Name: 생존 데이터를 위한 경쟁 위험 회귀 Nomogram 모델 설정 (동영상) | JoVE Journal
Uploaded: 2020-10-23T13:00:00.000+00:00
Duration: 4 min 57 s
Description: 배우세요 경쟁 위험 회귀 모델을 이용하여 생존 데이터의 노모그램을 구축하는 방법을 R 패키지로 실습합니다. Cox 비례 위험 모델과 비교하며 위험 점수를 계산하고 숲 그림으로 시각화하는 통계 분석 기법을 익힙니다.

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

이 연구는 저장성 자연과학재단(교부금 번호 LY19H160020)과 진화시과학기술국(교부금 번호 2016-3-005, 2018-3-001d, 2019-3-013)의 보조금으로 지원되었다.

연구 프로토콜은 진화병원, 절강대학교 의과대학 윤리위원회에 의해 승인되었다. 이 실험을 위해, 케이스는 감시, 역학 및 최종 결과 (SEER) 데이터베이스에서 얻어졌습니다. SEER은 인구 기반 암 레지스트리 18개에서 인구 통계, 발생률 및 생존 데이터를 포함하는 개방형 데이터베이스입니다. 우리는 SEER 웹 사이트에 등록하고 연구 데이터 (12296-Nov2018)를 취득하기 위한 보증서에 서명했습니다.
1. 데이터 원본
<ol><li>데이터베이스에서 서비스 케이스를 가져오고 레지스트리에서 사례를 사용할 수 있는 권한(있는 경우)을 가져옵니다. 참고: 코호트 데이터는 보충 파일 1에업로드됩니다. 이미 경쟁 위험이 있는 생존 데이터가 있는 독자는 이 섹션을 건너뛸 수 있습니다.</li>
</ol>2. 패키지 설치 및 로딩 및 데이터 가져오기
참고: 패키지 rms15 및 cmprsk16(http://www.r-project.org/)을 사용하여 R 소프트웨어(버전 3.5.3)를 기반으로 다음 절차를 수행합니다.
<ol><li>RM 및 cmprsk R 패키지를 설치합니다. >install.packages ("rms") >install.packages("cmprsk")
</li>
	<li>R 패키지를 로드합니다. >라이브러리("rms") >라이브러리("cmprsk")
</li>
	<li>코호트 데이터를 가져옵니다. >Dataset&lt;-read.csv(".../코호트 Data.csv") # 코호트 데이터가 예입니다.
</li>
</ol>3. 콕스 비례 위험 회귀 모델을 기반으로 한 Nomogram
<ol><li>콕스 비례 위험 회귀 모델을 설정합니다. 참고: 독립 변수(X)에는 범주변수(레이스와 같은 더미 변수) 및 연속 변수(예: 연령)가 포함됩니다. 단변 분석에서 중요한 요소는 다변수 해석에서 사용하기 위해 선택됩니다.<ol>
<li>Cox 비례 위험 모델을 데이터에 맞춥시게 합니다. 함수 Cph를 사용하여 Cox 비례 하드 회귀 모델을 설정합니다. R의 단순화된 형식은 다음과 같습니다. > f0 & lt;- cph (Surv (생존 개월, 상태) ~ factor1 + factor2 +..., x=T, y=T, surv=T, 데이터=데이터 집합) 참고: 죽음은 예제 코드의 상태로 설정되었습니다.</li>
	</ol>
</li>
	<li>아래에 설명된 명령을 사용하여 콕스 회귀 노모그램을 개발합니다. > nom & lt;- nomogram (f0, fun=목록 (기능 (x) surv (24, x)...), funlabel=c ("2 년 예측 생존율"...), maxscale=100, fun.at) > 플롯 (놈) 참고: 2년 예측 생존율을 예로 들어 보겠습니다.</li>
</ol>4. 경쟁 위험 회귀 모델을 기반으로 한 Nomogram
<ol><li>경쟁 위험 회귀 모델을 설정합니다.<ol>
<li>경쟁 위험 회귀 모델에 적합합니다. 독자는 중요하다고 생각하는 요인을 포함 할 수 있으며,이 단계를 건너 뛸 수 있습니다. 이 예에서는 단변 분석에서 중요한 요인이 포함됩니다. 참고: 검열 변수는 관심 있는 이벤트에 대해 1로 코딩되고 경쟁 위험 이벤트에 대해 2로 코딩됩니다. 분석을 용이하게 하기 위해, Scrucca외. 17은 요인으로부터 지표 변수의 매트릭스를 생성하는 R 함수 계수()를제공한다.</li>
		<li>범주형 변수의 경우 경쟁 모델에 포함시킬 때 숫자로 신중하게 코딩합니다. 즉, J 레벨로 만든 범주변수의 경우 J-1 더미 변수 또는 지표 변수를 만듭니다.</li>
		<li>경쟁 위험 회귀 모델을 설정하려면 1위 예후 변수를 행렬로 설정합니다. 함수 cbind()을 사용하여 열을 사용하여 변수를 결합하고 경쟁 회귀 모델에 맞춥니다. >x & lt&-cbind (factor2ind (factor1, "1"), factor2ind (factor2, "1")...) > mod&lt;- crr (생존개월, 상태, 실패 코드=1 또는 2, cov1=x)
</li>
	</ol>
</li>
	<li>경쟁 된 nomogram 플롯 참고: 베타 값(β 값)은 Cox 비례 위험 회귀 의 공식에서 바리에이트(X)의 회귀 계수입니다. X.score(종속 변수의 포괄적 효과)와 X.real(예를 들어, 60개월, 누적 발생 함수를 예측하기 위해)은 Cox 회귀 모델에서 계산된 다음, nomogram이 확립된다.<ol>
<li>함수 nomogram을 사용하여 Cox nom을 생성합니다(3.2단계에 나열된 대로).</li>
		<li>경쟁 위험 회귀 모델의 총 점, X.real 및 X.점수를 대체합니다.<ol>
<li>기준선 cif를 가져옵니다., 즉 cif(분)입니다. 자세한 내용은 보충 파일 2를 참조하십시오. > x0=x > x0 & lt;- as.matrix (x0) > lhat & lt;- 매트릭스 (0, nrow = 길이 (mod$ uftime), ncol = nrow (x0)) > (j in 1:nrow (x0)) lhat[, j] & lt;- cumsum (exp (합계 (x0[j, ] * 모드 $ coef)) * mod$ bfitj) > lhat & lt;- cbind (mod$ uftime, 1 - exp (-lhat)) > suv&as.data.frame (lhat) > 상호 (suv)&-c ("시간") > line24&lt;---(suv$시간="24") > cif.min24&lt&suv[line24,,이.min(suv[line24,])]
</li>
			<li>X.베타 및 X.포인트를 교체합니다. > lmaxbeta&lt;-max (복근(모드$coef)) > 맥스베타&복근(모드$coef[lmaxbeta]) > 레이스0&lt;-0 > 이름 (레이스0)&lt;"레이스:1" > race.beta&lt;c (race0, mod$coef[c("레이스:2","레이스:3")]) > race.beta.min&race.beta[1.min(race.beta)] > race.beta1&race.beta-race.beta race.beta.min > race.scale&lt;(race.beta1/maxbeta*100) # 스케일 계산 방법 > nom$레이스$Xbeta&lt;race.beta1 > nom$레이스$포인트&race.scale 참고: 예를 들어 인종을 예로 들어 보겠습니다.</li>
			<li>총 X.포인트와 X.real을 교체합니다. > nom$total.points$x&lt;c (0,50,100, ...) > real.2y&lt;c (0.01,01,0.1,0.2,...) 참고: 교체는 미니맥스 값에 따라 다릅니다.</li>
			<li>X.점수를 계산하고 nomogram을 플롯합니다. > 스코어.2y&lt;-log(로그(1-real.2y),(1-cif.min24))/(maxbeta/100) > nom$'2 년 생존 '$x&점수.2y > nom$'2 년 생존 '$x.real&lt;-real.2y > nom$'2 년 생존 '$fat&as.character (real.2y) > 플롯 (놈) 참고: X.score=로그(로그(1-X.real), (1-cif0)))/(maxbeta/100). X.score 및 X.real 관계에 대한 방정식은 경쟁 모델(crr)의 본질적인 기여에 따라 계산할 수 있습니다. Cif0은 predict.crr 함수에 의해 계산되는 기준 cif를 의미합니다.</li>
		</ol>
</li>
	</ol>
</li>
</ol>5. 그룹 위험 점수(GRS)를 기반으로 하는 하위 그룹 분석
<ol><li>위험 점수(RS) 계산 참고: 모든 변수의 포인트를 합합하여 각 환자의 위험 점수를 계산합니다. 컷오프 값은 코호트를 분류하는 데 사용됩니다. 3개의 하위 그룹을 예로 들어, 패키지 메타를 사용하여 포리스트 플롯을 그립니다.<ol>
<li>R 패키지 설치 및 로드 > 설치.패키지 ("메타") > 도서관("메타")
</li>
		<li>GRS를 얻고 코호트를 3 개의 하위 그룹으로 나눕니다. > d1&lt;데이터 세트 > d1$X&nom$X$포인트 > #For 예, d1$race[d1$race==1];&nom$레이스$포인트[1] > d1$RS&d1$레이스 + d1$히스토로지 + d1$등급수정 + d1$T분류 + d1$N분류 > d1$GRS&lt;-컷(d1$RS, 정량적(d1$RS, seq(0, 1,1/3)), 포함.최저 = TRUE, 레이블 = 1:3)</li>
		<li>포리스트 플롯을 그립니다. 기능 crr를 통해 HR, LCI 및 UCI를 가져옵니다. > 하위 그룹 & lt;-crr (ftime, 상태, cov1, failcode=1) > HR&--요약(하위 그룹)$conf.int[1] > LCI&lt;- 요약(하위 그룹)$conf.int[3] > UCI&lt;- 요약(하위 그룹)$conf.int[4] > LABxx&lt&c ("낮은 위험", "중간 위험", "고위험") > xx&lt;-메타겐(로그(HR), 낮은 = 로그(LCI), 상부 = 로그(UCI), 스터드랩 = LABxx, SM = "HR") > 숲 (xx, col.square = "블랙", hetstat =TRUE, 왼쪽 콜 = "스터드 랩")
</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>

현재 연구 결과의 전반적인 목표는 실제 질병을 기술할 수 있던 특정 경쟁 위험 nomogram를 설치하고 임상의가 처리 결정에 접근하는 편리한 개별 평가 모형을 개발하는 것이었습니다. 여기에서Cox 회귀 모델및 경쟁 위험 회귀 모델 및 하위 그룹 분석을 더욱 수행하기 위한 단계별 자습서를 제공합니다. Zhang et al.18은 경쟁 위험 nomogram을 만드는 접근 법을 도입했지만 논문에 설명 된 방법론의 주요 개념은 완전히 다릅니다. Zhang 외.의 방법은 먼저 mstate 패키지(19)의 crprep() 함수에 의해 가중된 데이터로 원본 데이터를 변환한 다음 rms 패키지에 의해 nomogram을 그렸습니다. rms 그러나 이 방법의 핵심 개념은 그것과 는 완전히 다릅니다. 간단히 말해서, 우리는 함수 crr의 결과로 Cph에 의해 생성 된 매개 변수를 교...

생존 분석을 이벤트하는 시간은 임상 연구에서 매우 일반적입니다. 생존 데이터는 관심있는 이벤트의 발생까지 시작 시간부터 시간 범위를 측정하지만 관심있는 이벤트의 발생은 종종 다른 이벤트에 의해 배제됩니다. 둘 이상의 종점이 있는 경우 경쟁 위험 종료 점이라고 합니다. 이 경우 표준 위험 분석(즉, Cox 비례 원인 별 위험 모델)은 다른 유형의 이벤트를 경험하는 개인이 검열되기 때문에 잘 작동하지 않는 경우가 많습니다. 경쟁 이벤트를 경험하는 개인은 경쟁 위험이 일반적으로 독립적이지 않기 때문에 종종 위험 설정에 남아 있습니다. 따라서, 미세 및 그레이1은 경쟁 위험의 하위 분포에 대한 회귀 모델 추정을 연구했다. 경쟁 위험 설정에서 세 가지 유형의 이벤트를 구분할 수 있습니다.
하나는 질병에 대한 새로운 치료 방법에서 직접적인 임상 혜택을 입증하여 전반적인 생존 (OS)을 측정합니다. OS는 기원 시점(즉, 진단 또는 치료 시간)에서 사망 시점까지의 생존 시간을 측정하고 일반적으로 사망의 절대 위험을 평가하여 사망의 원인을 구별하지 못하며 사망의 원인을 구별하지 못(예를 들어, 암 특이적 사망(CSD) 또는 비암 특이적 사망(non-CSD))2. 따라서 OS는 가장 중요한 엔드포인트로 간주됩니다. 관심의 사건은 종종 암 관련, 심장 질환을 포함 하는 비 암 특정 이벤트, 교통 사고 또는 다른 관련 없는 원인, 경쟁 이벤트 간주 됩니다. 더 오래 살아남을 것으로 예상되는 유리한 예후를 가진 악성 환자는 종종 비 CSD의 더 중대한 리스크에 있습니다. 즉, OS는 다른 사망 원인에 의해 희석되고 임상 치료의 실제 효과를 올바르게 해석하지 못합니다. 따라서, OS는 질병3의결과에 접근하기 위한 최적 측정이 아닐 수 있다. 이러한 편향은 경쟁 위험 회귀 모델에 의해 수정될 수 있습니다.
위험 데이터를 경쟁하기 위한 두 가지 주요 방법은 원인별 위험 모델(Cox 모델) 및 하위 배포 위험 모델(경쟁 모델)입니다. 다음 프로토콜에서는 원인별 위험 모델과 서브분배 위험 모델을 기반으로 nomograms를 생성하는 두 가지 방법을 제시합니다. 이벤트 이벤트가 발생했을 때 경쟁 이벤트를 검열한 피사체를 치료하는 Cox 비례 위험 모델에 맞게 원인별 위험 모델을 만들 수 있습니다. 1999년 Fine and Gray1이 도입한 서브배포 위험 모델에서는 세 가지 유형의 이벤트를 차별할 수 있으며, 경쟁 이벤트를 경험하는 개인은 영원히 위험에 처해 있습니다.
nomogram은 세 개 이상의 변수4사이의 관계의 수학적 표현이다. 의료 용 nomograms는 생물학적 및 임상 적 사건을 변수 (예를 들어, 종양 등급 및 환자 연령)로 간주하고 주어진 개인에 대한 통계 예후 모델로 그래픽으로 묘사되는 임상 이벤트 (예 : 암 재발 또는 죽음)의 확률을 생성합니다. 일반적으로,,노모그램은 Cox 비례 위험 모델5,6,7,,88,,9,910의결과에 기초하여 공식화된다.
그러나 경쟁 위험이 있을 때 Cox 모델을 기반으로 하는 nomogram이 잘 수행되지 못할 수 있습니다. CSD의확률을12,13,추정하기 위해 경쟁 위험 nomogram을 적용한 몇가지 이전연구가있지만, 경쟁 위험 회귀 모델을 기반으로 nomogram을 설정하는 방법을 설명한 연구는 거의 없으며 이를 달성하기 위해 사용할 수있는 기존 패키지가 없습니다. 따라서, 아래에 제시된 방법은 경쟁위험회귀 모델에 근거하여 특정 경쟁위험도 모모그램을 확립하는 단계별 프로토콜과 임상의의 치료 의사결정에 도움을 줄 위험점수 추정을 제공할 것이다.

생존 데이터를 위한 경쟁 위험 회귀 nomogram 모델 설정

Establishing a Competing Risk Regression Nomogram Model for Survival Data

카플란 마이어 방법과 콕스 비례 위험 회귀 모델은 생존 프레임 워크에서 가장 일반적인 분석입니다. 적용및 해석이 비교적 쉬우며 시각적으로 묘사할 수 있습니다. 그러나, 경쟁 이벤트(예: 심혈관 및 뇌혈관 사고, 치료 관련 사망, 교통사고)가 존재할 때, 표준 생존 방법은 신중하게 적용되어야 하며, 실제 데이터는 정확하게 해석될 수 없다. 실패로 이어질 수 있는 다양한 종류의 이벤트를 구별하고 분석에서 다르게 치료하는 것이 바람직할 수 있습니다. 여기서 메서드는 경쟁 회귀 모델을 사용하여 경쟁 이벤트가 있을 때 중요한 예후 요인 또는 위험 요소를 식별하는 데 중점을 둡니다. 또한, 비례 위험 회귀 모델과 경쟁 회귀 모델을 기반으로 한 nomograms는 임상의가 예후에 대한 논쟁의 여지가있는 요인의 영향을 설명하기 위해 개별 평가 및 위험 계층화를 할 수 있도록 하기 위해 설립됩니다.

실시예 코호트의 생존 특성 실시예 코호트에서는, 총 8,550명의 적격 환자가 분석에 포함되었고 중간 후속 시간은 88개월(범위, 1~95개월)이었다. 총 679명(7.94%) 환자는 40세 미만, 7,871명(92.06%) 환자는 40 세 이상이었습니다. 재판 종료 시 7,483명(87.52%) 환자는 여전히 살아 있었고, 662명(7.74%) 유방암으로 사망, 405 (4.74%) 환자는 그밖 원인 때문에 정지했습니다 (경쟁 위험).
두 생존 모델의 비교 종양 사망/종양 사망 및 경쟁 이벤트의 누적 발생률은 카플란 마이어 방법과 경쟁 위험 회귀 기능에 의해 각각 계산되었다(도 1에제시). 도 1에도시된 바와 같이, 카플란-마이어 방법에 의해 계산된 종양 사망및 종양 사망의 누적 발생률의 합은 경쟁 방...

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.

생존 데이터를 위한 경쟁 위험 회귀 Nomogram 모델 설정

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

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.

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

Research

연구

JoVE Journal

Cancer Research

암 연구

생존 데이터에 대한 경쟁 위험 회귀 노모그램 모델 구축

본 프로토콜은 경쟁 위험 모델의 식별 및 보정 능력을 평가하기 위한 R의 코드와 내부 및 외부 검증을 위한 코드를 설명합니다.

경쟁 위험 모델의 R 기반 조경 유효성 검사An R-based landscape validation of a competing risk model

이 연구는 남성의 성별, 낮은 종양 등급 및 진행된 종양 노드 전이 단계가 수술 후 다발성 원발성 결장직장암(MPCC) 환자의 암 특이적 생존율 저하와 관련이 있음을 발견했습니다. MPCC 환자의 CSS를 예측하고 임상적 치료 의사결정에 기여하기 위해 노모그램을 개발했습니다.

수술 후 여러 원발성 대장암 환자의 암 특이적 생존을 예측하기 위한 경쟁 위험 노모그램

이 연구는 기계 학습 모델과 경쟁 위험 분석을 사용하여 결장직장 인장 고리 세포 암종 환자의 예후 시스템을 평가합니다. 양성 림프절의 로그 확률을 pN 병기와 비교하여 우수한 예측 변수로 식별하여 강력한 예측 성능을 입증하고 강력한 생존 예측 도구를 통해 임상 의사 결정을 지원합니다.

기계 학습 모델을 기반으로 한 대장직장 인장 고리 세포 암종에서 3개의 림프절 병기 결정 시스템의 예측 성능 비교

MIME은 우아한 성능의 기계 학습 기반 통합 모델을 구축하기 위한 유연한 계산 프레임워크입니다. 여기에서는 복잡한 데이터 세트를 활용하여 질병 진행, 환자 결과 및 치료 반응과 관련된 중요한 유전자를 식별하여 높은 정확도로 예측 모델을 개발하기 위한 상세한 단계별 절차를 제공합니다.

Mime-based Machine-learning Framework를 사용한 모델 구축 및 시각화

EGFR TKI와 암 세포에서 메트로 TKI 듀얼 저항을 설정 하기 위한 생체 외에서 방법을 설명 합니다. 이 방식은 메트로 증폭 EGFR TKI 치료에도 불구 하 고 질병의 진행을 전시 EGFR 돌연변이와 환자에 대 한 치료를 개발 하는 데 유용 합니다. 그것은 또한 다른 분자를 대상으로 하는 저 해제에 대 한 수정할 수 있습니다.

폐 선 암 세포에서 생체 외에서 2 단계 복용량 단계적 확대 절차와 EGFR TKI와 만난 TKI 듀얼 저항 설정

여기, 우리는 그들의 3 차원 모양에 따라 건강 하 고 병 적인 세포의 식별을 허용 하는 워크플로 제공 합니다. 우리는 객관적인 조사 세포 인구의 클러스터링 하는 것을 제공할 것입니다 Self-Organizing 지도 훈련 3D 표면에 따라 2D 투영 윤곽선을 사용 하는 프로세스를 설명 합니다.

건강 하 고 병 적인 사이 구별 형태학에 기초를 둔 세포 이용한 푸리에 변환 및 자기 조직 지도

Overexpressing 유전자 기능 연구 관심사의 유전자 안정적인 셀 라인 구축 그들에 transfecting 통해 retroviral 감염 후 안정 되어 있는 transfection 따기 단일 클론에 의해 할 수 있습니다. 여기 우리가 HT29 DR3 셀 라인 이런 방식으로 생성 된 메커니즘 수용 체 3 (DR3) antimitotics-유도 된 apoptosis에 기여 하는 어떤 죽음에 의해 명료 하 게 보여줍니다.

Apoptotic 응답 안티 mitotic 치료 학을 평가 하기 위해 DR3 Overexpressing 셀 라인 구축

이 작업은 녹색 형광 단백질 및 생물 발광 신호의 검출뿐만 아니라 정량적 분자 검출 기술의 통합에 의해 종양 하중을 정확하게 평가하기 위한 고급 프로토콜을 미리 설정합니다.

정형외 유방암 모델을 사용하여 삼중 음성 유방암 을 연구

여기에서는 교모세포종에 대한 사용하기 쉬운 침략 분석방법을 설명합니다. 이 분석은 교모세포종 줄기 와 같은 세포에 적합합니다. 침략, 마이그레이션 및 확산의 쉬운 정량화를 위한 피지 매크로도 설명되어 있습니다.

교모세포종을 위한 3D 스페로이드 모형

이 논문에서 우리는 혈액 수집, 혈장 및 버피 코트 분리, cfDNA 및 생식선 DNA 추출, cfDNA 또는 생식선 DNA의 정량화 및 cfDNA 단편 농축 분석을 포함한 비 침습적 액체 생검 기술에 대한 상세한 프로토콜을 제시합니다.

암 환자의 혈장 샘플에서 세포없는 DNA 의 검출

배우세요 경쟁 위험 회귀 모델을 이용하여 생존 데이터의 노모그램을 구축하는 방법을 R 패키지로 실습합니다. