Name: 生存データの競合リスク回帰ノモグラムモデルの確立 (動画) | JoVE Journal
Uploaded: 2020-10-23T13:00:00.000+00:00
Duration: 4 min 57 s
Description: 学ぶ競合リスク回帰モデルを用いたノモグラム構築法。Rパッケージを使用し、Cox比例ハザードモデルと競合イベントを考慮した生存確率の評価手法を解説します。

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

この研究は、浙江省自然科学財団(助成番号LY19H160020)の一般プログラムと、金華市科学技術局(助成番号2016-3-005、2018-3-001d、2019-3-013)の主要プログラムからの助成金によって支えられました。

研究議定書は、浙江大学医学部金華病院倫理委員会によって承認された。この実験では、サーベイランス、疫学、および終了結果(SEER)データベースから症例を得た。SEERは、18の人口ベースのがん登録からの人口統計、発生率および生存データを含むオープンアクセスデータベースです。当社は、SEERウェブサイトに登録し、研究データを取得するための保証書に署名しました(12296-Nov2018)。
1. データソース
<ol><li>レジストリからケースを使用するための権限と同様に、データベースからケースを取得します。 注: コホートデータは 補助ファイル 1にアップロードされます。既に競合するリスクを持つ生存データを持っている読者は、このセクションをスキップすることができます。</li>
</ol>2. パッケージのインストールと読み込みとデータのインポート
注:パッケージ rms15とcmprsk16 (http://www.r-project.org/) を使用して R ソフトウェア (バージョン 3.5.3) に基づいて次の手順を実行します。
<ol><li>rms と cmprsk R パッケージをインストールします。 >インストール.パッケージ("rms") >インストール.パッケージ(「cmprsk」)
</li>
	<li>R パッケージを読み込みます。 >ライブラリ("rms") >ライブラリ(「cmprsk」)
</li>
	<li>コホートデータをインポートします。 >データセット<-read.csv(../コホートデータ.csv") # コホートデータは例です
</li>
</ol>3. Cox比例ハザード回帰モデルに基づくノモグラム
<ol><li>Cox比例ハザード回帰モデルを確立します。 注: 独立変数 (X) には、カテゴリ変数 (人種などのダミー変数) と連続変数 (年齢など) が含まれます。単変数分析で有意な因子は、多変数分析での使用に対して選択されます。<ol>
<li>Cox比例ハザードモデルをデータに適合させます。関数 cphを使用して Cox 比例ハード回帰モデルを確立します。R の簡易形式は以下のとおりです。 > f0 <- cph(生存月、ステータス)~因子1+因子2+、, x=T, y=T, サーヴ=T, データ=データセット) 注: デスは、コード例のステータスとして設定されています。</li>
	</ol>
</li>
	<li>以下に説明するコマンドを使用して、Cox回帰のノモグラムを開発します。 > ノム <- ノモグラム(f0, fun=list(関数)surv(24, x))、ファンラベル=c(「2年間予測生存率」)、最大スケール=100、fun.at) > プロット (ノム) 注: 2 年の予測生存率を例として考えます。</li>
</ol>4. 競合リスク回帰モデルに基づくノモグラム
<ol><li>競合するリスク回帰モデルを確立します。<ol>
<li>競合するリスク回帰モデルに適合します。読者は、重要と考える要因を含めることができ、このステップはスキップされる可能性があります。この例では、ユニ変数分析で有意な因子が含まれています。 注: 検閲変数は、対象イベントの場合は 1、競合するリスク イベントの場合は 2 としてコード化されます。分析を容易にするために、Scrucca et al.17 は、因子から指標変数の行列を作成するR関数 factor2ind()を提供する。</li>
		<li>カテゴリ変数の場合は、競合するモデルに含めるときに数値を慎重にコーディングします。つまり、J レベルで構成されるカテゴリ変数の場合は、J-1 ダミー変数または標識変数を作成します。</li>
		<li>競合するリスク回帰モデルを確立するには、まず予後変数をマトリックスに配置します。関数 cbind() を使用して、変数を列で連結し、競合する回帰モデルに適合させます。 >x <-cbind(因子2ind(因子1、"1")、因子2ind(因子2、"1")) > mod<- crr (サバイバル月、ステータス、フェイルコード=1または2、cov1=x)
</li>
	</ol>
</li>
	<li>競合するノモグラムをプロットする 注: β値 (β値) は、Cox 比例ハザード回帰の式における変量 (X) の回帰係数です。X.score (従属変数の包括的な効果) および X.real (たとえば、60 か月の特別なタイムポイントで累積発生率関数を予測する) は Cox 回帰モデルから計算され、その後、ノモグラムが確立されます。<ol>
