생존 데이터를 위한 경쟁 위험 회귀 Nomogram 모델 설정
2020년 10월 23일
여기에 제시된 Cox 비례 위험 회귀 모델과 경쟁 위험 회귀 모델을 기반으로 nomograms를 구축하는 프로토콜이 있습니다. 경쟁 방법은 생존 분석에 경쟁 이벤트가 있을 때 적용하는 보다 합리적인 방법입니다.
이는 생존분석에서 교통사고 와 같은 경쟁이벤트가 통과될 때 적용하는 보다 합리적인 방법인 경쟁위험회귀 모델을 기반으로 일반 보조금을 처리하는 프로토콜이다. 경쟁 적인 이벤트를 경험 한 개인은 종종 경쟁 위험이 일반적으로 독립적이지 않기 때문에 위험을 상기시키고 있습니다. 경쟁 적인 일반 보조금 분석에 있는 개별에 대 한 테스트 이벤트의 확률을 평가 하는 것이 더 적합 합니다.
RMS및 경쟁 위험 R 패키지를 설치한 후, 코호트 데이터를 로드하고 코호트 데이터를 가져와 Cox 비례 위험 회귀 모델을 설정하고, CPH 기능을 사용하여 데이터에 모델을 맞게 한 다음 콕스 회귀 nomogram을 개발하여 2년 예측 생존율을 예로 복용한다. R의 메타 패키지를 사용하여 위험 점수를 계산하고 포리스트 플롯을 그립니다. R 패키지를 설치하고 로드한 후 그룹 위험 점수 또는 GRS를 얻고 코호트를 세 개의 하위 그룹으로 나눕니다.
그런 다음 산림 플롯을 그려 위험 비율 낮은 수능 간격을 얻고 CRR 함수를 통한 상한 신뢰 구간을 얻습니다. 경쟁 위험 회귀 모델을 설정하려면 예후 변수를 행렬에 배치하여 시작합니다. Cbind 함수를 사용하여 열을 사용하여 변수를 결합하고 모델에 맞춥니까.
그런 다음 노모그램 기능을 사용하여 콕스 놈을 구성합니다. 기준 누적 인시던트 함수 또는 CIF를 얻고 경쟁 위험 회귀 모델의 X 베타 및 X 지점을 교체합니다. X 릴의 총 X 점을 교체한 다음 X 점수를 계산하고 nomogram을 플롯합니다.
X 점수 및 X 레일 관계에 대한 방정식은 경쟁 모델의 본질적인 기여에 따라 계산할 수 있습니다. CIF 0은 예측 CRR 함수에 의해 계산되는 기준 CIF를 의미합니다. 실시예에서 총 8, 550명의 적격 환자가 분석에 포함되었고 중간 후속 시간은 88개월이었다.
종양 사망의 누적 발생률과 종양 사망 및 경쟁 이벤트는 카플란 마이어 방법 및 경쟁 위험 회귀 기능에 의해 각각 이었다. 카플란 마이어 방법으로 계산된 종양 사망과 종양 사망의 누적 발생률의 합계는 경쟁 방법이 사용될 때 암 특이적 사망의 누적 사건과 동등한 모든 사망 원인의 추정치의 합보다 높았다. nomogram은 결혼 상태, 인종, 조직학 유형, 차별화 된 등급, T 분류 및 N 분류를 포함하는 중요한 요인을 기반으로 Cox 비례 회귀 모델을 사용하여 구성되었습니다.
노모그램은 또한 경쟁 위험 회귀 모델을 사용하여 구성되었다. 위험 점수에 따라 코호트는 위험도가 낮고 중간 위험도가 높고 위험도가 높은 세 가지 하위 그룹으로 분류되었습니다. 포리스트 플롯은 그룹 위험 점수와 특정 요인 간의 상호 작용을 명확하게 제시하는 데 사용되었습니다.
