Name: תיקוף נוף מבוסס R של מודל סיכון מתחרה (וידאו) | JoVE Journal
Uploaded: 2022-09-16T13:10:00.000+00:00
Duration: 5 min 37 s
Description: חקור שיטות הערכה ואימות למודלי סיכון מתחרים באנליזת הישרדות באמצעות קוד R. הפרוטוקול מציג חישוב C-index, AUC ועקומות כיול עם אימות פנימי וחיצוני לשיפור דיוק מודלים סטטיסטיים.

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

המחקר נתמך על ידי מענקים מפרויקט תוכנית המדע והטכנולוגיה הרפואית של פרובינציית ג'ג'יאנג (מספרי מענק 2013KYA212), התוכנית הכללית של הקרן למדעי הטבע של מחוז ג'ג'יאנג (מענק מספר Y19H160126), ותוכנית המפתח של לשכת המדע והטכנולוגיה העירונית ג'ינהואה (מענק מספר 2016-3-005, 2018-3-001d ו- 2019-3-013).

מסד הנתונים מעקב, אפידמיולוגיה ותוצאות קצה (SEER) הוא מסד נתונים פתוח לסרטן המכיל רק נתוני מטופלים שזהותם אינה מזוהה (מזהה SEER: 12296-נובמבר 2018). לכן, מחקר זה היה פטור מאישור ועדת הבדיקה של בית החולים המסונף ג'ינהואה, בית הספר לרפואה של אוניברסיטת ג'ג'יאנג.
1. הכנת נתונים והכנת חבילות R
<ol><li>הכן וייבא את הנתונים. > Dataset <- read.csv(".../Breast cancer Data.xlsx") #Import נתונים. הערה: הנתונים מועלים בקובץ משלים 1.</li>
	<li>התקן וטען את חבילות R. חבילות > <- c("rms","cmprsk","mstate","הישרדות","סיכוןרגרסיה", פרודים") > req.pcg <- function(pcg){ חדש <- PCG[!( pcg %in% מותקן.packages()[, "חבילה"])] if (length(new)) install.packages(new, dependencies = T) sapply(pcg, require, ch = T) } > req.pcg (חבילות) הערה: בצע את ההליכים הבאים בהתבסס על תוכנת R (גירסה 3.6.2) באמצעות החבילות rms, cmprsk, mstate, survival, riskRegression ו - prodlim (http://www.r-projectrg/).</li>
</ol>2. לקבוע נומוגרפיות סיכון מתחרות בשתי שיטות נפרדות
<ol><li>קבע את נומוגרפיית הסיכון המתחרה בשיטה ישירה. > mod_cph <- cph(Surv(הישרדותחודשים, מצב) ~ פקטור1+ פקטור2+..., x=T, y=T, surv=T, data=Dataset) > nom <- nomogram(mod_cph, fun=list(function(x) 1-surv_cph(36, x)...), funlabel=c("אירוע בן 3 שנים1 Prob." ...), lp=F) #Take החודש ה-36 כדוגמה. > mod_crr <- crr(Survivalmonths, fstatus, failcode=1, cov1=cov) ציון > <- log(log(((1-real.3y),(1-cif.min36)))/(maxbeta/100) > חלקה (נום)</li>
	<li>קבע את נומוגרפיית הסיכון המתחרה בשיטה משוקללת. > df.w <- crprep("Survivalmonths", fstatus", data=dataset, trans=c(1,2), cens=0, שמור=c("פקטור1", פקטור2"...)) > mod.w <- cph(Surv(Tstart, Tstop, status==1) ~ factor1+factor2+..., data=df.w, weight=weight.cens, subset=failcode==1, surv=T) > nom.w <- nomogram(mod.w...)</li>
</ol>3. יכולת האפליה של נומוגרפיית הסיכון המתחרה
<ol><li>C-index לאפליה<ol><li>הכנס את cov המטריצה למודל הסיכון המתחרה mod_crr. וקבל רכב שטח מטריצה חזוי. > SUV <- predict.crr(mod_crr, cov)</li>
		<li>קבל את המקרים המצטברים בחודש מסוים מ- SUV וחשב את מדד C עם הפונקציה rcorr.cens. > CIF36 <- SUV[אשר(SUV[,1]==36),][-1] > rcorr <- rcorr.cens(1-cif36,Surv(Dataset$Survivalmonths,Dataset$tumordeath)) > cindex <- rcorr[1]</li>
	</ol></li>
