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

Notre recherche se concentre sur l’analyse de la survie spécifique au cancer des patients atteints de plusieurs cancers colorectaux primitifs. Nous explorons les facteurs influençant la survie spécifique au cancer chez ces patients, puis développons un modèle pour soutenir la prise de décision clinique.

Dans notre recherche, nous utilisons un modèle ReX concurrent plutôt qu’un modèle de Cox pour étudier les facteurs influençant la survie spécifique au cancer. Cette approche nous permet de minimiser l’impact des événements concurrents et d’obtenir des résultats plus précis. À l’avenir, nous prévoyons de nous concentrer sur la recherche en génomique dans plusieurs cancers colorectaux primaires, dans le but de découvrir leurs caractéristiques génétiques distinctes.

[Instructeur] Pour commencer, téléchargez le logiciel SEERStat 8.4.3 à partir du site Web de la base de données SEER. Inscrivez-vous et connectez-vous à SEERStat 8.4.3 pour obtenir les données pertinentes sur le patient. Après vous être connecté, cliquez sur la session et les données de liste des cas. Sélectionnez ensuite les données de recherche SEER sur les incidents, 17 registres, sous-section de novembre 2022, base de données de 2000 à 2020. Cliquez sur la sélection, puis modifiez et choisissez la race, le sexe, l’année dx, l’année du diagnostic, de 2004 à 2015, et le site et la morphologie, le recode de site CID03 et l’OMS 2008 en côlon et rectum. Choisissez la confirmation diagnostique du site et de la morphologie comme histologie positive, et le numéro de séquence de plusieurs champs primaires n’est pas un seul primaire. Cliquez maintenant sur OK et enregistrez la sélection. Cliquez ensuite sur le tableau, et dans l’interface des variables disponibles, sélectionnez recodage de l’âge avec des âges simples et plus de 85 ans, sexe, recodage du site CID03 et WHO 2008 CS taille de la tumeur, recodage du grade jusqu’en 2017, dérivé de la sixième édition de l’AJCCT, 2004 à 2015, dérivé de la sixième édition de l’AJCCN, 2004 à 2015, dérivé de la sixième édition de l’AJCCM, 2004 à 2015, recodage des radiations, Chimiothérapie recoder, oui, non ou inconnu. Classification spécifique des décès SEER, classification SEER des autres causes de décès, mois de survie, identification du patient et chirurgie sommaire RX, site prim 1 998 plus. Après cela, cliquez sur colonne. Cliquez ensuite sur Sortie. Nommez les données et cliquez sur exécuter pour afficher et enregistrer les données. Une fois le téléchargement des données terminé, utilisez l’ID du patient pour filtrer les patients diagnostiqués avec deux occurrences ou plus, indiquant plusieurs cancers colorectaux primitifs. Calculez l’intervalle entre les diagnostics de tumeurs en fonction de leur temps de survie. Ensuite, classez les patients en cancer colorectal polyprimaire synchrone, multiple et cancer colorectal primitif multiple métachrone, en utilisant six mois comme seuil. En fonction de l’âge au moment du diagnostic initial, classez l’âge des patients comme étant de 65 ans ou moins et de plus de 65 ans. Classez les grades tumoraux en grade un pour une bonne différenciation, grade deux pour différenciation modérée, grade trois pour différenciation faible et grade quatre pour non-différenciation. Classez ensuite l’emplacement de la tumeur en fonction de la distribution de plusieurs tumeurs, telles que le côlon droit, le colorectum gauche ou le colorectum entier. Déterminez la taille de la tumeur en sélectionnant le plus grand diamètre de tumeur parmi plusieurs tumeurs chez le même patient. Divisez au hasard les 8 931 patients en une cohorte d’entraînement et une cohorte de validation dans un rapport de sept à trois. Téléchargez RStudio et RSoftware. Ouvrez RStudio pour exécuter RSoftware. Cliquez ensuite sur nouveau fichier et sélectionnez RScript pour créer une nouvelle interface de RProgramming. Entrez le code approprié dans l’éditeur de code et cliquez sur exécuter pour exécuter le code. Utilisez le code pour effectuer une analyse univariée et tracer la courbe CIF. Après avoir exécuté le code, cliquez sur exporter, puis sur Enregistrer en tant qu’image, et enfin cliquez sur Enregistrer pour enregistrer l’image. Remplacez le sexe dans le code par d’autres facteurs pour effectuer une analyse univariée de tous les facteurs. Ensuite, utilisez le code pour effectuer la régression de sous-ensemble, l’analyse multivariée et la visualisation optimales. Enregistrez ensuite l’image comme indiqué précédemment. Utilisez le code pour tracer le nomogramme, la courbe ROC, la courbe d’étalonnage et la courbe DCA. Ensuite, utilisez le package GGSCIDCA pour tracer la courbe DCA avant d’enregistrer l’image. Les courbes ROC ont démontré que le modèle a atteint une AUC de 0,762, 0,742 et 0,734 pour des prédictions d’un an, de trois ans et de cinq ans, respectivement, dans la cohorte d’entraînement. Et 0,801, 0,740 et 0,743 dans la cohorte de vérification. Les courbes de calage ont indiqué une forte concordance entre les probabilités prédites et les résultats réels dans les cohortes d’entraînement et de vérification. L’ACD a montré que le modèle offrait un bon avantage net pour diverses probabilités de seuil.