymin =obs36-1.96*sqrt(obs36var), ymax = obs36+1.96 *sqrt(obs36var)) geom_abline(lty=3,lwd=2,col=c(rgb(0,118,192, maxColorValue=255)))</li>
	</ol></li>
	<li>Courbe d’étalonnage avec scores de risque du modèle de risque concurrent<ol><li>Évaluez chaque niveau de toutes les variables et obtenez le RS total. > Dataset$factor1[Dataset$factor1==1] <- factor1.scale["Factor1_level1"] > ... #For exemple, Dataset$histology[Dataset$histology==1]<-histology.scale["Histology1"] > Dataset$rs <- Dataset$factor1+Dataset$factor2+Dataset$factor3+... REMARQUE : Obtenez le RS total pour chaque patient en additionnant les points de chaque variable.</li>
		<li>Comptez les fréquences et calculez les incidences cumulatives observées des différents scores de risque totaux. > rs.freq <- as.data.frame(table(Dataset$rs)) > obs.36 <- vector(mode="numeric », length=nrow(rs.freq)) > for (i in 1: nrow(rs.freq)) { dataset <- sous-ensemble(Dataset,Dataset$rs== rs.freq [i,1]) cif.dataset <- cuminc(dataset$Survivalmonths,dataset$death3) cif36.dataset <- points temporels(cif.dataset,36) obs.36[i] <- cif36.dataset$est[1]}</li>
		<li>Définissez la plage de l’axe des x et calculez les incidences cumulatives prévues des scores de risque totaux. > RS <- range(nom$total.points) > x.36 <- seq(min(RS),max(RS),0.01) > pré.36 <- 1-(1-cif.min36)^exp(x.36*maxbeta/100)</li>
		<li>Tracez la courbe d’étalonnage avec les scores de risque. > plot(x.36, pre.36, type='l'...) > par(nouveau=VRAI) > Plot(as.vector(rs.freq[,1]), obs.36... )</li>
	</ol></li>
</ol>5. Analyse de la courbe de décision des modèles de risque concurrents
<ol><li>Source la fonction stdca pour effectuer l’analyse de la courbe de décision. > source(« stdca. R")</li>
	<li>Extrayez les équations polynomiales du nomogramme pour calculer la probabilité de survie. > nomogramEx(nomo = nom) > Dataset$predictors <- A * (Dataset$rs ^3) + B * (Dataset$rs ^2) + C * Dataset$rs + D #predictors sont des probabilités prédites de décès par cancer calculées par le nomogramme établi</li>
	<li>Effectuez l’analyse de la courbe de décision. > stdca(data = Dataset, outcome = « status », ttoutcome = « Survivalmonth », timepoint = 36, predictors = « predictors », cmprsk = TRUE, smooth = FALSE, probability = FALSE) REMARQUE : Pour évaluer un résultat en présence d’un risque concurrent, TRUE doit être choisi pour cmprsk.</li>
</ol>6. Validation interne à l’aide de la méthode bootstrap
<ol><li>Obtenez la moyenne des incidences cumulatives prévues à l’aide de la méthode bootstrap.<ol><li>Rééchantillonnez le jeu de données d’origine (Dataset) avec replace pour générer le jeu de données bootstrap (Dataset_in). Établissez un modèle de risque concurrent (mod.in_crr) avec l’ensemble de données bootstrap. Utilisez la fonction predict.crr pour prédire mod.in_crr et boucler b fois pour générer suvall.in. B=b suvall.in <- liste() for(j dans 1:B){ Dataset_in <- Jeu de données[échantillon(c(1:nrow(Jeu de données)),nrow(Jeu de données), replace = TRUE),] attacher (Dataset_ in) Cov. dans <- model.matrix(~factor1+ factor2+...) [,-1] Mod. in _crr <- crr(Survivalmonths, fstatus, failcode=1, cov1=cov.in) detach(Dataset. inner) SUV. dans <- predict.crr(mod. en _crr, cov) suvall.in[[j]] <- suv.in}</li>
		<li>Obtenez la moyenne des incidences cumulatives prévues au cours d’un mois donné. Cif36all. inner <- vector(mode="numeric », length=nrow(Dataset)) for (k in 1:B) { Cif36all. intérieur<- cif36all. inner+ suvall. inner[[k]][which(suvall. inner[[k]][,1]==36),][-1] } cif36.in <- cif36all.in/B</li>
	</ol></li>
	<li>Calculez l’indice C en utilisant la validation croisée interne avec la fonction rcorr.cens. rcorr. inner <- rcorr.cens(1-cif36.in,Surv(Dataset$Survivalmonths,Dataset$tumordeath)) cindex. < interne - rcorr. intérieur[1]</li>
	<li>Calibrer à l’aide de la validation interne croisée. REMARQUE : Les codes de la courbe d’étalonnage du modèle de risque concurrent avec validation interne sont similaires aux codes de la section 4, tandis que le VUS a été remplacé par suv.in.</li>
</ol>7. Validation externe du modèle de risque concurrent
<ol><li>Obtenez les incidences cumulatives prévues à l’aide de données externes. Obtenez les incidences cumulatives prévues avec la matrice des variables de données externes (cov.ex). suv.ex <- predict.crr(mod_crr,cov.ex) cif36.ex <- suv.ex [which(suv.ex $time=="36 »),][-1]</li>
	<li>Calculez l’indice C à l’aide d’une validation externe. rcorr.ex <- rcorr.cens(1-cif36.ex,Surv(Dataset.ex$Survivalmonths,Dataset.ex$tumordeath)) cindex.ex <- rcorr.ex[1]</li>
	<li>Calibrer à l’aide d’une validation externe. REMARQUE: Les codes de la courbe d’étalonnage du modèle de risque concurrent avec validation interne sont similaires aux codes de la section 4, tandis que suv est remplacé par 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>

Les auteurs déclarent qu’ils n’ont pas d’intérêts concurrents.

Cette étude a comparé des nomogrammes de risque concurrents établis par deux méthodes distinctes et a procédé à l’évaluation et à la validation des nomogrammes établis. Plus précisément, cette étude a fourni un tutoriel étape par étape pour établir le nomogramme basé sur une méthode directe, ainsi que pour calculer l’indice C et tracer les courbes d’étalonnage.
Le progiciel efficace du logiciel R est largement utilisé pour la construction et l’évaluation de modèles à risques proportio...

Au cours des dernières années, des facteurs pronostiques émergents ont été identifiés avec le développement de la médecine de précision, et les modèles pronostiques combinant des facteurs moléculaires et clinicopathologiques attirent de plus en plus l’attention dans les milieux cliniques. Cependant, les modèles non graphiques, tels que le modèle à risques proportionnels de Cox, avec les résultats des valeurs des coefficients, sont difficiles à comprendre pour les cliniciens1. En comparaison, un nomogramme est un outil de visualisation de modèles de régression (incluant le modèle de régression de Cox, le modèle de risque concurrent, etc.), un diagramme bidimensionnel conçu pour le calcul graphique approximatif d’une fonction mathématique2. Il permet d’évaluer différents niveaux de variables dans un modèle clinique et de calculer des scores de risque (RS) pour prédire le pronostic.
L’évaluation du modèle est essentielle dans la construction du modèle, et deux caractéristiques sont généralement acceptées pour l’évaluation : la discrimination et l’étalonnage. Dans les modèles cliniques, la discrimination fait référence à la capacité d’un modèle à séparer les personnes qui développent des événements de celles qui n’en développent pas, comme les patients qui meurent par rapport à ceux qui restent en vie, et l’indice de concordance (indice C) ou l’aire sous la courbe des caractéristiques opératoires du récepteur (ASC) sont généralement utilisés pour la caractériser 3,4. L’étalonnage est un processus de comparaison des probabilités prédites d’un modèle avec les probabilités réelles, et les courbes d’étalonnage ont été largement utilisées pour le représenter. De plus, la validation du modèle (validation interne et externe) est une étape importante dans la construction du modèle, et seuls les modèles validés peuvent être extrapolés5.
Le modèle à risques proportionnels de Cox est un modèle de régression utilisé en recherche médicale pour étudier les associations entre les facteurs pronostiques et le statut de survie. Cependant, le modèle à risques proportionnels de Cox ne tient compte que de deux statuts de résultat [Y (0, 1)], tandis que les sujets de l’étude font souvent face à plus de deux statuts et que des risques concurrents surviennent [Y (0, 1, 2)]1. La survie globale (SG), qui est définie comme le temps écoulé entre la date d’origine (p. ex. le traitement) et la date du décès, quelle qu’en soit la cause, est le critère d’évaluation le plus important dans l’analyse de la survie. Cependant, le système d’exploitation ne parvient pas à différencier les décès spécifiques au cancer des décès non spécifiques au cancer (par exemple, les événements cardiovasculaires et autres causes non liées), ignorant ainsi les risques concurrents6. Dans ces situations, le modèle de risque concurrent est préféré pour la prédiction du statut de survie avec la prise en compte des risques concurrents7. La méthodologie de construction et de validation des modèles à risques proportionnels de Cox est bien établie, alors qu’il y a eu peu de rapports concernant la validation de modèles de risque concurrents.
Dans notre étude précédente, un nomogramme de risque concurrent spécifique, une combinaison d’un nomogramme et d’un modèle de risque concurrent, et une estimation du score de risque basée sur un modèle de risque concurrent ont été établis8. Cette étude vise à présenter différentes méthodes d’évaluation et de validation du nomogramme de risque concurrent établi, qui devrait servir d’outil utile aux cliniciens pour prédire le pronostic en tenant compte des risques concurrents.

<table><tbody><tr><td>R software</td><td>Aucun</td><td>Non applicable</td><td>Version 3.6.2 ou ultérieure&nbsp ;</td></tr><tr><td>Système informatique</td><td>Microsoft&nbsp ;</td><td>Windows 10</td><td> Windows 10 ou supérieur</td></tr></tbody></table>

une validation du paysage basé sur r d’un modèle de risque concurrent

An R-Based Landscape Validation of a Competing Risk Model

Le modèle à risques proportionnels de Cox est largement appliqué pour les analyses de survie en milieu clinique, mais il n’est pas en mesure de faire face à de multiples résultats de survie. Différent du modèle traditionnel à risques proportionnels de Cox, les modèles de risque concurrents tiennent compte de la présence d’événements concurrents et de leur combinaison avec un nomogramme, un dispositif de calcul graphique, qui est un outil utile pour les cliniciens pour effectuer une prédiction pronostique précise. Dans cette étude, nous présentons une méthode pour établir le nomogramme de risque concurrent, c’est-à-dire l’évaluation de ses capacités de discrimination (c.-à-d. indice de concordance et aire sous la courbe) et d’étalonnage (c.-à-d. courbes d’étalonnage), ainsi que l’avantage net (c.-à-d. analyse de la courbe de décision). De plus, une validation interne à l’aide de rééchantillonnages bootstrap de l’ensemble de données original et une validation externe à l’aide d’un ensemble de données externe du nomogramme de risque concurrent établi ont également été effectuées pour démontrer sa capacité d’extrapolation. Le nomogramme du risque concurrent devrait être un outil utile pour les cliniciens afin de prédire le pronostic en tenant compte des risques concurrents.

Dans cette étude, les données des patientes atteintes d’un cancer du sein ont été extraites de la base de données SEER et ont servi d’exemple. La base de données SEER fournit des données sur le cancer représentant environ 34,6% de la population des États-Unis, et l’autorisation d’accéder à la base de données a été obtenue (numéro de référence 12296-Nov2018).
Deux nomogrammes (figure 1), tous deux comprenant le type histologique, le grade différencié, le stade T et...

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

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

Notre protocole présente différentes méthodes d’évaluation et de validation du nomogramme de risque concurrent, qui considère la présence d’événements concurrents dans l’analyse de survie. Ce protocole sert de complément au package de régression de risque dans R.Tels que le calcul de l’indice C et la validation interne, en utilisant la méthode bootstrap. Pour commencer la discrimination de l’indice C, insérez l’épi de la matrice dans le modèle de risque concurrent mod CRR et obtenez un SUV matriciel prédit en exécutant la commande.Obtenez les incidences cumulées dans un certain mois à partir de SUV et calculez l’indice C avec la fonction R-core envoie. Pour la discrimination ASC, notez la performance prédictive du modèle de risque concurrent, à l’aide du score de fonction, package de régression de risque. Extrayez ensuite l’AUC de la partition en exécutant la commande.Pour obtenir des courbes d’étalonnage avec un intervalle de confiance à 95 % du modèle de risque concurrent, obtenez une trame de données avec les incidences cumulées de chaque individu dans un certain temps de défaillance. Ensuite, divisez la cohorte en fonction des incidences cumulatives estimées en cinq sous-groupes et calculez les incidences cumulatives moyennes prévues de chaque sous-groupe. Calculez les incidences cumulatives observées, c’est-à-dire les incidences cumulatives réelles à l’aide de la fonction cuminc.Et puis obtenez les incidences cumulatives observées avec un intervalle de confiance de 95% dans un certain temps de défaillance en exécutant la commande. Tracez la courbe d’étalonnage avec les incidences cumulatives prévues sur l’axe des X et les incidences cumulatives observées sur l’axe des Y. Utilisation de la fonction gg plot.Pour la courbe d’étalonnage avec les scores de risque du modèle de risque concurrent, évaluez chaque niveau de toutes les variables et obtenez le RS total en exécutant la commande. Comptez les fréquences et calculez les incidences cumulatives observées des différents scores de risque totaux. Définissez la plage de l’axe des X et calculez les incidences cumulatives prévues des scores de risque totaux.Tracez ensuite la courbe d’étalonnage avec les scores de risque en exécutant la commande. Pour obtenir les incidences cumulatives prédites moyennes à l’aide de la méthode bootstrap, rééchantillonnez le jeu de données d’origine, jeu de données avec remplacement, pour générer le jeu de données bootstrap. Jeu de données dans.Ensuite, établissez un modèle de risque concurrent: mod NCRR avec le jeu de données bootstrap et utilisez la fonction predict CRR pour prédire mod NCRR dans la boucle B fois pour générer SUV all in. Ensuite, obtenez la moyenne des incidences cumulatives prévues au cours d’un certain mois. Calculez l’indice C en utilisant la validation croisée par intervalles avec la fonction R-core sends.Pour l’étalonnage, à l’aide de la validation externe, obtenez les incidences cumulatives prévues à l’aide de données externes et les incidences cumulées avec la matrice des variables de données externes:Code-X en exécutant la commande. Calculez ensuite l’indice C en utilisant une validation externe en exécutant la commande. Deux nomogrammes ont été obtenus en utilisant la méthode directe et la méthode pondérée, démontrant que les points de chaque niveau de variables et les probabilités correspondant au total des points étaient presque les mêmes.Bien que de légères différences aient été observées. La courbe d’étalonnage du modèle de risque concurrent était proche de la droite d’équivalence et l’intervalle de confiance à 95 % de la fréquence observée tombait dans la droite d’équivalence dans chaque groupe. Indiquant la capacité d’étalonnage précise du modèle.Des courbes d’étalonnage utilisant la validation interne et externe ont été montrées, indiquant que le modèle construit avait une bonne capacité d’étalonnage dans la validation interne, mais une faible capacité dans la validation externe. Les résultats de l’analyse de la courbe de décision du nomogramme de risque concurrent ont été obtenus. Démontrer les changements dans l’avantage net avec une probabilité seuil croissante.Le rééchantillonnage de l’ensemble de données d’origine a été remplacé pour générer l’ensemble de données bootstrap comme étant important pour effectuer la validation interne du nomogramme de risque concurrent. Outre la méthode bootstrap, l’affichage aléatoire et la méthode K4 peuvent également être effectués pour générer des ensembles de données utilisés pour la validation interne. En utilisant notre validation du paysage basée sur R du modèle de risque concurrent, les cliniciens peuvent effectuer plus facilement une analyse pronostique dans le monde réel en tenant compte du risque concurrent.