<li>関数 のノモグラム を使用して Cox nom を構築します (ステップ 3.2 に示すように)。</li>
		<li>X.beta と X.point、競合するリスク回帰モデルの合計.ポイント、X.real、および X.score を置き換えます。<ol>
<li>ベースライン cif を取得します。詳細については 、補足ファイル 2 を参照してください。 > x0=x > x0 <- as.matrix(x0) > lhat <- マトリックス(0, nrow = 長さ(mod$uftime), ncol = nrow(x0)) > (j in 1:nrow(x0)) lhat[, j] <- cumsum (exp(合計(x0[j, ] * mod$coef)) * mod$bfitj) > ラト <- cbind(モッズ$uftime, 1 - exp(-lhat)) > suv<-as.data.frame(ラト) > コルネーム(suv)<-c(「時間」) > line24<-(suv$time=="24") > cif.min24<-suv[line24,min(suv[line24,])
</li>
			<li>X.beta と X.point を交換してください。 > lmaxbeta<---これは.max(アブス(モッズ$コーフ)) > マックスベータとlt;-abs(モッズ$coef[lmaxbeta]) > レース0<-0 > 名前(レース0)<-"レース:1" > レース.β<-c(レース0、mod$coef[c("レース:2","レース:3")] ) > レース.β.min<レース.ベータ[どの分(レース.ベータ) > レース.β1<レース.ベータレース.β.min > race.scale<-(レース.beta1/maxbeta*100) # スケールの計算方法 > ノム$レース$Xbeta<レース.beta1 > ノム$レース$ポイント<レース.スケール 注:例としてレースを取る。</li>
			<li>合計 X.point と X.real を置き換えます。 > ノム$合計.ポイント$x<-c(0,50,100,.) > real.2y<-c (0.01,0.1,0.2,...) メモ: 置換は、ミニマックスの値に従います。</li>
			<li>X.score を計算し、ノモグラムをプロットします。 > score.2y<-log(ログ((1-real.2y)(1-cif.min24)))/(マックスベータ/100) > ノム$'2年生存'$x<-score.2y > ノム$'2年生存'$x.real<-real.2y > ノム$'2年生存'$fat<-as.character(real.2y) > プロット(ノム) 注: X.score=log((1-X.real)、(1-cif0))/(maxbeta/100)。X.score と X.real の関係の方程式は、競合するモデルの本質的な帰属 (crr) に従って計算できます。Cif0 はベースライン cif を意味し、predict.crr 関数によって計算されます。</li>
		</ol>
</li>
	</ol>
</li>
</ol>5. グループリスクスコア(GRS)に基づくサブグループ分析
<ol><li>リスク スコア (RS) を計算します。 注:各変数のポイントを合計して、各患者のリスクスコアを計算します。カットオフ値は、コホートの分類に使用されます。3 つのサブグループを例として使用し、パッケージ メタ を使用してフォレストプロットを描画します。<ol>
<li>R パッケージのインストールと読み込み > インストール.パッケージ(「メタ」) > ライブラリ(「メタ」)
</li>
		<li>GRSを取得し、コホートを3つのサブグループに分割します。 > d1<-データセット > d1$X<-nom$X$ポイント > #For例, d1$race[d1$race==1]<-nom$race$point[1] > d1$RS<-d1$レース + d1$結婚 + d1$占体 + d1$grademodify + d1$T分類 + d1$N分類 > d1$GRS<- カット(d1$RS、分位数(d1$RS、seq(0、1,1/3))、次の.lowest = TRUE、ラベル = 1:3)</li>
		<li>森林プロットを描画します。関数 crr を介して HR、LCI、UCI を取得します。 > サブグループ<-crr(ftime、fstatus、cov1、フェイルコード=1) > HR<- 概要(サブグループ)$conf.int[1] > LCI<- 要約(サブグループ)$conf.int[3] > UCI<- サマリー(サブグループ)$conf.int[4] > LABxx<-c(「リスクが低い」、「リスクの中央値」、「ハイリスク」) > xx<-メタジェン(ログ(HR)、下側= ログ(LCI)、上側=ログ(UCI)、スタッドラボ = LABxx、sm = "HR") > フォレスト(xx, col.square = "黒", ヘッツタット =TRUE, 左コル = "スタッドラボ")
</li>
	</ol>
</li>
</ol>

