Name: 競合リスクモデルのRベースのランドスケープ検証 (動画) | JoVE Journal
Uploaded: 2022-09-16T13:10:00.000+00:00
Duration: 5 min 37 s
Description: 学ぶ競合リスクモデルのRベースの検証手法。C-indexやAUCを用いた識別性能評価とブートストラップ法による内部検証、外部検証の実装方法を解説。生存分析における統計モデルの精度向上に役立つ。

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、浙江省の医療科学技術計画プロジェクト(助成金番号2013KYA212)、浙江省自然科学財団の一般プログラム(助成金番号Y19H160126)、および金華市科学技術局の主要プログラム(助成金番号2016-3-005、2018-3-001d、および2019-3-013)からの助成金によって支援されました。

Surveillance, Epidemiology, and End Results(SEER)データベースは、匿名化された患者データのみを含むオープンアクセスのがんデータベースです(SEER ID:12296-Nov2018)。したがって、この研究は、浙江大学医学部附属金華病院の審査委員会の承認を免除されました。
1. データの準備と R パッケージの準備
<ol><li>データを準備してインポートします。 > データセット <- read.csv(".../Breast cancer Data.xlsx") #Import データ。 注:データは 補足ファイル1にアップロードされます。</li>
	<li>R パッケージをインストールして読み込みます。 > パッケージ <- c("rms","cmprsk","mstate","survival","riskRegression"," プロドリム」) > req.pcg <- function(pcg){ 新しい<- PCG[!(pcg %in% installed.packages()[, "Package"]] if (length(new)) install.packages(new, dependencies = T) sapply(pcg, require, ch = T) } > req.pcg(パッケージ) 注: R ソフトウェア (バージョン 3.6.2) に基づいて、rms、 cmprsk、 mstate、 survival、 riskRegression、および prodlim (http://www.r-projectrg/) パッケージを使用して、次の手順を実行します。</li>
</ol>2. 競合するリスクノモグラムを2つの異なる方法で確立する
<ol><li>競合するリスクノモグラムを直接法で確立します。 > mod_cph <- cph(Surv(生存月数、ステータス)~ファクター1+ ファクター2+...、 x=T, y=T, surv=T, data=Dataset) > nom <- nomogram(mod_cph, fun=list(function(x) 1-surv_cph(36, x)...), funlabel=c("3 年 event1 Prob."...)、lp = F) #Take 例として36か月目です。 > mod_crr <- crr(サバイバル月、ステータス、フェイルコード= 1、cov1 = cov) > スコア <- log(log((1-real.3y),(1-cif.min36))))/(maxbeta/100) >プロット(名目)</li>
	<li>重み付けされた方法で競合するリスクノモグラムを確立します。 > df.w <- crprep("Survivalmonths"", fstatus", データ=データセット, トランス=c(1,2), cens=0, keep=c("factor1"," factor2"...)) > 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. 競合リスクノモグラムの識別能力
<ol><li>識別のためのCインデックス<ol><li>行列 cov を競合するリスクモデル mod_crr に適合させ、予測行列 suvを取得します。 > SUV <- predict.crr(mod_crr, cov)</li>
		<li>suv から特定の月の累積発生率を取得し、関数 rcorr.censを使用して C インデックスを計算します。 > CIF36 <- SUV[which(suv[,1]==36),][-1] > rcorr <- rcorr.cens(1-cif36,Surv(Dataset$Survivalmonths,Dataset$tumordeath)) > CINDEX <- rcorr[1]</li>
	</ol></li>
	<li>差別のためのAUC<ol><li>関数 Score (riskRegression パッケージ) を使用して、競合するリスク モデルの予測パフォーマンスをスコアリングします。 > fgr.w <- FGR(Hist(生存月数, fstatus) ~ 因子1+ 因子2+..., データ=データセット, 原因=1) >スコア<-スコア(リスト("ファイングレー" = fgr.w),</li>
		<li>「スコア」からAUCを抽出します。 >スコア$AUC</li>
	</ol></li>
</ol>4. 競合するリスクモデルの較正能力
<ol><li>競合リスクモデルの95%信頼区間を持つ検量線<ol><li>特定の故障時間における各個人の累積発生率を含むデータフレームを取得します。 > cif36 <- data.frame(cif36) #Take 例として 36 か月目です。 > colnames(cif36.36_o)<-c("36m")</li>
		<li>推定累積発生率に従ってコホートを5つのサブグループに分割し、各サブグループの平均予測累積発生率を計算します。 >グループ36<カット(CIF36$'36M'、 分位点(CIF36$'36M', seq(0, 1, 0.2)), インクルード.最低 = TRUE、ラベル = 1:5) > mean36 <- as.vector(by(cif36 $'36m', group36, mean))</li>
		<li>関数 cuminc を使用して観測された累積発生率、つまり実際の累積発生率を計算し、特定の故障時間に 95% の信頼区間で観測された累積発生率を取得します。 > cum36 <- cuminc(Dataset$Survivalmonths,Dataset$fstatus,group36) > obs36 <- timepoints(cum36,Dataset$Survivalmonths)$est[c(1:5),36] > obs36var <- timepoints(cum36,Dataset$Survivalmonths)$var[c(1:5),36] > DF <- data.frame(mean36, obs36, obs36var)</li>
