Definizione di un modello di nomogramma di regressione del rischio concorrente per i dati di sopravvivenza
23 ottobre 2020
Qui è presentato un protocollo per costruire nomogrammi basati sul modello di regressione dei rischi proporzionali Cox e sul modello di regressione del rischio concorrente. Il metodo concorrente è un metodo più razionale da applicare quando gli eventi concorrenti sono presenti nell'analisi di sopravvivenza.
Questo è il protocollo per affrontare le normali sovvenzioni basate sul modello di regressione del rischio concorrente, che è un metodo più razionale da applicare quando gli eventi concorrenti come gli incidenti stradali vengono approvati nell'analisi di sopravvivenza. Le persone che hanno vissuto i nostri eventi concorrenti spesso ricordano i rischi che, poiché i rischi concorrenti di solito non sono indipendenti. La sovvenzione normale concorrente è più appropriata per valutare la probabilità di testare gli eventi per gli individui in analisi.
Dopo aver installato i pacchetti RMS e R a rischio concorrente, caricarli e importare i dati di coorte Per stabilire il modello di regressione dei pericoli proporzionali cox, adattare il modello ai dati utilizzando la funzione CPH, quindi sviluppare un nomogramma di regressione Cox, prendendo ad esempio il tasso di sopravvivenza previsto di due anni. Utilizzare il meta pacchetto in R per calcolare il punteggio di rischio e disegnare un grafico della foresta. Dopo aver installato e caricato i pacchetti R, ottenere il punteggio di rischio di gruppo o GRS e dividere la coorte in tre sottogruppi.
Quindi disegnare il grafico della foresta, ottenendo il rapporto di pericolo intervallo di competenza inferiore e intervallo di confidenza superiore con la funzione CRR. Per stabilire il modello di regressione del rischio concorrente, iniziare inserendo variabili prognostiche in una matrice. Utilizzare la funzione Cbind per concatenare le variabili in base alle colonne e adattarle al modello.
Quindi utilizzare la funzione nomogramma per costruire Cox Nome. Ottenere la funzione di incidenti cumulativi di base, o CIF, e sostituire il punto X beta e X del modello di regressione del rischio concorrente. Sostituire il punto X totale nella bobina X, quindi calcolare il punteggio X e tracciare il nomogramma.
L'equazione per il punteggio X e la relazione tra le rotaie X può essere calcolata in base all'attribuzione intrinseca del modello concorrente. CIF zero indica cif di base, che viene calcolato dalla funzione CRR previsione. Nell'esempio coorte sono stati inclusi nell'analisi un totale di 8.550 pazienti idonei e il tempo mediano di follow-up è stato di 88 mesi.
L'incidenza cumulativa della morte tumorale e nessuna morte tumorale e eventi concorrenti erano rispettivamente secondo il metodo Kaplan-Meier e la funzione di regressione del rischio concorrente. La somma dell'incidenza cumulativa della morte tumorale e di nessuna morte tumorale, calcolata con il metodo Kaplan-Meier, era superiore alla somma delle stime di tutte le cause di morte, che era uguale agli incidenti cumulativi di morte specifica del cancro quando è stato utilizzato un metodo concorrente. Un nomogramma fu costruito usando il modello di regressione proporzionale di Cox basato su fattori significativi, che includevano stato civile, razza, tipo istologico, grado differenziato, classificazione T e classificazione N.
Un nomogramma è stato anche costruito utilizzando il modello di regressione del rischio concorrente. In base al punteggio di rischio, la coorte è stata classificata in tre sottogruppi: basso rischio, rischio medio e rischio elevato. Il grafico forestale è stato utilizzato per presentare chiaramente l'interazione tra il punteggio di rischio di gruppo e il fattore specifico.
Quando si considera l'età, solo il gruppo a basso rischio ha mostrato una prognosi peggiore per le donne più giovani, indicando che la giovane età può agire come fattore protettivo di prognosi in gruppi a medio e alto rischio. Quando si tenta questo protocollo è importante comprendere appieno i diversi modelli sopravvissuti nel 10 per l'analisi degli eventi e gli strumenti sono correttamente padroneggiati per una guida personalizzata. Le prestazioni del modello vengono valutate in termini di discriminazione e prestazioni della razione del calibro.