<ol><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>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>Kim, H. T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Cumulative+incidence+in+competing+risks+data+and+competing+risks+regression+analysis%5BTitle%5D)+AND+%22Clinical+Cancer+Research%22%5BJournal%5D)">Cumulative incidence in competing risks data and competing risks regression analysis.</a> Clinical Cancer Research. 13, 2 Pt 1 559-565 (2007).</li>
<li>Balachandran, V. P., Gonen, M., Smith, J. J., DeMatteo, R. P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Nomograms+in+oncology%3A+more+than+meets+the+eye%5BTitle%5D)+AND+%22Lancet+Oncology%22%5BJournal%5D)">Nomograms in oncology: more than meets the eye.</a> Lancet Oncology. 16 (4), 173-180 (2015).</li>
<li>Han, D. S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Nomogram+predicting+long-term+survival+after+d2+gastrectomy+for+gastric+cancer%5BTitle%5D)+AND+%22Journal+of+Clinical+Oncology%22%5BJournal%5D)">Nomogram predicting long-term survival after d2 gastrectomy for gastric cancer.</a> Journal of Clinical Oncology. 30 (31), 3834-3840 (2012).</li>
<li>Karakiewicz, P. I., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Multi-institutional+validation+of+a+new+renal+cancer-specific+survival+nomogram%5BTitle%5D)+AND+%22Journal+of+Clinical+Oncology%22%5BJournal%5D)">Multi-institutional validation of a new renal cancer-specific survival nomogram.</a> Journal of Clinical Oncology. 25 (11), 1316-1322 (2007).</li>
<li>Liang, W., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Development+and+validation+of+a+nomogram+for+predicting+survival+in+patients+with+resected+non-small-cell+lung+cancer%5BTitle%5D)+AND+%22Journal+of+Clinical+Oncology%22%5BJournal%5D)">Development and validation of a nomogram for predicting survival in patients with resected non-small-cell lung cancer.</a> Journal of Clinical Oncology. 33 (8), 861-869 (2015).</li>
<li>Valentini, V., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Nomograms+for+predicting+local+recurrence%2C+distant+metastases%2C+and+overall+survival+for+patients+with+locally+advanced+rectal+cancer+on+the+basis+of+European+randomized+clinical+trials%5BTitle%5D)+AND+%22Journal+of+Clinical+Oncology%22%5BJournal%5D)">Nomograms for predicting local recurrence, distant metastases, and overall survival for patients with locally advanced rectal cancer on the basis of European randomized clinical trials.</a> Journal of Clinical Oncology. 29 (23), 3163-3172 (2011).</li>
<li>Iasonos, A., Schrag, D., Raj, G. V., Panageas, K. S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((How+to+build+and+interpret+a+nomogram+for+cancer+prognosis%5BTitle%5D)+AND+%22Journal+of+Clinical+Oncology%22%5BJournal%5D)">How to build and interpret a nomogram for cancer prognosis.</a> Journal of Clinical Oncology. 26 (8), 1364-1370 (2008).</li>
<li>Chisholm, J. C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Prognostic+factors+after+relapse+in+nonmetastatic+rhabdomyosarcoma%3A+a+nomogram+to+better+define+patients+who+can+be+salvaged+with+further+therapy%5BTitle%5D)+AND+%22Journal+of+Clinical+Oncology%22%5BJournal%5D)">Prognostic factors after relapse in nonmetastatic rhabdomyosarcoma: a nomogram to better define patients who can be salvaged with further therapy.</a> Journal of Clinical Oncology. 29 (10), 1319-1325 (2011).</li>
<li>Brockman, J. A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Nomogram+Predicting+Prostate+Cancer-specific+Mortality+for+Men+with+Biochemical+Recurrence+After+Radical+Prostatectomy%5BTitle%5D)+AND+%22European+Urology%22%5BJournal%5D)">Nomogram Predicting Prostate Cancer-specific Mortality for Men with Biochemical Recurrence After Radical Prostatectomy.</a> European Urology. 67 (6), 1160-1167 (2015).</li>