		<li>関数 ggplotを使用して、予測累積発生率をx軸、観測された累積発生率をy軸として検量線をプロットします。 > ggplot(df)+ geom_point(aes(x=mean36,y=obs36),col="red")+ geom_point(aes(x=mean36,y=obs36),col="red",pch=4)+ geom_line(col="red",aes(x=mean36,y=obs36))+ geom_errorbar(col="red",aes(x=mean36,y=obs36+1.96 *sqrt(obs36var)), ymin = obs36-1.96*sqrt(obs36var), ymax = obs36+1.96 *sqrt(obs36var)) geom_abline(lty=3,lwd=2,col=c(rgb(0,118,192, 最大カラー値= 255)))</li>
	</ol></li>
	<li>競合するリスクモデルのリスクスコアを含む検量線<ol><li>すべての変数の各水準を評価し、合計RSを取得します。 > Dataset$factor1[Dataset$factor1==1] <- factor1.scale["Factor1_level1"] > ... #For 例: Dataset$histology[Dataset$histology==1]<-histology.scale["histology1"] > Dataset$rs <- Dataset$factor1+Dataset$factor2+Dataset$factor3+... 注:各変数の点を合計して、各患者の合計RSを取得します。</li>
		<li>頻度をカウントし、さまざまな合計リスクスコアの観測された累積発生率を計算します。 > rs.freq <- as.data.frame(table(Dataset$rs)) > obs.36 <- vector(mode="numeric", length=nrow(rs.freq)) > for (i in 1: nrow(rs.freq)) { データセット <- サブセット(Dataset,Dataset$rs== rs.freq [i,1]) cif.dataset <- cuminc(dataset$Survivalmonths,dataset$death3) CIF36.データセット <- タイムポイント(CIF.データセット,36) obs.36[i] <- cif36.dataset$est[1]}</li>
		<li>X 軸の範囲を設定し、合計リスク スコアの予測累積発生率を計算します。 > RS <- 範囲(nom$total.points) > x.36 <- seq(min(rs),max(RS),0.01) > 36 より前 <- 1-(1-CIF.min36)^exp(x.36*maxbeta/100)</li>
		<li>リスクスコアを含む検量線をプロットします。 > プロット(x.36, pre.36, type='l'...) > par(new=TRUE) > plot(as.vector(rs.freq[,1]), obs.36...)</li>
	</ol></li>
</ol>5. 競合リスクモデルの決定曲線分析
<ol><li>stdca 関数をソースにして、決定曲線分析を実行します。 > source("stdca.R")</li>
	<li>ノモグラムから多項式方程式を抽出して、生存確率を計算します。 > ノモグラムEx(ノモ=ノム) > データセット$予測変数 <- A * (データセット$rs ^3) + B * (データセット$rs ^2) + C * データセット$rs + D #predictors は、確立されたノモグラムによって計算されたがん特異的死亡の予測確率です</li>
	<li>ディシジョンカーブ分析を実行します。 > stdca(data = Dataset, result = "status", ttresult = "Survivalmonths", timepoint = 36, 予測変数 = "予測変数", cmprsk = 真, 平滑 = 偽, 確率 = 偽) 注: 競合するリスクが存在する場合に結果を評価するには、 cmprsk に対して TRUE を選択する必要があります。</li>
</ol>6. ブートストラップ方式による内部バリデーション
<ol><li>ブートストラップ法を使用して、予測される平均累積発生率を取得します。<ol><li>元のデータセット (Dataset) を replace でリサンプリングして、ブートストラップ データセット (Dataset_in) を生成します。ブートストラップデータセットを使用して競合リスクモデル(mod.in_crr)を確立します。 関数 predict.crr を使用してmod.in_crrを予測し 、 b 回ループして suvall.in を生成します。 B=b suvall.in <- リスト() for(j in 1:B){ Dataset_in <- Dataset[sample(c(1:nrow(Dataset))),nrow(Dataset), 置換 = TRUE),] アタッチ(Dataset_インチ) cov.in <- model.matrix(~factor1+ factor2+...)[,-1] モッズ。in _crr <- crr(Survivalmonths, fstatus, failcode = 1, cov1=cov.in) デタッチ(データセット内部) スーブ。in <- predict.crr(mod. in _crr, cov) suvall.in[[j]] <- suv.in}</li>
		<li>特定の月の平均予測累積発生率を取得します。 CIF36すべて。 内部 <ベクトル(モード="数値", 長さ=nrow(データセット)) for (k in 1:B) { CIF36すべて。内部< - CIF36すべて。インナー+スバル。inner[[k]][which(suvall. inner[[k]][,1]==36),][-1] } cif36.in <- cif36all.in/B</li>
	</ol></li>
	<li>関数 rcorr.censによる内部交差検証を使用してCインデックスを計算します。 rcorr.inner <- rcorr.cens(1-cif36.in,Surv(Dataset$Survivalmonths,Dataset$tumordeath)) cindex.インナー<-rcorr。インナー[1]</li>
	<li>交差内部検証を使用して校正します。 注:内部検証を伴う競合リスクモデルの検量線のコードはセクション4のコードと同様ですが、 SUV は suv.in に置き換えられました。</li>
</ol>7. 競合リスクモデルの外部検証
<ol><li>外部データを使用して予測された累積発生率を取得します。外部データ変数の行列 (cov.ex) を使用して、予測された累積発生率を取得します。 suv.ex <- predict.crr(mod_crr,cov.ex) cif36.ex <- suv.ex [which(suv.ex $time=="36"),][-1]</li>
	<li>外部検証を使用して C インデックスを計算します。 rcorr.ex <- rcorr.cens(1-cif36.ex,Surv(Dataset.ex$Survivalmonths,Dataset.ex$tumordeath)) cindex.ex <- rcorr.ex[1]</li>
	<li>外部検証を使用して調整します。 注:内部検証を伴う競合リスクモデルの検量線のコードはセクション4のコードと同様ですが、 suv は suv.exに置き換えられています。</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>

