Una convalida del panorama R-based di un modello di rischio concorrente
16 settembre 2022
Il presente protocollo descrive i codici in R per valutare le capacità di discriminazione e calibrazione di un modello di rischio concorrente, nonché i codici per la convalida interna ed esterna di esso.
Il nostro protocollo presenta diversi metodi di valutazione e validazione del nomogramma di rischio concorrente, che considera la presenza di eventi concorrenti nell'analisi di sopravvivenza. Questo protocollo serve come complemento al pacchetto di regressione del rischio in R.Come il calcolo del C-index e la convalida interna, utilizzando il metodo bootstrap. Per iniziare per la discriminazione dell'indice C, inserire la pannocchia della matrice nel modello di rischio concorrente mod CRR e ottenere un SUV a matrice previsto eseguendo il comando.
Ottieni le incidenze cumulative in un determinato mese dal SUV e calcola l'indice C con la funzione R-core invia. Per la discriminazione AUC, assegnare un punteggio alle prestazioni predittive del modello di rischio concorrente, utilizzando il pacchetto di regressione del rischio e punteggio di funzione. Quindi estrarre l'AUC dal punteggio eseguendo il comando.
Per ottenere curve di calibrazione con un intervallo di confidenza del 95% del modello di rischio concorrente, ottenere un frame di dati con le incidenze cumulative di ciascun individuo in un determinato tempo di guasto. Quindi dividere la coorte in base alle incidenze cumulative stimate in cinque sottogruppi e calcolare l'incidenza cumulativa media prevista di ciascun sottogruppo. Calcolare l'incidenza cumulativa osservata che è l'incidenza cumulativa effettiva utilizzando la funzione cuminc.
E quindi ottenere le incidenze cumulative osservate con un intervallo di confidenza del 95% in un determinato tempo di errore eseguendo il comando. Tracciare la curva di calibrazione con le incidenze cumulative previste come asse X e le incidenze cumulative osservate come asse Y. Utilizzando la funzione gg plot.
Per la curva di calibrazione con punteggi di rischio del modello di rischio concorrente, valutare ogni livello di tutte le variabili e ottenere l'RS totale eseguendo il comando. Contare le frequenze e calcolare le incidenze cumulative osservate dei diversi punteggi di rischio totali. Impostare l'intervallo dell'asse X e calcolare l'incidenza cumulativa prevista dei punteggi di rischio totali.
Quindi tracciare la curva di calibrazione con i punteggi di rischio eseguendo il comando. Per ottenere le incidenze cumulative medie previste utilizzando il metodo bootstrap, ricampionare il set di dati originale, set di dati con sostituzione, per generare il set di dati bootstrap. Set di dati in.
Quindi stabilire un modello di rischio concorrente:mod NCRR con il set di dati bootstrap e utilizzare la funzione predict CRR per prevedere mod NCRR in tempi di loop B per generare SUV all in. Quindi, ottieni le incidenze cumulative medie previste in un determinato mese. Calcola il C-index usando la convalida incrociata dell'intervallo con la funzione R-core sends.
Per la calibrazione, utilizzando la convalida esterna, ottenere le incidenze cumulative previste utilizzando dati esterni e incidenze cumulative con la matrice di variabili di dati esterni:Code-X eseguendo il comando. Quindi calcolare il C-index utilizzando la convalida esterna eseguendo il comando. Due nomogrammi sono stati ottenuti utilizzando il metodo diretto e il metodo ponderato, dimostrando che i punti di ciascun livello di variabili e le probabilità corrispondenti ai punti totali erano quasi gli stessi.
Mentre sono state osservate alcune lievi differenze. La curva di calibrazione per il modello di rischio concorrente era vicina alla linea di equivalenza e l'intervallo di confidenza del 95% della frequenza osservata rientrava nella linea di equivalenza in ciascun gruppo. Indica la capacità di calibrazione accurata del modello.
Sono state mostrate curve di calibrazione utilizzando la convalida interna ed esterna, indicando che il modello costruito aveva una buona capacità di calibrazione nella convalida interna, ma una scarsa nella convalida esterna. Sono stati ottenuti i risultati dell'analisi della curva decisionale del nomogramma di rischio concorrente. Dimostrare le variazioni del beneficio netto con probabilità soglia crescente.
Il ricampionamento del set di dati originale è stato sostituito per generare il set di dati bootstrap come importante, nell'esecuzione della convalida interna del nomogramma di rischio concorrente. Oltre al metodo bootstrap, è possibile eseguire anche la visualizzazione randomizzata e il metodo K4 per generare set di dati utilizzati per la convalida interna. Utilizzando la nostra convalida del panorama basata su R del modello di rischio concorrente, i medici possono eseguire un'analisi della prognosi nel mondo reale considerando più facilmente il rischio concorrente.
Visualizza la trascrizione completa e accedi a migliaia di video scientifici
Panoramica
Questo protocollo presenta metodi per valutare e convalidare modelli di rischio competitivo nell'analisi della sopravvivenza. Include codici R per la valutazione delle capacità di discriminazione e calibrazione, nonché tecniche di convalida interna ed esterna.
Componenti Chiave dello Studio
Area della Scienza
- Analisi della sopravvivenza
- Rischi concorrenti
- Modellizzazione statistica
Sfondo
- I modelli a rischio competente tengono conto della presenza di eventi competitivi nei dati di sopravvivenza.
- Parametri di valutazione come l'indice C e l'AUC sono fondamentali per la valutazione delle prestazioni del modello.
- I metodi bootstrap sono comunemente utilizzati per la validazione interna.