	<li>AUC בגין אפליה<ol><li>סקור את ביצועי החיזוי של מודל הסיכון המתחרה באמצעות הפונקציה Score (חבילת riskRegression). > fgr.w <- FGR(Hist(Survivalmonths, fstatus) ~ factor1+ factor2+..., data=Dataset, סיבה=1) ציון > <- Score(list("Fine-Gray" = fgr.w),</li>
		<li>חלץ את AUC מן "ציון". > score$AUC</li>
	</ol></li>
</ol>4. יכולת כיול של מודלי סיכון מתחרים
<ol><li>עקומות כיול עם רווח בר-סמך של 95% של מודל הסיכון המתחרה<ol><li>קבל מסגרת נתונים עם המקרים המצטברים של כל אדם בזמן כשל מסוים. > cif36 <- data.frame(cif36) #Take החודש ה-36 כדוגמה. > colnames(cif36.36_o)<-c("36m")</li>
		<li>חלק את הקבוצה על פי המקרים המצטברים המשוערים לחמש תת-קבוצות וחשב את ממוצע המקרים המצטברים החזויים של כל תת-קבוצה. > group36 <- cut(cif36$'36m', Quantile(CIF36$'36m', SEQ(0, 1, 0.2)), include.lowest = TRUE, תוויות = 1:5) > mean36 <- as.vector(by(cif36 $'36m', group36, mean))</li>
		<li>חשב את המקרים המצטברים הנצפים, כלומר, המקרים המצטברים בפועל, באמצעות הפונקציה cuminc, ולאחר מכן קבל את המקרים המצטברים שנצפו עם רווח בר-סמך של 95% בזמן כשל מסוים. > cum36 <- cuminc(Dataset$Survivalmonths,Dataset$fstatus,group36) > obs36 <- נקודות זמן(cum36,Dataset$Survivalmonths)$est[c(1:5),36] > obs36var <- timepoints(cum36,Dataset$Survivalmonths)$var[c(1:5),36] > df <- data.frame(mean36, obs36, obs36var)</li>
		<li>התווה את עקומת הכיול עם ההיארעות המצטברת החזויה כציר x והמקרים המצטברים הנצפים כציר y באמצעות הפונקציה ggplot. > ggplot(df)+ geom_point(aes(x=mean36,y=obs36),col="red")+ geom_point(aes(x=mean36,y=obs36),col="red",pch=4)+ geom_line(col="red",aes(x=mean36,y=obs36))+ geom_errorbar(col="red",aes(x=mean36,y=obs36+1.96 *sqrt(obs36var)), ymin = obs36-1.96*sqrt(obs36var), ymax = obs36+1.96 *sqrt(obs36var)) geom_abline(lty=3,lwd=2,col=c(rgb(0,118,192, maxColorValue=255)))</li>
	</ol></li>
	<li>עקומת כיול עם ציוני סיכון של מודל הסיכון המתחרה<ol><li>להעריך כל רמה של כל המשתנים ולקבל את RS הכולל. > Dataset$factor1[Dataset$factor1==1] <- factor1.scale["Factor1_level1"] > ... דוגמה #For, Dataset$histology[Dataset$histology==1]<-histology.scale["Histology1"] > Dataset$rs <- Dataset$factor1+Dataset$factor2+Dataset$factor3+... הערה: קבל את סך RS עבור כל מטופל על ידי סיכום הנקודות של כל משתנה.</li>
		<li>לספור את התדרים ולחשב את ההיארעות המצטברת הנצפית של ציוני הסיכון הכוללים השונים. > rs.freq <- as.data.frame(table(Dataset$rs)) > obs.36 <- וקטור(mode="numeric", length=nrow(rs.freq)) > עבור (i ב-1: nrow(rs.freq)) { ערכת נתונים <- subset(Dataset,Dataset$rs== rs.freq [i,1]) cif.dataset <- cuminc(dataset$Survivalmonths,dataset$death3) cif36.dataset <- timepoints(cif.dataset,36) obs.36[i] <- cif36.dataset$est[1]}</li>
		<li>הגדר את טווח ציר ה- x וחשב את המקרים המצטברים החזויים של ציוני הסיכון הכוללים. > RS <- טווח(nom$total.points) > x.36 <- seq(min(RS),max(RS),0.01) > pre.36 <- 1-(1-cif.min36)^exp(x.36*maxbeta/100)</li>