著者は、競合する利益がないことを宣言します。

本研究では、2つの異なる方法で確立された競合するリスクノモグラムを比較し、確立されたノモグラムの評価と検証を実施しました。具体的には、この研究では、直接法に基づいてノモグラムを確立するためのステップバイステップのチュートリアルを提供し、Cインデックスを計算し、検量線をプロットしました。
Rソフトウェアのrmsパッケージは、Cox比例ハザードモデルの構築と評価に広く使用されていますが、競合するリスクモデルには適用されません。複数の結果を持つモデルについて、Zhangらは、識別能力を評価するためにAUCとBrierスコアを計算し、較正能力を検証するために検量線をプロットする、RソフトウェアのriskRegressionパッケージを使用して競合するリスクモデルの検証を報告しました9,10。
ただし、riskRegression パッケージには、C インデックスの計...

近年、プレシジョン・メディシンの発展に伴い、新たな予後因子が同定され、分子的要因と臨床病理学的因子を組み合わせた予後モデルが臨床現場でますます注目されています。ただし、係数値の結果を含むCox比例ハザードモデルなどの非グラフィカルモデルは、臨床医が理解することは困難です1。比較すると、ノモグラムは、回帰モデル(Cox回帰モデル、競合リスクモデルなどを含む)の視覚化ツールであり、数学関数の近似グラフィカル計算用に設計された2次元図です2。これにより、臨床モデル内のさまざまなレベルの変数の評価と、予後を予測するためのリスクスコア(RS)の計算が可能になります。
モデル評価はモデル構築に不可欠であり、評価には識別とキャリブレーションという2つの特性が一般的に受け入れられています。臨床モデルでは、識別とは、死亡した患者と生存している患者など、イベントを発症した個人と発症しない個人を分離するモデルの能力を指し、通常、一致指数(C-index)または受信者動作特性曲線(AUC)の下の領域を使用してそれを特徴付けます3,4.キャリブレーションは、モデルの予測確率と実際の確率を比較するプロセスであり、それを表すために検量線が広く使用されています。さらに、モデルの検証(内部および外部の検証)はモデル構築の重要なステップであり、検証されたモデルのみをさらに外挿することができます5。
Cox比例ハザードモデルは、予後因子と生存状態との関連を調査するために医学研究で使用される回帰モデルです。しかし、Cox比例ハザードモデルは結果の2つのステータス[Y(0, 1)]のみを考慮しますが、被験者はしばしば2つ以上のステータスに直面し、競合するリスクが発生します[Y (0, 1, 2)]1。全生存期間(OS)は、起源(治療など)から何らかの原因による死亡日までの時間として定義され、生存分析において最も重要なエンドポイントです。しかし、OSはがん特異的死亡と非がん特異的死亡(例えば、心血管イベントやその他の無関係な原因)を区別できず、競合するリスクを無視している6。このような状況では、競合リスクを考慮した生存状態の予測には競合リスクモデルが好まれます7。Cox比例ハザードモデルの構築と検証の方法論は十分に確立されていますが、競合するリスクモデルの検証に関する報告はほとんどありません。
先行研究では、特定の競合リスクノモグラム、ノモグラムと競合リスクモデルの組み合わせ、競合リスクモデルに基づくリスクスコア推定を確立しました8。この研究は、確立された競合リスクノモグラムの評価と検証のさまざまな方法を提示することを目的としており、臨床医が予測するための有用なツールとして役立つはずです 競合するリスクを考慮して。