Seguendo questa procedura, la curva di calibrazione e gli stessi spazi possono essere le prestazioni per convalidare l'efficienza della sovvenzione normale concorrente.
Visualizza la trascrizione completa e accedi a migliaia di video scientifici
Panoramica
Questo protocollo descrive la costruzione di nomogrammi utilizzando il modello di regressione dei rischi proporzionali di Cox e il modello di regressione per i rischi competitivi. Il metodo dei rischi competitivi è particolarmente utile nell'analisi di dati di sopravvivenza in presenza di eventi competitivi.
Componenti Chiave dello Studio
Area della Scienza
- Analisi della sopravvivenza
- Modellizzazione statistica
- Rischi concorrenti
Sfondo
- Gli eventi competitivi possono influenzare gli esiti di sopravvivenza.
- I metodi tradizionali potrebbero non affrontare adeguatamente questi rischi competitivi.
- Il modello di rischio proporzionale di Cox rappresenta un approccio standard nell'analisi della sopravvivenza.
- I nomogrammi forniscono una rappresentazione visiva delle previsioni di rischio.
Scopo dello studio
- Sviluppare un protocollo per la creazione di nomogrammi basati sull'analisi della sopravvivenza.
- Dimostrare l'applicazione di modelli di regressione per rischi concorrenti.
- Migliorare la valutazione delle probabilità di sopravvivenza in presenza di eventi concorrenti.
Metodi Utilizzati
- Installare e caricare i pacchetti R RMS e competing risk.
- Importare i dati della coorte per l'analisi.
- Adattare il modello di regressione a rischi proporzionali di Cox utilizzando la funzione CPH.
- Sviluppare un nomogramma di regressione di Cox per le stime dei tassi di sopravvivenza.
Risultati principali
- Creazione di un nomogramma di regressione di Cox per le percentuali di sopravvivenza a due anni.
- Calcolo dei punteggi di rischio mediante il pacchetto meta in R.
- Suddivisione della coorte in sottogruppi in base ai punteggi di rischio di gruppo.
- Visualizzazione dei risultati attraverso grafici a foreste.
Conclusioni
- Il modello di regressione per rischi concorrenti offre un approccio più razionale per l'analisi della sopravvivenza.
- I nomogrammi possono comunicare efficacemente le previsioni di rischio.
- Questo protocollo può essere applicato a diversi studi che coinvolgono rischi concorrenti.
Domande frequenti
Rilevanza Industriale del Progetto
In oncologia e nello sviluppo di farmaci cardiovascolari, l'analisi accurata della sopravvivenza è fondamentale per valutare l'efficacia terapeutica e la sicurezza. Eventi competitivi come la mortalità correlata al trattamento o i decessi per cause non legate alla malattia possono alterare i modelli tradizionali di Kaplan-Meier e Cox, portando a stime del rischio distorte. Questo protocollo consente ai team di ricerca e sviluppo delle biotech e farmaceutiche di applicare modelli di regressione per rischi competitivi e nomogrammi al fine di migliorare la stratificazione prognostica, potenziare la riduzione del rischio meccanicistica e supportare decisioni di avanzamento o interruzione nello sviluppo preclinico e clinico precoce.
Applicazioni Strategiche nella Ricerca e Sviluppo in Biopharma
Scoperta Precoce e Validazione del Bersaglio
- Valore scientifico: Permette l'analisi di ipotesi terapeutiche distinguendo la mortalità specifica della malattia dai rischi concorrenti, migliorando la fiducia nel bersaglio.
- Valore operativo: Supporta la riduzione del rischio biologico attraverso una stratificazione del rischio più accurata in modelli preclinici in cui eventi non legati al bersaglio potrebbero oscurare gli effetti del trattamento.
Sviluppo di screening e saggi
- Valore scientifico: Facilita la preparazione di sistemi biologici validati per flussi di lavoro successivi, fornendo endpoint di sopravvivenza quantitativi aggiustati per rischi competitivi.