<li>Zhou, H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Nomogram+to+Predict+Cause-Specific+Mortality+in+Patients+With+Surgically+Resected+Stage+I+Non-Small-Cell+Lung+Cancer%3A+A+Competing+Risk+Analysis%5BTitle%5D)+AND+%22Clinical+Lung+Cancer%22%5BJournal%5D)">Nomogram to Predict Cause-Specific Mortality in Patients With Surgically Resected Stage I Non-Small-Cell Lung Cancer: A Competing Risk Analysis.</a> Clinical Lung Cancer. 19 (2), 195-203 (2018).</li>
<li>Fu, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((De-escalating+chemotherapy+for+stage+II+colon+cancer%5BTitle%5D)+AND+%22Therapeutic+Advances+in+Gastroenterology%22%5BJournal%5D)">De-escalating chemotherapy for stage II colon cancer.</a> Therapeutic Advances in Gastroenterology. 12, 1756284819867553(2019).</li>
<li>Chen, D., Li, J., Chong, J. K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Hazards+regression+for+freemium+products+and+services%3A+a+competing+risks+approach%5BTitle%5D)+AND+%22Journal+of+Statistical+Computation+and+Simulation%22%5BJournal%5D)">Hazards regression for freemium products and services: a competing risks approach.</a> Journal of Statistical Computation and Simulation. 87 (9), 1863-1876 (2017).</li>
<li>Frank, E., H, J. rms: Regression Modeling Strategies. R package version 5.1-2. , Available from: 
 <a target="_blank" href="https://CRAN.R-project.org/package=rms">https://CRAN.R-project.org/package=rms</a> (2018).</li>
<li>Gray, B. cmprsk: Subdistribution Analysis of Competing Risks. R package version 2.2-7. , Available from: 
 <a target="_blank" href="https://CRAN.R-project.org/package=cmprsk">https://CRAN.R-project.org/package=cmprsk</a> (2014).</li>
<li>Scrucca, L., Santucci, A., Aversa, F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Regression+modeling+of+competing+risk+using+R%3A+an+in+depth+guide+for+clinicians%5BTitle%5D)+AND+%22Bone+Marrow+Transplantation%22%5BJournal%5D)">Regression modeling of competing risk using R: an in depth guide for clinicians.</a> Bone Marrow Transplantation. 45 (9), 1388-1395 (2010).</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+in+Translational+Medicine%22%5BJournal%5D)">Nomogram for survival analysis in the presence of competing risks.</a> Annals in Translational Medicine. 5 (20), 403(2017).</li>
<li>Geskus, R. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Cause-specific+cumulative+incidence+estimation+and+the+fine+and+gray+model+under+both+left+truncation+and+right+censoring%5BTitle%5D)+AND+%22Biometrics%22%5BJournal%5D)">Cause-specific cumulative incidence estimation and the fine and gray model under both left truncation and right censoring.</a> Biometrics. 67 (1), 39-49 (2011).</li>
<li>Fu, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Young-onset+breast+cancer%3A+a+poor+prognosis+only+exists+in+low-risk+patients%5BTitle%5D)+AND+%22Journal+of+Cancer%22%5BJournal%5D)">Young-onset breast cancer: a poor prognosis only exists in low-risk patients.</a> Journal of Cancer. 10 (14), 3124-3132 (2019).</li>
<li>de Glas, N. A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Performing+Survival+Analyses+in+the+Presence+of+Competing+Risks%3A+A+Clinical+Example+in+Older+Breast+Cancer+Patients%5BTitle%5D)+AND+%22Journal+of+the+National+Cancer+Institute%22%5BJournal%5D)">Performing Survival Analyses in the Presence of Competing Risks: A Clinical Example in Older Breast Cancer Patients.</a> Journal of the National Cancer Institute. 108 (5), (2016).</li>
</ol>