<table><tbody><tr><td>Rソフトウェア</td><td>該当なし</td><td></td><td>バージョン3.6.2以降&nbsp;</td></tr><tr><td>コンピュータシステム</td><td>Microsoft&nbsp;</td><td>Windows 10</td><td>&nbsp;Windows 10 以降</td></tr></tbody></table>

競合リスクモデルのrベースのランドスケープ検証

An R-Based Landscape Validation of a Competing Risk Model

Cox比例ハザードモデルは、臨床現場での生存分析に広く適用されていますが、複数の生存結果に対処することはできません。従来のCox比例ハザードモデルとは異なり、競合するリスクモデルは、競合するイベントの存在と、臨床医が正確な予後予測を行うための有用なツールであるノモグラム(グラフィカル計算デバイス)との組み合わせを考慮します。本研究では、競合リスクノモグラム、すなわち、その識別能力(一致指数と曲線下面積)とキャリブレーション(検量線)能力の評価、および純利益(すなわち決定曲線分析)を確立するための方法を報告する。さらに、元のデータセットのブートストラップリサンプルを使用した内部検証と、確立された競合リスクノモグラムの外部データセットを使用した外部検証も実行され、その外挿能力が実証されました。競合リスクノモグラムは、臨床医が競合するリスクを考慮して予後を予測するための有用なツールとして役立つはずです。

本研究では、SEERデータベースから乳がん患者のデータを取得し、サンプルデータとして提供した。SEERデータベースは、米国の人口の約34.6%を占めるがんに関するデータを提供し、データベースにアクセスする許可を得ました(参照番号12296-Nov2018)。
組織型,分化グレード,T期,N期を含む2つのノモグラム(図1)を,それぞれ直接法と重み付け法を用いて樹立した。変数の各水準の点と合計点に対応する確率はほぼ同じでしたが、わずかな違いが見られました。Zhangらは、競合するリスクノモグラムを確立するための「重み付け」アプローチを導入し、最初に元のデータを重み付きデータに変換し(関数 crprepを使用)、次に重み付きデータを使用してCox回帰モデルを構築し(関数 coxphを使用)、最後にCox回帰モデルを使用して競合するリスクノモグラムを確立しました(関数 ノモグラムを使用)9.対照的に、この研究の「直接」アプローチは...

