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

המחקר שלנו מתמקד בניתוח הישרדות ספציפית לסרטן של חולים עם סרטן מעי גס ראשוני מרובה. אנו חוקרים את הגורמים המשפיעים על הישרדות ספציפית לסרטן בחולים אלה, ולאחר מכן מפתחים מודל לתמיכה בקבלת החלטות קליניות.

במחקר שלנו, אנו משתמשים במודל ReX מתחרה ולא במודל קוקס כדי לחקור את הגורמים המשפיעים על הישרדות ספציפית לסרטן. גישה זו מאפשרת לנו למזער את ההשפעה של אירועים מתחרים ולהשיג תוצאות מדויקות יותר. בעתיד, אנו מתכננים להתמקד במחקר גנומי במספר סוגי סרטן ראשוניים של המעי הגס, במטרה לחשוף את המאפיינים הגנטיים הייחודיים שלהם.

[מדריך] כדי להתחיל, הורד את תוכנת SEERStat 8.4.3 מאתר מסד הנתונים של SEER. הירשם והיכנס ל-SEERStat 8.4.3 כדי לקבל את נתוני המטופל הרלוונטיים. לאחר הכניסה, לחץ על הפעלת רישום המקרה והנתונים. לאחר מכן בחר את נתוני המחקר של SEER, 17 רישומים, נובמבר 2022 תת, 2000 עד 2020 מסד נתונים. לחץ על בחירה, ואז ערוך ובחר גזע, מין, שנה dx, שנת אבחנה, 2004 עד 2015, ואתר ומורפולוגיה, קידוד מחדש של האתר ICD03 ו-WHO 2008 כמעי גס ופי הטבעת. בחר אישור אבחון אתר ומורפולוגיה כהיסטולוגיה חיובית, ומספר רצף שדות ראשוניים מרובים אינו ראשי אחד בלבד. כעת לחץ על אישור ושמור את הבחירה. לאחר מכן לחץ על הטבלה, ובממשק המשתנים הזמינים, בחר קידוד מחדש של גיל עם גילאים בודדים ו-85 פלוס, מין, קידוד מחדש של האתר ICD03 ו-WHO 2008 גודל גידול CS, קידוד מחדש של דרגה עד 2017, נגזר AJCCT מהדורה שישית, 2004 עד 2015, נגזר AJCCN מהדורה שישית, 2004 עד 2015, נגזר AJCCM מהדורה שישית, 2004 עד 2015, קידוד קרינה, קידוד מחדש של כימותרפיה, כן, לא או לא ידוע. SEER גורם לסיווג מוות ספציפי, סיווג סיבת מוות אחרת של SEER, חודשי הישרדות, מזהה מטופל וניתוח סיכום RX, אתר ראשוני 1,998 פלוס. לאחר מכן, לחץ על עמודה. לאחר מכן לחץ על פלט. תן שם לנתונים ולחץ על ביצוע כדי להפיק ולשמור את הנתונים. לאחר השלמת הורדת הנתונים, השתמש במזהה המטופל כדי לסנן חולים שאובחנו עם שני מופעים או יותר, מה שמעיד על מספר סרטן מעי גס ראשוני. חשב את המרווח בין אבחנות הגידול על סמך זמני ההישרדות שלהם. לאחר מכן סווג את החולים לסרטן המעי הגס הראשוני הסינכרוני, מרובה וסרטן המעי הגס הראשוני המרובה, תוך שימוש בשישה חודשים כחתך. בהתבסס על הגיל בזמן האבחנה הראשונית, יש לסווג את גילאי המטופלים כ-65 שנים ומטה, ומעל 65 שנים. סווג את דרגות הגידול כדרגה אחת עבור התמיינות טובה, דרגה שתיים עבור התמיינות בינונית, דרגה שלוש עבור התמיינות נמוכה ודרגה ארבע עבור אי-התמיינות. לאחר מכן סווג את מיקום הגידול על סמך התפלגות של גידולים מרובים, כגון המעי הגס הימני, המעי הגס השמאלי או המעי הגס כולו. קבע את גודל הגידול על ידי בחירת קוטר הגידול הגדול ביותר מבין מספר גידולים באותו מטופל. חלקו באופן אקראי את כל 8,931 המטופלים לקבוצת אימון וקבוצת אימות ביחס של שבעה לשלושה. הורד את RStudio ו-RSoftware. פתח את RStudio כדי להפעיל את RSoftware. לאחר מכן לחץ על קובץ חדש ובחר RScript כדי ליצור ממשק RProgramming חדש. הזן את הקוד הרלוונטי בעורך הקוד ולחץ על הפעל כדי להפעיל את הקוד. השתמש בקוד כדי לבצע ניתוח חד-משתני ולשרטט את עקומת ה-CIF. לאחר הפעלת הקוד, לחץ על ייצוא, לאחר מכן לחץ על שמור כתמונה, ולבסוף לחץ על שמור כדי לשמור את התמונה. החלף את המין בקוד בגורמים אחרים כדי לבצע ניתוח חד משתני עבור כל הגורמים. לאחר מכן, השתמש בקוד כדי לבצע רגרסיה מיטבית של תת-ערכות, ניתוח מרובה משתנים ותצוגה חזותית. לאחר מכן שמור את התמונה כפי שהוצג קודם לכן. השתמש בקוד כדי להתוות את הנומוגרמה, עקומת ה-ROC, עקומת הכיול ועקומת DCA. לאחר מכן, השתמש בחבילת GGSCIDCA כדי להתוות את עקומת ה-DCA לפני שמירת התמונה. עקומות ה-ROC הראו כי המודל השיג AUC של 0.762, 0.742 ו-0.734 עבור תחזיות של שנה, שלוש שנים וחמש שנים, בהתאמה, בקבוצת ההכשרה. ו-0.801, 0.740 ו-0.743 בקבוצת האימות. עקומות הכיול הצביעו על הסכמה גבוהה בין ההסתברויות החזויות לבין התוצאות בפועל הן בקבוצות ההכשרה והן בקבוצות האימות. DCA הראה שהמודל סיפק תועלת נטו טובה על פני הסתברויות סף שונות.