		<li>התווה את עקומת הכיול עם ציוני סיכון. > plot(x.36, pre.36, type='l'...) > par(חדש=TRUE) > עלילה (as.vector(rs.freq[,1]), obs.36... )</li>
	</ol></li>
</ol>5. ניתוח עקומת החלטה של מודלי סיכון מתחרים
<ol><li>מקור הפונקציה stdca לביצוע ניתוח עקומת ההחלטה. מקור > ("STDCA. R")</li>
	<li>חלץ את משוואות הפולינום מהנומוגרפיה כדי לחשב את הסתברות ההישרדות. > nomogramEx(nomo = nom) > Dataset$predictors <- A * (Dataset$rs ^3) + B * (Dataset$rs ^2) + C * Dataset$rs + D #predictors הן הסתברויות חזויות למוות ספציפי לסרטן המחושבות על ידי הנומוגרפיה שנקבעה</li>
	<li>בצע את ניתוח עקומת ההחלטה. > stdca(data = Dataset, outresult = "status", ttoutcome = "Survivalmonths", timepoint = 36, מנבאים = "מנבאים", cmprsk = TRUE, חלק = FALSE, הסתברות = FALSE) הערה: להערכת תוצאה בנוכחות סיכון מתחרה, יש לבחור ב- TRUE עבור cmprsk.</li>
</ol>6. אימות פנימי בשיטת bootstrap
<ol><li>קבל את ממוצע המקרים המצטברים החזויים באמצעות שיטת bootstrap.<ol><li>דגום מחדש את ערכת הנתונים המקורית (ערכת נתונים) עם החלף כדי ליצור את ערכת הנתונים bootstrap (Dataset_in). צור מודל סיכון מתחרה (mod.in_crr) עם ערכת הנתונים bootstrap. השתמש בפונקציה predict.crr כדי לחזות זמני mod.in_crr ולולאה b כדי ליצור suvall.in. ב=ב suvall.in <- רשימה() for(j in 1:B){ Dataset_in <- ערכת נתונים[sample(c(1:nrow(Dataset),nrow(ערכת נתונים), החלף = TRUE),] צרף(Dataset_ אינץ') קוב. ב- <- model.matrix(~factor1+ factor2+...) [,-1] מוד. ב- _crr <- crr(Survivalmonths, fstatus, failcode=1, cov1=cov.in) ניתוק(מערך נתונים. פנימי) רכב שטח. ב- <- predict.crr(mod. in _crr, cov) suvall.in[[j]] <- suv.in}</li>
		<li>קבל את ממוצע המקרים המצטברים החזויים בחודש מסוים. CIF36All. < פנימי - וקטור(mode="numeric", length=nrow(Dataset)) עבור (k ב-1:B) { CIF36All. פנימי<- CIF36All. פנימי+ סובל. פנימי[[k]][which(suvall. inner[[k]][,1]==36),][-1] } cif36.in <- cif36all.in/B</li>
	</ol></li>
	<li>חשב את C-index באמצעות אימות צולב פנימי עם הפונקציה rcorr.cens. רקורר. < פנימי- rcorr.cens(1-cif36.in,Surv(Dataset$Survivalmonths,Dataset$tumordeath)) סיקס. < פנימי- rcorr. פנימי[1]</li>
	<li>כייל באמצעות אימות פנימי צולב. הערה: הקודים של עקומת הכיול של מודל הסיכון המתחרה עם אימות פנימי דומים לקודים בסעיף 4, בעוד SUV הוחלף על ידי suv.in.</li>
</ol>7. תיקוף חיצוני של מודל הסיכון המתחרה
<ol><li>קבל את המקרים המצטברים החזויים באמצעות נתונים חיצוניים. קבל את המקרים המצטברים החזויים עם מטריצה של משתני נתונים חיצוניים (cov.ex). suv.ex <- predict.crr(mod_crr,cov.ex) cif36.ex <- suv.ex [which(suv.ex $time=="36"),][-1]</li>
	<li>חשב את C-index באמצעות אימות חיצוני. rcorr.ex <- rcorr.cens(1-cif36.ex,Surv(Dataset.ex$Survivalmonths,Dataset.ex$tumordeath)) cindex.ex <- rcorr.ex[1]</li>
	<li>כייל באמצעות אימות חיצוני. הערה: הקודים של עקומת הכיול של מודל הסיכון המתחרה עם אימות פנימי דומים לקודים בסעיף 4, בעוד SUV מוחלף על ידי 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>