나이를 고려할 때, 단지 낮은 리스크 단은 젊은 여자를 위한 더 나쁜 예후를 보여주었습니다, 젊은 나이가 중간 및 고위험 단에 있는 예후의 보호 요인으로 작용할 수 있다는 것을 나타내는. 이 프로토콜을 시도할 때는 이벤트 분석에 대해 10에서 서로 다른 생존 모델을 완전히 이해하는 것이 중요하며 도구는 개별화된 지침을 위해 적절히 마스터됩니다. 모델 성능은 차별과 구경 배급 성능 측면에서 평가됩니다.
이 절차에 따라 교정 곡선과 동일한 간격이 있어 경쟁 일반 교부금의 효율성을 검증할 수 있습니다.
전체 스크립트를 보고 수천 개의 과학 동영상에 액세스하세요
개요
본 프로토콜에서는 Cox 비례 위험 회귀 모델과 경쟁 위험 회귀 모델을 이용한 노모그램 구축 방법을 설명합니다. 경쟁 위험 방법은 특히 경쟁 사건이 존재하는 생존 데이터를 분석할 때 유용합니다.
주요 연구 구성 요소
과학 분야
- 생존 분석
- 통계 모델링
- 경쟁 위험
배경
- 경쟁 사건은 생존 결과에 영향을 미칠 수 있습니다.
- 전통적인 방법으로는 이러한 경쟁 위험을 적절하게 다루지 못할 수 있습니다.
- Cox 비례 위험 모델은 생존 분석의 표준적인 접근 방식입니다.
- 노모그램은 위험 예측에 대한 시각적 표현을 제공합니다.
연구 목적
- 생존 분석을 기반으로 노모그램을 생성하는 프로토콜을 개발합니다.
- 경쟁 위험 회귀 모델의 적용 방법을 시연합니다.
- 경쟁 사건이 존재하는 상황에서 생존 확률에 대한 평가 능력을 향상시킵니다.
사용된 방법
- RMS 및 competing risk R 패키지를 설치하고 로드합니다.
- 분석을 위한 코호트 데이터를 가져옵니다.
- CPH 함수를 사용하여 Cox 비례 위험 회귀 모델을 적합시킵니다.
- 예측 생존율을 위한 Cox 회귀 노모그램을 개발합니다.
주요 결과
- 2년 생존율에 대한 Cox 회귀 노모그램 구축.
- R의 meta 패키지를 이용한 위험 점수 산출.
- 그룹별 위험 점수에 따른 코호트 하위 그룹 분류.
- 포레스트 플롯을 통한 결과 시각화.
결론
- 경합 위험 회귀 모델은 생존 분석을 위한 더욱 합리적인 접근 방식을 제공합니다.
- 노모그램은 위험 예측 결과를 효과적으로 전달할 수 있습니다.
- 본 프로토콜은 경합 위험이 포함된 다양한 연구에 적용될 수 있습니다.
자주 묻는 질문
산업적 관련성 요약
종양학 및 심혈관 질환 약물 개발에서 정확한 생존 분석은 치료 효능과 안전성을 평가하는 데 매우 중요합니다. 치료 관련 사망이나 질환 외 사망과 같은 경쟁 위험 사건은 전통적인 Kaplan-Meier 및 Cox 모델에 혼란을 주어 위험 추정치에 편향을 초래할 수 있습니다. 본 프로토콜은 바이오 제약 R&D 팀이 경쟁 위험 회귀 모델과 노모그램을 적용하여 예후 계층화를 개선하고, 기전적 리스크 제거(de-risking)를 강화하며, 전임상 및 초기 임상 개발 단계에서 go/no-go 결정을 지원할 수 있도록 합니다.
바이오 제약 R&D에서의 전략적 응용
초기 발견 및 타겟 검증
- 과학적 가치: 질병 특이적 사망률을 경쟁 위험과 구별함으로써 치료 가설의 검증을 가능하게 하여, 타겟 신뢰도를 향상시킵니다.
- 운영적 가치: 비타겟 사건이 치료 효과를 가릴 수 있는 전임상 모델에서 정교한 위험 층화를 통해 생물학적 리스크 제거를 지원합니다.