- Valore operativo: Migliora la standardizzazione e la riproducibilità dei saggi attraverso punteggi di rischio derivati da nomogrammi che consentono una valutazione coerente dei composti tra diversi studi.
Ricerca Translazionale e Preclinica
- Valore scientifico: Promuove la continuità traslazionale allineando gli endpoint di sopravvivenza preclinici con la realtà clinica, in cui eventi competitivi influenzano gli esiti.
- Valore operativo: Supporta decisioni di avanzamento aggiustate per il rischio, identificando sottogruppi (basso/media/alto rischio) in base ai punteggi di rischio di gruppo derivati da modelli di rischio competitivo.
Integrazione di Pipeline e Flusso di Lavoro
Questo metodo si integra nel percorso di scoperta che va dalla validazione del bersaglio allo sviluppo preclinico, in particolare quando gli endpoint di sopravvivenza sono influenzati da censura non informativa o da rischi competitivi.
- Biologia della scoperta: Supporta la verifica delle ipotesi e la chiarificazione dei percorsi biologici isolando l'effetto di interventi genetici o farmacologici su esiti specifici della malattia.
- Screening: Permette la prontezza e la riproducibilità dei saggi attraverso la visualizzazione in grafici a foreste di rapporti di rischio e punteggi di rischio di gruppo in diverse condizioni sperimentali.
- Analisi dati: Fornisce misurazioni quantitative di variabili dipendenti (incidenza cumulativa, rapporti di rischio, punteggi di rischio) che consentono a team multidisciplinari di confrontare in modo oggettivo gli effetti dei trattamenti.
- Ricerca traslazionale: Collega la scoperta alla validazione preclinica assicurando che l'analisi della sopravvivenza rifletta la complessità del mondo reale in cui sono presenti eventi competitivi.
- Riutilizzo aziendale: Stabilisce un framework statistico riutilizzabile per l'analisi della sopravvivenza in diversi ambiti terapeutici, riducendo lo sviluppo ridondante di modelli.
Impatto Operativo ed Aziendale
- Valore scientifico: Aumenta la fiducia predittiva riducendo l'ambiguità meccanicistica nei dati di sopravvivenza attraverso un corretto trattamento dei rischi competitivi.
- Valore operativo: Migliora la standardizzazione e la scalabilità mediante flussi di lavoro basati su R (pacchetti RMS, competing risk, meta) che possono essere implementati in diversi team.
- Valore strategico: Potenzia il processo decisionale di avanzamento o interruzione dello sviluppo fornendo sottogruppi stratificati per rischio, riducendo i fallimenti in fasi avanzate dovuti a mortalità competitiva inattesa.
- Impatto sul portafoglio: Consente una priorizzazione aggiustata per il rischio dei candidati basata su probabilità di sopravvivenza corrette per rischi competitivi, piuttosto che su tassi grezzi di eventi.
Considerazioni relative all'implementazione
- Richiede competenze nell'analisi della sopravvivenza e nella programmazione R, inclusa la familiarità con le funzioni CPH, CRR e nomogramma.
- Richiede l'ambiente R con i pacchetti RMS, competing risk e meta installati e correttamente configurati.
- Necessita di una standardizzazione intersquadre nella selezione delle variabili (ad esempio stato civile, razza, tipo istologico, classificazione T/N) per garantire la confrontabilità dei modelli.
- Richiede l'adattamento delle matrici di variabili prognostiche quando si applica il modello a diversi modelli di malattia o sistemi preclinici.
- Limitato dall'assunzione di hazard proporzionali; è necessario eseguire diagnosi del modello (calibrazione, discriminazione) per validarne le prestazioni.
Domande frequenti sulla biofarmaceutica
Chapters in this video
0:04
Introduction
0:42
Nomogram Based on the Cox Proportional Hazards Regression Model
1:13
Subgroup Analysis Based on the Group Risk Score
1:43
Nomogram Based on the Competing Risk Regression Model
2:39
Results: Competing-risk Nomogram and Risk Score Estimation
4:10
Conclusion