המחברים מצהירים כי אין להם אינטרסים מתחרים.

מחקר זה השווה בין נומוגרפיות סיכון מתחרות שנקבעו בשתי שיטות שונות וערך הערכה ותיקוף של הנומוגרפיות שנקבעו. באופן ספציפי, מחקר זה סיפק הדרכה שלב אחר שלב לביסוס הנומוגרפיה על בסיס שיטה ישירה, כמו גם חישוב מדד C והתוויית עקומות הכיול.
חבילת rms בתוכנת R נמצאת בשימוש נרחב לבנייה והערכה של מודלי סיכון פרופורציונליים של קוקס, אך היא אינה ישימה עבור מודלי סיכון מתחרים. עבור מודלים עם תוצאות מרובות, Zhang et al. דיווחו על אימות של מודלי סיכון מתחרים באמצעות חבילת riskRegression בתוכנ...

בשנים האחרונות זוהו גורמים פרוגנוסטיים מתפתחים עם התפתחות הרפואה המדויקת, ומודלים פרוגנוסטיים המשלבים גורמים מולקולריים וקלינופתולוגיים מושכים תשומת לב גוברת במסגרות קליניות. עם זאת, מודלים לא גרפיים, כגון מודל הסיכון הפרופורציונלי של קוקס, עם תוצאות של ערכי מקדם, קשים לקלינאים להבין1. לשם השוואה, נומוגרפיה היא כלי ויזואליזציה של מודלי רגרסיה (כולל מודל רגרסיה קוקס, מודל סיכון מתחרה וכו '), דיאגרמה דו-ממדית המיועדת לחישוב גרפי משוער של פונקציה מתמטית2. הוא מאפשר הערכה של רמות שונות של משתנים במודל קליני וחישוב ציוני סיכון (RS) כדי לחזות פרוגנוזה.
הערכת מודל חיונית בבניית מודלים, ושני מאפיינים מקובלים בדרך כלל להערכה: אפליה וכיול. במודלים קליניים, אפליה מתייחסת ליכולתו של מודל להפריד בין אנשים המפתחים אירועים לבין אלה שלא, כגון חולים שמתו לעומת אלה שנותרו בחיים, ומדד הקונקורדנציה (C-index) או האזור שמתחת לעקומת ההפעלה של המקלט (AUC) משמשים בדרך כלל כדי לאפיין אותו 3,4. כיול הוא תהליך של השוואת ההסתברויות החזויות של מודל עם ההסתברויות בפועל, ועקומות כיול היו בשימוש נרחב כדי לייצג אותו. בנוסף, תיקוף מודל (תיקוף פנימי וחיצוני) הוא שלב חשוב בבניית מודל, ורק מודלים מתוקפים ניתנים לאקסטרפולציה נוספת5.
מודל הסיכון הפרופורציונלי של קוקס הוא מודל רגרסיה המשמש במחקר רפואי לחקר הקשר בין גורמים פרוגנוסטיים למצב הישרדות. עם זאת, מודל הסיכון הפרופורציונלי של קוקס מתייחס רק לשני סטטוסים של תוצאה [Y (0, 1)], בעוד שנבדקי המחקר מתמודדים לעתים קרובות עם יותר משני סטטוסים, וסיכונים מתחרים מתעוררים [Y (0, 1, 2)]1. הישרדות כוללת (OS), המוגדרת כזמן