스크리닝 및 어세이 개발
- 과학적 가치: 정량적이고 경쟁 위험(competing-risk)이 조정된 생존 종점을 제공함으로써, 후속 워크플로를 위한 검증된 생물학적 시스템의 준비를 용이하게 합니다.
- 운영적 가치: 노모그램 유래 위험 점수를 통해 연구 간 일관된 화합물 평가를 가능하게 하여, 분석의 표준화와 재현성을 향상시킵니다.
중개 및 전임상 연구
- 과학적 가치: 경쟁 위험 요소가 결과에 영향을 미치는 임상적 실제 상황에 맞추어 전임상 생존 종말점을 정렬함으로써 중개 연구의 연속성을 촉진합니다.
- 운영적 가치: 경쟁 위험 모델에서 도출된 그룹 위험 점수를 기반으로 하위 그룹(저/중/고위험)을 식별하여 위험 조정된 추진 결정 전략을 지원합니다.
파이프라인 및 워크플로 통합
이 방법은 표적 검증부터 전임상 개발에 이르는 발견 연속체에 통합되며, 특히 생존 평가 지표가 비정보적 검열(non-informative censoring)이나 경쟁 위험에 의해 혼동될 때 유용합니다.
- 발견 생물학(Discovery Biology): 질환 특이적 결과에 대한 유전적 또는 약리학적 개입의 효과를 분리함으로써 가설 검증 및 경로 명확화를 지원합니다.
- 스크리닝(Screening): 실험 조건별 위험비(hazard ratios)와 그룹 위험 점수를 포레스트 플롯(forest plot)으로 시각화하여 분석 준비 상태와 재현성을 가능하게 합니다.
- 분석(Analytics): 정량적인 종속 변수 측정값(누적 발생률, 위험비, 위험 점수)을 제공하여 교차 기능 팀이 치료 효과를 객관적으로 비교할 수 있도록 합니다.
- 중개 연구(Translational Research): 경쟁 사건(competing events)이 존재하는 실제 환경의 복잡성을 생존 분석에 반영함으로써, 발견 단계에서 전임상 검증까지 연결합니다.
- 기업 내 재사용(Enterprise Reuse): 다양한 치료 영역 전반에 걸쳐 생존 분석을 위한 재사용 가능한 통계적 프레임워크를 구축하여 중복적인 모델 개발을 줄입니다.
운영 및 기업 영향
- 과학적 가치: 경쟁 위험의 적절한 처리를 통해 생존 데이터의 기전적 모호성을 줄임으로써 예측 신뢰도를 높입니다.
- 운영적 가치: 팀 간 배포가 가능한 R 기반 워크플로우(RMS, competing risk, meta 패키지)를 통해 표준화 및 확장성을 개선합니다.
- 전략적 가치: 위험 계층화된 하위 그룹을 제공하여 예상치 못한 경쟁 사망으로 인한 후기 단계의 실패를 줄이고 go/no-go 의사결정을 강화합니다.
- 포트폴리오 영향: 단순 이벤트 발생률이 아닌 경쟁 위험이 조정된 생존 확률을 기반으로 후보 물질의 위험 조정 우선순위 선정을 가능하게 합니다.
구현 시 고려 사항
- CPH, CRR 및 노모그램 함수에 대한 숙련도를 포함하여 생존 분석 및 R 프로그래밍에 대한 전문 지식이 필요합니다.
- RMS, competing risk 및 meta 패키지가 설치되고 적절히 설정된 R 환경에 의존합니다.
- 모델의 비교 가능성을 보장하기 위해 변수 선택(예: 결혼 여부, 인종, 조직학적 유형, T/N 분류)에 대한 팀 간 표준화가 필요합니다.
- 모델을 다른 질병 모델이나 전임상 시스템에 적용할 때 예후 변수 행렬의 조정이 필요합니다.
- 비례 위험 가정에 의해 제한되므로, 성능 검증을 위해 모델 진단(보정, 판별)을 수행해야 합니다.
바이오 제약 FAQ
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