現在の研究の全体的な目標は、現実世界の病気を記述できる特定の競合するリスクノモグラムを確立し、臨床医が治療の決定にアプローチするための便利な個々の評価モデルを開発することです。ここでは、Cox回帰モデルと競合するリスク回帰モデルに基づいてノモグラムを確立し、さらにサブグループ分析を実行するためのステップバイステップチュートリアルを提供します。Zhangら18は競合するリスクのノモグラムを作り出すアプローチを導入したが、この論文に記載されている方法論の主な概念は全く異なる。Zhangらのメソッドは、まずmstateパッケージ19のcrprep()関数によって元のデータを加重データに変換し、rmsパッケージによってノモグラムを描画した。しかし、この方法のコア概念は、その概念とは全く異なります。簡単に言えば、cphによって生成されたパラメータを関数crrの結果に置き換え、Coxノモグラムのフレームに競合するリスクノモグラムを描画します。この方法では、Cox の...

イベント生存解析の時間は、臨床試験で非常に一般的です。生存データは、開始時刻から対象イベントの発生までの時間を測定しますが、関心のあるイベントの発生は別のイベントによって排除されることがよくあります。複数のタイプのエンド ポイントが存在する場合、それらは競合するリスクの終了点と呼ばれます。この場合、標準ハザード分析(すなわち、Cox比例原因特異的ハザードモデル)は、別のタイプの事象を経験している個人が検閲されるため、しばしばうまく機能しない。競合するイベントを経験する個人は、通常、競合するリスクが独立していないため、リスクセットに残ることが多いです。したがって、Fine と Gray1 は、競合するリスクのサブ分布の回帰モデル推定を調査しました。競合するリスク設定では、3 種類のイベントを識別できます。
1つは、疾患に対する新しい治療法から直接的な臨床的利益を示すことによって、全生存期間(OS)を測定する。OSは、生年月日(すなわち、診断または治療の時間)から死亡時まで、死因の絶対的なリスクを一般に評価し、それにより死因(例えば、癌特異的死(CSD)または非癌特異的死(非CSD))を区別できない。したがって、OS は最も重要なエンドポイントと見なされます。関心のある事象はしばしば癌に関連し、心臓病、交通事故、その他の無関係な原因を含む非癌特異的事象は競合する事象とみなされる。より長く生き残ることが期待される良好な予後を有する悪性患者は、しばしば非CSDのリスクが高い。つまり、OSは他の死因によって希釈され、臨床治療の実際の有効性を正しく解釈することができません。したがって、OSは疾患3の結果にアクセスするための最適な尺度ではないかもしれません。このようなバイアスは、競合するリスク回帰モデルによって修正できます。
競合するリスク データには、原因固有の危険モデル (Cox モデル) とサブディストリビューションハザード モデル (競合モデル) の 2 つの主要な方法があります。以下のプロトコルでは、原因特異的ハザードモデルとサブ分布ハザードモデルに基づいてノモグラムを生成する2つの方法を提示する。原因固有のハザード モデルは、競合イベントが発生した時点で、競合するイベントを経験する対象を検閲として扱う Cox 比例ハザード モデルに適合するようにできます。1999年にFineとGray1 によって導入されたサブディストリビューションハザードモデルでは、3種類のイベントを差別することができ、競合するイベントを経験する個人は永遠に危険にさらされたままです。
ノモグラムは、3つ以上の変数4の関係を数学的に表したものです。医学のノモグラムは、生物学的および臨床的事象を変数(例えば、腫瘍グレードおよび患者年齢)と考え、特定の個人の統計的予後モデルとしてグラフィカルに描かれた臨床事象(例えば、癌の再発または死亡)の確率を生成する。一般に、ノモグラムはCox,比例ハザードモデル5、6、7、8、9、106,の結果に基づいて策定,8,9される。5710
ただし、競合するリスクが存在する場合、Cox モデルに基づくノモグラムがうまく機能しない場合があります。いくつかの以前の研究11,,12,,13,,14 CSD の確率を推定するために競合するリスクノモグラムを適用しているが、いくつかの研究は、競合するリスク回帰モデルに基づいてノモグラムを確立する方法を説明しており、これを達成するために利用可能な既存のパッケージはありません。したがって、以下に示す方法は、競合するリスク回帰モデルに基づいて特定の競合リスクノモグラムを確立するためのステップバイステップのプロトコルと、治療意思決定における臨床医を支援するためのリスクスコア推定を提供する。

生存データの競合リスク回帰ノモグラムモデルの確立

Establishing a Competing Risk Regression Nomogram Model for Survival Data

カプラン-マイヤー法とCox比例ハザード回帰モデルは、生存フレームワークの中で最も一般的な分析です。これらは比較的簡単に適用および解釈でき、視覚的に描写することができます。しかし、競合する事象(例えば、心血管事故や脳血管事故、治療関連死、交通事故)が存在する場合、標準的な生存方法は慎重に適用する必要があり、実際のデータは正しく解釈できません。失敗を引き起こし、分析で異なる方法で処理するさまざまな種類のイベントを区別することが望ましい場合があります。ここでは、競合する回帰モデルを使用して、競合する事象が存在する場合に有意な予後因子または危険因子を特定する方法に焦点を当てています。さらに、比例ハザード回帰モデルと競合する回帰モデルに基づくノモグラムが確立され、臨床医が個々の評価とリスク階層化を行い、論争の的となっている要因が予後に及ぼす影響を説明するのに役立ちます。