מתאריך המוצא (למשל, טיפול) ועד לתאריך המוות מכל סיבה שהיא, היא נקודת הקצה החשובה ביותר בניתוח הישרדות. עם זאת, מערכת ההפעלה אינה מצליחה להבדיל בין מוות ספציפי לסרטן לבין מוות שאינו ספציפי לסרטן (למשל, אירועים קרדיווסקולריים וסיבות אחרות שאינן קשורות), ובכך מתעלמת מסיכונים מתחרים6. במצבים אלה, מודל הסיכון המתחרה מועדף לחיזוי מצב הישרדות תוך התחשבות בסיכונים מתחרים7. המתודולוגיה של בנייה ותיקוף של מודלי סיכון פרופורציונליים של קוקס מבוססת היטב, בעוד שהיו מעט דיווחים לגבי תיקוף של מודלי סיכון מתחרים.
במחקר הקודם שלנו נקבעה נומוגרפיית סיכון מתחרה ספציפית, שילוב של נומוגרפיה ומודל סיכון מתחרה, ואומדן דירוג סיכון המבוסס על מודל סיכון מתחרה8. מחקר זה נועד להציג שיטות שונות של הערכה ותיקוף של נומוגרפיית הסיכון המתחרה שנקבעה, אשר אמורה לשמש כלי שימושי עבור קלינאים לחזות פרוגנוזה תוך התחשבות בסיכונים מתחרים.

<table><tbody><tr><td>תוכנת R</td><td>ללא</td><td>לא ישים</td><td>גרסה 3.6.2 ומעלה&nbsp;</td></tr><tr><td>מערכת מחשב</td><td>מיקרוסופט&nbsp;</td><td>Windows 10</td><td>&nbsp; Windows 10 ומעלה</td></tr></tbody></table>

תיקוף נוף מבוסס r של מודל סיכון מתחרה

An R-Based Landscape Validation of a Competing Risk Model

מודל הסיכון הפרופורציונלי של קוקס מיושם באופן נרחב עבור ניתוחי הישרדות בסביבות קליניות, אך הוא אינו מסוגל להתמודד עם תוצאות הישרדות מרובות. בשונה ממודל הסיכון הפרופורציונלי המסורתי של קוקס, מודלי סיכון מתחרים שוקלים את נוכחותם של אירועים מתחרים ואת שילובם עם נומוגרפיה, מכשיר חישוב גרפי, המהווה כלי שימושי לרופאים לביצוע חיזוי פרוגנוסטי מדויק. במחקר זה אנו מדווחים על שיטה לביסוס נומוגרפיית הסיכון המתחרה, כלומר הערכת יכולות ההבחנה שלה (כלומר, מדד הקונקורדנציה והשטח מתחת לעקומה) והכיול (כלומר, עקומות הכיול), וכן התועלת נטו (כלומר, ניתוח עקומת החלטה). בנוסף, אימות פנימי באמצעות דגימות מחדש של bootstrap של מערך הנתונים המקורי ותיקוף חיצוני באמצעות מערך נתונים חיצוני של נומוגרפיית הסיכון המתחרה הוקמה בוצעו גם כדי להדגים את יכולת האקסטרפולציה שלה. נומוגרפיית הסיכון המתחרה צריכה לשמש כלי שימושי לרופאים לחזות פרוגנוזה תוך התחשבות בסיכונים מתחרים.