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

Research

Recherche

JoVE Journal

Cancer Research

Recherche sur le cancer

Il y a un besoin critique d'outils et de méthodologies capables de gérer les systèmes aquatiques face à des conditions futures incertaines. Nous fournissons des méthodes pour procéder à une évaluation des bassins versants ciblés qui permet aux gestionnaires de ressources pour produire des modèles basés sur le paysage-effets cumulatifs pour une utilisation dans un cadre de gestion de l'analyse de scénarios.

Bassin versant de la planification au sein d&#39;un cadre d&#39;analyse quantitative Scénario

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.

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

Nous démontrons comment déployer un système de calcul et d’alerte en temps réel des risques de psychose basé sur CogStack, une plateforme de récupération d’informations et d’extraction pour les dossiers de santé électroniques.

Mise en œuvre d’un système de détection et d’alerte des risques de psychose en temps réel basé sur les dossiers de santé électroniques à l’aide de CogStack

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

Nous décrivons l'établissement de tumeurs colorectales orthotopiques par injection de cellules tumorales ou organoïdes dans le cécum des souris et l'isolement subséquent des cellules tumorales circulantes (CTC) de ce modèle.

Isolation des cellules tumorales circulantes dans un modèle de souris orthotopique du cancer colorectal

Nous décrivons un modèle murin in vivo de perineural invasion en injectant des cellules de cancer du pancréas syngénique dans le nerf sciatique. Le modèle permet de quantifier l’ampleur de l’invasion du nerf et prend en charge l’étude des mécanismes cellulaires et moléculaires de perineural invasion.

Un modèle murin de nerf sciatique In Vivo Perineural invasion

La procédure expérimentale sur l’immunophénotypage des homogreffes ACPE orthotopique murine vise à présenter le profil immuno-microenvironnement tumoral. Les tumeurs sont orthotopically implanté par la chirurgie. Tumeurs de 200 à 600 mm3 de taille ont été récoltés et dissociées pour préparer des suspensions unicellulaires, suivies d’analyse multi-immunitaire marqueur FACS à l’aide de différents anticorps fluorescent marqués.

Immunophénotypage de homogreffe orthotopique (syngéniques) d’adénocarcinome Ductal pancréatique KPC primaires murines par cytométrie en flux

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

Le kit de DIAGNOSTIC PRÉSENTÉ FL-ADN est une méthode de gain de temps et conviviale pour déterminer la probabilité fiable de la présence de lésions de cancer colorectal.

Évaluation du risque et de la prévalence du cancer colorectal par détection de l’intégrité de l’ADN des selles

Découvrez les méthodes d'évaluation et de validation des modèles de risque concurrent en analyse de survie avec R. Ce protocole détaille le calcul du C-index, la validation interne par bootstrap et l'extraction de l'AUC.

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

Explorer plus de vidéos