- Questo protocollo integra il pacchetto di regressione del rischio in R.
Scopo dello studio
- Fornire una guida completa per la valutazione dei nomogrammi in presenza di rischi competitivi.
- Migliorare la comprensione della calibrazione e della capacità discriminante del modello.
- Facilitare l'applicazione di metodi statistici nell'analisi della sopravvivenza.
Metodi Utilizzati
- Calcolo dell'indice C per la discriminazione del modello.
- Utilizzo di metodi bootstrap per la validazione interna.
- Estrazione dell'AUC per la valutazione della performance predittiva.
- Implementazione di comandi R per l'adattamento e la valutazione del modello.
Risultati principali
- Calcolo corretto delle incidenze cumulative a partire dalla matrice predetta.
- Metodi dimostrati per la valutazione e la convalida di modelli con rischi concorrenti.
- Forniti esempi chiari di codice R per garantire la riproducibilità.
- Evidenziata l'importanza della valutazione del modello nell'analisi della sopravvivenza.
Conclusioni
- Il protocollo offre strumenti preziosi per i ricercatori nell'analisi della sopravvivenza.
- Sottolinea la necessità di una valutazione rigorosa dei modelli di rischio competitivo.
- Applicazioni future possono basarsi su questi metodi per migliorare l'accuratezza del modello.
Domande frequenti
Rilevanza Industriale del Progetto
I modelli a rischio competitivo, convalidati mediante flussi di lavoro robusti basati su R, superano i limiti dell'analisi tradizionale della sopravvivenza quantificando più esiti di evento nei dataset clinici. Questo approccio aumenta l'affidabilità predittiva e supporta decisioni aggiustate per il rischio in punti critici di scoperta e svolta traslazionale. Metriche affidabili di calibrazione e discriminazione del modello consentono ai team biofarmaceutici di prioritizzare target e stratificare le popolazioni di pazienti con maggiore precisione.
Applicazioni Strategiche nella Ricerca e Sviluppo in Biopharma
Scoperta Precoce e Validazione del Target
- Permette test rigorosi delle ipotesi tenendo conto di esiti clinici concorrenti nei dati di sopravvivenza.
- Supporta la validazione funzionale delle target attraverso metriche quantitative di discriminazione e calibrazione.
- Facilita la previsione affidabile per la selezione precoce del portafoglio e la riduzione dei rischi meccanicistici.
Sviluppo di screening e saggi
- Prepara modelli statistici validati per flussi di lavoro traslazionali successivi.
- Standardizza la valutazione dei modelli utilizzando l'indice C, l'AUC e le curve di calibrazione per garantire la riproducibilità.
- Consente una valutazione scalabile e quantitativa di biomarcatori prognostici e fattori di rischio.
Ricerca Translazionale e Preclinica
- Allinea le uscite del modello a endpoint clinici reali per garantire continuità traslazionale.
- Supporta decisioni di avanzamento corrette per il rischio quantificando il beneficio netto mediante analisi della curva decisionale.
- Fornisce un quadro per la validazione esterna, assicurando la generalizzabilità del modello attraverso diversi set di dati.
Integrazione di Pipeline e Flusso di Lavoro
Questo protocollo di validazione basato su R integra le fasi iniziali della scoperta fino alla ricerca traslazionale, supportando l'identificazione dei composti promettenti e la selezione di modelli preclinici in presenza di rischi concorrenti.
- Biologia della scoperta: Quantifica l'impatto di eventi competitivi, chiarificando i percorsi biologici e riducendo l'ambiguità meccanicistica.
- Screening: Fornisce output quantitativi e riproducibili (indice C, AUC) per il confronto tra modelli e la prontezza del saggio.
- Analisi: Offre curve di calibrazione e analisi delle curve decisionali per valutare le prestazioni predittive.
- Ricerca traslazionale: Consente una validazione esterna per garantire continuità tra i dati della scoperta e quelli clinici.
- Riutilizzo aziendale: Stabilisce un framework statistico di validazione riutilizzabile per diverse applicazioni di analisi della sopravvivenza.
Impatto Operativo ed Aziendale
- Valore scientifico: Aumenta la fiducia predittiva e la validazione degli obiettivi integrando l'analisi dei rischi competitivi.
- Valore operativo: Standardizza la valutazione e la validazione dei modelli per garantire riproducibilità e scalabilità.
- Valore strategico: Informa le decisioni di proseguimento o interruzione e riduce il rischio biologico in fasi avanzate grazie a output statistici robusti.
- Impatto sul portafoglio: Supporta la priorizzazione e lo sviluppo di asset aggiustati per il rischio, basandosi su modelli prognostici validati.
Considerazioni sull'implementazione
- Richiede competenze in R e metodi statistici di analisi della sopravvivenza.
- Richiede l'accesso a un'infrastruttura computazionale robusta per i flussi di lavoro di bootstrap e validazione esterna.
- Necessita di una standardizzazione intersettoriale delle metriche di valutazione del modello e delle modalità di reporting.
- Potrebbe essere necessaria un'adattamento per diversi modelli di malattia o endpoint clinici.
- Le prestazioni della validazione esterna possono variare in base all'eterogeneità del dataset e ai tassi di eventi.
Domande frequenti sulla biofarmaceutica
Chapters in this video
0:04
Introduction
0:35
Discrimination Ability of the Competing Risk Nomogram
1:17
Calibration Ability of Competing Risk Models
2:42
Internal Validation Using the Bootstrap Method and External Validation of the Competing Risk Model
3:45
Results: Codes for Evaluating the Discrimination and Calibration Abilities of a Competing Risk Model
4:44
Conclusion