במחקר זה, נתונים של חולות עם סרטן השד נשלפו ממסד הנתונים SEER ושימשו כנתונים לדוגמה. מסד הנתונים SEER מספק נתונים על סרטן המייצג כ -34.6% מאוכלוסיית ארצות הברית, והתקבל אישור לגשת למסד הנתונים (מספר סימוכין 12296-נובמבר 2018).
שתי נומוגרפיות (איור 1), שתיהן כוללות סוג היסטולוגי, דרגה מובחנת, שלב T ושלב N, נקבעו בשיטה הישירה ובשיטה המשוקללת, בהתאמה. הנקודות של כל רמה של משתנים וההסתברויות המתאימות לסך הנקודות היו כמעט זהות, בעוד שנצפו כמה הבדלים קלים. Zhang et al. ...

הפרוטוקול הנוכחי מתאר קודים ב-R להערכת יכולות ההבחנה והכיול של מודל סיכון מתחרה, וכן קודים לאימות פנימי וחיצוני שלו.

תיקוף נוף מבוסס R של מודל סיכון מתחרה

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

הפרוטוקול שלנו מציג שיטות שונות של הערכה ותיקוף של נומוגרפיית סיכונים מתחרה; אשר לוקח בחשבון את נוכחותם של אירועים מתחרים בניתוח הישרדות. פרוטוקול זה משמש כהשלמה לחבילת רגרסיה בסיכון ב- R.כגון חישוב C-index והאימות הפנימי, בשיטת bootstrap. כדי להתחיל באפליה במדד C, הכנס את קלח המטריצה למודל הסיכון המתחרה mod CRR וקבל רכב שטח מטריצה חזוי על ידי ביצוע הפקודה.קבל את המקרים המצטברים בחודש מסוים מ- SUV וחשב את מדד C עם הפונקציה R-core שולחת. עבור אפליית AUC, ניקוד את ביצועי החיזוי של מודל הסיכון המתחרה, באמצעות ציון הפונקציה, חבילת רגרסיה בסיכון. לאחר מכן חלץ את AUC מהציון על ידי ביצוע הפקודה.כדי לקבל עקומות כיול עם רווח בר-סמך של 95% של מודל הסיכון המתחרה, קבל מסגרת נתונים עם המקרים המצטברים של כל פרט בזמן כשל מסוים. לאחר מכן מחלקים את הקבוצה לפי המקרים המצטברים המשוערים לחמש תת-קבוצות ומחשבים את ממוצע המקרים המצטברים החזויים של כל תת-קבוצה. חשב את המקרים המצטברים הנצפים שהם המקרים המצטברים בפועל באמצעות הפונקציה cuminc.ולאחר מכן לקבל את המקרים המצטברים שנצפו עם רווח בר-סמך של 95% בזמן כשל מסוים על ידי ביצוע הפקודה. התווה את עקומת הכיול עם המקרים המצטברים החזויים כציר X והמקרים המצטברים הנצפים כציר Y. שימוש בתרשים הפונקציה gg.