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

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

私たちのプロトコルは、生存分析における競合イベントの存在を考慮した競合リスクノモグラムの評価と検証のさまざまな方法を提示します。このプロトコルは、ブートストラップ法を使用したCインデックスの計算や内部検証など、R.Riskのリスク回帰パッケージの補足として機能します。Cインデックスの識別を開始するには、マトリックスコブを競合するリスクモデルmod CRRに適合させ、コマンドを実行して予測マトリックスSUVを取得します。SUVから特定の月の累積発生率を取得し、Rコアが送信する関数でCインデックスを計算します。AUC 識別の場合は、関数スコア、リスク回帰パッケージを使用して、競合するリスク モデルの予測パフォーマンスをスコアリングします。次に、コマンドを実行してスコアからAUCを抽出します。競合するリスクモデルの95%信頼区間で検量線を取得するには、特定の故障時間における各個人の累積発生率を含むデータフレームを取得します。次に、推定累積発生率に従ってコホートを5つのサブグループに分割し、各サブグループの平均予測累積発生率を計算します。観測された累積発生率、つまり実際の累積発生率を計算するには、関数 cuminc を使用します。次に、コマンドを実行して、特定の障害時間内に95%信頼区間で観測された累積発生率を取得します。予測累積発生率をX軸、観測累積発生率をY軸として検量線をプロットします。関数ggプロットを使用します。競合リスクモデルのリスクスコアを含む検量線については、すべての変数の各水準を評価し、コマンドを実行して合計RSを取得します。頻度をカウントし、さまざまな合計リスクスコアの観測された累積発生率を計算します。X 軸の範囲を設定し、合計リスク スコアの予測累積発生率を計算します。次に、コマンドを実行してリスクスコアを含む検量線をプロットします。ブートストラップ法を使用して平均予測累積発生率を取得するには、元のデータセット (replace を使用したデータセット) をリサンプリングして、ブートストラップ データセットを生成します。データセット内。次に、ブートストラップデータセットを使用して競合するリスクモデル:mod NCRRを確立し、関数予測CRRを使用して、ループB回でmod NCRRを予測し、SUVオールインを生成します。次に、特定の月の平均予測累積発生率を取得します。R-coreが送信する関数による間隔交差検証を使用してCインデックスを計算します。キャリブレーションでは、外部検証を使用して、外部データを使用した予測累積発生率と、外部データ変数のマトリックスを使用した累積発生率:Code-X のコマンドを実行します。次に、コマンドを実行して外部検証を使用してCインデックスを計算します。直接法と重み付け法を用いて2つのノモグラムが得られ、変数の各水準の点と合計点に対応する確率がほぼ同じであることが示されました。若干の違いは見られましたが。競合リスクモデルの検量線は等価線に近く、観測された頻度の95%信頼区間は各群で同等性線に収まりました。モデルの正確なキャリブレーション能力を示します。内部バリデーションと外部バリデーションを用いた検量線が示され、構築されたモデルは内部バリデーションでは良好なキャリブレーション能力を有するが、外部バリデーションでは貧弱であることが示された。競合リスクノモグラムの決定曲線分析の結果を得た。閾値確率の増加に伴う純利益の変化を実証する。元のデータセットの再サンプリングは、競合するリスクノモグラムの内部検証を実行する際に重要なブートストラップデータセットを生成するために置き換えられました。ブートストラップ法の他に、ランダム化表示とK4法を実行して、内部検証に使用されるデータセットを生成することもできます。競合するリスクモデルのRベースのランドスケープ検証を使用すると、臨床医は競合するリスクを考慮して、現実世界で予後分析をより簡単に実行できます。

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

Research

JoVE Journal

Cancer Research

がん研究

ツールおよび不確実な将来の状況に直面して水生システムを管理することのできる方法論のための重要な必要性があります。私たちは、シナリオ分析管理フレームワーク内で使用するための景観基準の累積効果モデルを生成するためにリソースマネージャを有効に標的と流域の評価を行うための方法を提供します。...

定量的シナリオ分析フレームワーク内の流域計画

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。...

生存データの競合リスク回帰ノモグラムモデルの確立

電子健康記録のための情報検索および抽出プラットフォームであるCogStackに基づいて、リアルタイムの精神病リスク計算およびアラートシステムを導入する方法を示します。...

CogStackを用いた電子健康記録に基づくリアルタイム精神病リスク検出およびアラートシステムの実装

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

本発明者らは、腫瘍細胞またはオルガノイドをマウスの盲腸に注入することによる同所性結腸直腸腫瘍の確立およびこのモデルからの循環腫瘍細胞（CTC）のその後の単離について記載する。...

結腸直腸癌モデルマウスにおける循環腫瘍細胞の単離

坐骨神経に同系膵癌細胞を注入することによって浸潤の体内マウス...

神経周囲浸潤のIn Vivoマウスの坐骨神経モデル

実験マウスの同所性同種 PDAC 移植の診療には、腫瘍免疫微小環境のプロファイリングを目指しています。腫瘍は、手術を介して注入したがんです。200-600 mm3の大きさの腫瘍は、収穫され、異なる蛍光標識抗体を用いて免疫マルチ マーカー FACS...

同所性同種 (同系) マウスのプライマリ KPC 膵管腺癌のフローサイトメトリーによる診療

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

提示された診断FL-DNAキットは、大腸癌病変の存在の信頼性の高い確率を決定するための時間を節約し、ユーザーフレンドリーな方法です。...

便DNA完全性検出による大腸癌リスクと罹患率の評価

学ぶ競合リスクモデルのRベースの検証手法。C-indexやAUCを用いた識別性能評価とブートストラップ法による内部検証、外部検証の実装方法を解説。生存分析における統計モデルの精度向上に役立つ。

競合リスクモデルのRベースのランドスケープ検証

さらに動画を探す