例コホートの生存特性 例コホートでは、合計8,550人の適格な患者が分析に含まれ、中央値のフォローアップ時間は88ヶ月(範囲、1〜95ヶ月)であった。合計679 (7.94%)患者は40歳未満、7,871人(92.06%)であった患者は40歳以上であった。裁判の終わりに、7,483 (87.52%)患者はまだ生きていた、662(7.74%)乳癌で死亡し、405人(4.74%)患者は他の原因(競合するリスク)のために死亡した。
2つの生存モデルの比較 腫瘍死亡/腫瘍死亡なしおよび競合する事象の累積発生率は、それぞれカプランマイヤー法と競合するリスク回帰機能によって計算された( 図1を参照)。 図1に示すように、カプランマイヤー法で計算された腫瘍死亡の累積発生率と腫瘍死亡の総計は、全死亡原因の推定値の合計よりも高く、競合する方法を用いたCSDの累積発生率と等しかった。明らかに、カプランマイ...

ここで提示されるプロトコルは、Cox比例ハザード回帰モデルと競合するリスク回帰モデルに基づいてノモグラムを構築するためのプロトコルです。競合する方法は、生存解析に競合する事象が存在する場合に適用する、より合理的な方法です。

The Kaplan&#8211;Meier method and Cox proportional hazards regression model are the most common analyses in the survival framework. These are relatively ...

これは、交通事故などの競合する事象が生存解析で通過する場合に適用するより合理的な方法である競合するリスク回帰モデルに基づいて、通常の認可に対処するためのプロトコルです。私たちの競合するイベントを経験した個人は、多くの場合、競合するリスクは通常独立していないというリスクを思い出させています。競合する通常の許可は、分析中の個人のイベントをテストする確率を評価する方が適切です。RMSと競合するリスクRパッケージをインストールした後、それらをロードし、コホートデータをインポートコックス比例ハザード回帰モデルを確立するには、CPH関数を使用してモデルをデータに適合させ、Cox回帰ノモグラムを開発し、2年間の予測生存率を例として取ります。R のメタ パッケージを使用して、リスク スコアを計算し、フォレスト プロットを描画します。Rパッケージをインストールしてロードした後、グループリスクスコア、またはGRSを取得し、コホートを3つのサブグループに分割します。次に森林プロットを描き、CRR関数を用いて危険度を低くする能力間隔と上限信頼区間を求める。競合するリスク回帰モデルを確立するには、まず予後変数をマトリックスに配置します。Cbind 関数を使用して、変数を列ごとに連結し、モデルに収めます。次に、ノモグラム関数を使用して Cox Nome を構築します。ベースライン累積インシデント関数(CIF)を取得し、競合するリスク回帰モデルのXベータとXポイントを置き換えます。Xリールの合計X点を交換し、Xスコアを計算して、ノモグラムをプロットします。X スコアと X レール関係の方程式は、競合するモデルの本質的な帰属に従って計算できます。CIFゼロは、予測CRR関数によって計算されるベースラインCIFを意味します。例では、合計8人のコホートで、550人の適格な患者が分析に含まれ、中央値のフォローアップ時間は88ヶ月であった。腫瘍死亡の累積発生率と腫瘍死亡なしおよび競合する事象は、それぞれカプランマイヤー法と競合するリスク回帰機能によるものであった。カプランマイヤー法で計算された腫瘍死亡と腫瘍死亡の累積発生率の合計は、競合する方法を使用した場合の癌特異的死亡の累積インシデントに等しい、すべての死因の推定値の合計よりも高かった。ノモグラムは、婚姻状況、人種、組織学的タイプ、差別化グレード、T分類、N分類を含む有意な要因に基づいてCox比例回帰モデルを使用して構築された。また、競合するリスク回帰モデルを使用してノモグラムを構築しました。リスクスコアに基づいて、コホートは3つのサブグループに分類されました:低リスク、中リスク、および高リスク。森林プロットは、グループリスクスコアと特定の要因との相互作用を明確に示すために使用されました。年齢を考えると、低リスク群だけが若い女性に対して悪い予後を示し、若い年齢が中および高リスク群の予後の保護因子として作用する可能性があることを示した。このプロトコルを試みるとき、イベント分析の10の異なる生存モデルを完全に理解することが重要であり、ツールは個別のガイダンスのために適切に習得されます。モデルの性能は、差別と口径の配給性能の観点から評価されます。この手順に従って、較正曲線と同じギャップは、競合する通常の交付の効率を検証するパフォーマンスになります。

establishing-competing-risk-regression-nomogram-model-for-survival

Research

JoVE Journal

Cancer Research

がん研究

本プロトコルは、競合するリスクモデルの識別および較正能力を評価するためのRのコード、およびその内部および外部の検証のためのコードを記述しています。...