עבור עקומת כיול עם ציוני סיכון של מודל הסיכון המתחרה, הערך כל רמה של כל המשתנים והשג את ה- RS הכולל על ידי ביצוע הפקודה. לספור את התדרים ולחשב את ההיארעות המצטברת הנצפית של ציוני הסיכון הכוללים השונים. הגדר את טווח ציר X וחשב את ההיארעות המצטברת החזויה של ציוני הסיכון הכוללים.לאחר מכן התווה את עקומת הכיול עם ציוני סיכון על-ידי ביצוע הפקודה. כדי לקבל את ממוצע המקרים המצטברים החזויים באמצעות שיטת bootstrap, דגום מחדש את ערכת הנתונים המקורית, ערכת הנתונים עם החלף, כדי ליצור את ערכת הנתונים bootstrap. ערכת נתונים ב.לאחר מכן להקים מודל סיכון מתחרה:mod NCRR עם ערכת הנתונים bootstrap ולהשתמש בפונקציה לחזות CRR כדי לחזות mod NCRR בלולאה B פעמים כדי ליצור SUV כל פנימה. לאחר מכן, קבל את ממוצע המקרים המצטברים החזויים בחודש מסוים. חשב את C-index באמצעות אימות צולב מרווח עם הפונקציה R-core שולח.לצורך כיול, באמצעות אימות חיצוני, קבל את המקרים המצטברים החזויים באמצעות נתונים חיצוניים ומקרים מצטברים עם מטריצה של משתני נתונים חיצוניים:Code-X על-ידי ביצוע הפקודה. לאחר מכן חשב את C-index באמצעות אימות חיצוני על ידי ביצוע הפקודה. שתי נומוגרפיות התקבלו בשיטה הישירה ובשיטה המשוקללת, והראו כי הנקודות של כל רמה של משתנים וההסתברויות המתאימות לסך הנקודות היו כמעט זהות.בעוד כמה הבדלים קלים נצפו. עקומת הכיול של מודל הסיכון המתחרה הייתה קרובה לקו השקילות ורווח בר-סמך של 95% של התדירות הנצפית, נפל לקו השקילות בכל קבוצה. ציון יכולת הכיול המדויקת של הדגם.הוצגו עקומות כיול באמצעות אימות פנימי וחיצוני, מה שמצביע על כך שלמודל שנבנה הייתה יכולת כיול טובה בתיקוף הפנימי; אך גרועה בתיקוף החיצוני. התקבלו תוצאות ניתוח עקומת ההחלטה של נומוגרפיית הסיכון המתחרה. הדגמת השינויים בתועלת נטו עם הסתברות סף עולה.דגימה מחדש של מערך הנתונים המקורי הוחלפה כדי ליצור את ערכת הנתונים bootstrap כחשובה, בביצוע האימות הפנימי של נומוגרפיית הסיכון המתחרה. מלבד שיטת bootstrap, ניתן לבצע את התצוגה האקראית ואת שיטת K4 גם כדי ליצור ערכות נתונים המשמשות לאימות פנימי. באמצעות אימות נוף מבוסס R שלנו של מודל הסיכון המתחרה, קלינאים יכולים לבצע ניתוח פרוגנוזה בעולם האמיתי בהתחשב בסיכון המתחרה ביתר קלות.