競合リスクモデルのRベースのランドスケープ検証

この研究では、男性の性別、腫瘍の悪性度の低下、および進行した腫瘍リンパ節転移の病期が、手術後の複数の原発性結腸直腸癌(MPCC)患者の癌特異的生存率(CSS)の低下と関連していることがわかりました。MPCC患者のCSSを予測し、臨床治療の意思決定に貢献するためのノモグラムを開発しました。...

手術後の多発性原発性結腸直腸癌患者における癌特異的生存を予測するための競合リスクノモグラム

この研究では、機械学習モデルと競合するリスク分析を使用して、結腸直腸記号リング細胞癌患者の予後システムを評価します。これは、pN病期分類と比較して優れた予測因子として陽性リンパ節の対数オッズを特定し、強力な予測パフォーマンスを示し、堅牢な生存予測ツールを通じて臨床上の意思決定を支援します。...

機械学習モデルに基づく大腸印指輪癌における3リンパ節病期分類システムの予測性能の比較

Mime は、機械学習ベースの統合モデルをエレガントなパフォーマンスで構築するための柔軟な計算フレームワークです。ここでは、複雑なデータセットを活用して、疾患の進行、患者の転帰、治療反応に関連する重要な遺伝子を特定し、高精度の予測モデルを開発するための詳細なステップバイステップの手順を提供します。...

MIMEベースの機械学習フレームワークを用いたモデルの構築と可視化

デュアル抵抗性 EGFR TKI と癌細胞における MET TKI を確立するための in vitro法が説明されています。このメソッドは、MET 増幅による EGFR TKI 治療にもかかわらず病気の進行を展示、egfr...

肺腺癌細胞の in Vitro 2 ステップ増量の手順でデュアル抵抗性 EGFR TKI と会った TKI の確立

ここで、彼らの 3 次元形状に基づく健康と病理組織学的細胞の同定を可能にするワークフローを提供します。我々 は, 細胞集団の客観的クラスタ リングを提供する自己組織化マップを訓練する 3D サーフェスに基づいて 2D...

健康と病理の間の区別の形態に基づく細胞利用のフーリエ変換と自己組織化マップ

遺伝子機能の研究に興味の遺伝子を過剰発現安定細胞株を確立することは、株それらを介してレトロ ウイルス感染後安定したトランスフェクション ピッキング単一クローンによって行うことができます。この方法で生成される DR3 HT29 細胞が死受容体 3 (DR3) antimitotics...

抗有糸分裂治療に対するアポトーシス応答を評価するために DR3 を過剰発現細胞株の確立

本研究は、緑色蛍光タンパク質および生物発光シグナルの検出と定量的分子検出技術の統合によって腫瘍負荷を正確に評価するための高度なプロトコルをプリセットする。...

交感性乳癌モデルを用いたトリプルネガティブ乳癌の研究

ここでは、神経膠芽腫に対する使いやすい侵入アッセイについて述べています。このアッセイは、神経膠芽腫幹細胞に適しています。侵略、移動、および拡散を容易に定量化するためのフィジーのマクロも説明されています。...

神経膠芽腫の3次元スフェロイドモデル

本論文では、非侵襲的な液体生検法の詳細なプロトコルを紹介し、血液採取、血漿およびバフィーコート分離、cfDNAおよび生殖系列DNA抽出、cfDNAまたは生殖系列DNAの定量、cfDNA断片濃縮分析を含む。...

がん患者の血漿サンプルにおける無細胞DNAの検出

学ぶ競合リスク回帰モデルを用いたノモグラム構築法。Rパッケージを使用し、Cox比例ハザードモデルと競合イベントを考慮した生存確率の評価手法を解説します。

生存データの競合リスク回帰ノモグラムモデルの確立

さらに動画を探す