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

Research

JoVE Journal

Cancer Research

מחקר סרטן

יש צורך קריטי עבור כלים ומתודולוגיות מסוגלים לנהל מערכות מימיות לנוכח תנאים עתידים לא בטוחים. אנו מספקים שיטות לניהול הערכת פרשת מים ממוקד המאפשרת מנהלי משאבים לייצר מודלי השפעות מצטברות מבוסס נוף לשימוש בתוך מסגרת ניהול ניתוח תרחיש.

Watershed תכנון במסגרת ניתוח תרחיש כמותי

מוצג כאן הוא פרוטוקול לבנות nomograms המבוסס על מודל רגרסיה מפגעים פרופורציונליים קוקס מודל רגרסיה סיכון מתחרה. השיטה המתחרה היא שיטה רציונלית יותר ליישם כאשר אירועים מתחרים נוכחים בניתוח ההישרדות.

קביעת מודל נומוגרמה רגרסיה סיכון מתחרה עבור נתוני הישרדות

אנו מדגימים כיצד לפרוס בזמן אמת מחלת הנפש החישוב והתראות מערכת מבוסס על CogStack, אחזור מידע ופלטפורמת החילוץ עבור רשומות בריאות אלקטרונית.

יישום של מערכת לגילוי סיכונים בזמן אמת והתראות על בסיס רשומות בריאות אלקטרוניות באמצעות CogStack

המחקר מצא כי מין זכר, דרגת גידול ירודה ושלב גרורות מתקדם בבלוטת הגידול היו קשורים להישרדות נמוכה יותר של סרטן ספציפי לסרטן (CSS) בחולי סרטן המעי הגס הראשוני (MPCC) לאחר הניתוח. פיתחנו נומוגרמה כדי לחזות את ה-CSS של חולי MPCC ולתרום לקבלת החלטות בטיפול קליני.

נומוגרמה בסיכון מתחרה לחיזוי הישרדות ספציפית לסרטן במספר חולי סרטן המעי הגס לאחר ניתוח

מחקר זה מעריך מערכות פרוגנוסטיות לחולי קרצינומה של תאי טבעת חותם המעי הגס באמצעות מודלים של למידת מכונה וניתוחי סיכונים מתחרים. הוא מזהה סיכויי לוג של בלוטות לימפה חיוביות כמנבא טוב יותר בהשוואה לשלב pN, מדגים ביצועי חיזוי חזקים ומסייע בקבלת החלטות קליניות באמצעות כלי חיזוי הישרדות חזקים.

השוואה בין ביצועי חיזוי של שלוש מערכות שלב בלוטות לימפה בקרצינומה של תאי טבעת חותם המעי הגס בהתבסס על מודל למידת מכונה

אנו מתארים את הקמתם של גידולים המעי הגס אורטוטופיים באמצעות הזרקה של תאים סרטניים או אורגנואידים לתוך cecum של עכברים הבידוד הבאים של תאים סרטניים במחזור (CTCs) מן המודל הזה.

בידוד של תאים סרטניים במחזור מודל עכבר אורתופטי של סרטן המעי הגס

אנו מתארים ויוו מאתר מודל של הפלישה perineural באמצעות הזרקת תאי סרטן הלבלב syngeneic לתוך בעצב. המודל מאפשר כימות היקף הפלישה עצב ותומך החקירה של המנגנונים תאית ומולקולרית של פלישה perineural.

מודל מאתר בעצב In Vivo של הפלישה Perineural

ההליך ניסיוני-immunophenotyping של orthotopic מאתר PDAC homografts שמטרתה יצירת פרופיל חיסונית-microenvironment את הגידול. גידולים הם orthotopically מושתל באמצעות ניתוח. גידולים של 200-600 מ מ3 בגודל היו קוצרים, הפומבית להכין המתלים מתא בודד, שלאחריה יבוא ניתוח רב המערכת החיסונית סמן FACS באמצעות נוגדנים שונים עם התווית fluorescently.

Immunophenotyping של Orthotopic מאותו מין (Syngeneic) של KPC העיקרי מאתר אדנוקרצינומה Ductal הלבלב על ידי Cytometry זרימה

כאן, אנו מספקים זרימת עבודה המאפשר זיהוי תאים בריאים ופתולוגיים בהתבסס על צורתם תלת-ממדי. אנו מתארים תהליך השימוש מתאר הקרנה 2D מבוססת על משטחים 3D לאמן מפה העצמי אשר יספקו קיבוץ באשכולות אובייקטיבית של אוכלוסיות תאים ובדוקים.

מבוסס-מורפולוגיה ההבחנה בין בריא פתולוגיים תאים התמרת פורייה ניצול ומפות התארגנות עצמית

ערכת האבחון המוצגת חליל-DNA היא שיטת חיסכון בזמן וידידותי למשתמש כדי לקבוע את ההסתברות האמינה של נוכחות של נגעים סרטן המעי הגס.

הערכה של סרטן המעי הגס סיכון ושכיחות על ידי שרפרף DNA זיהוי שלמות

חקור שיטות הערכה ואימות למודלי סיכון מתחרים באנליזת הישרדות באמצעות קוד R. הפרוטוקול מציג חישוב C-index, AUC ועקומות כיול עם אימות פנימי וחיצוני לשיפור דיוק מודלים סטטיסטיים.

תיקוף נוף מבוסס R של מודל סיכון מתחרה

גלה סרטונים נוספים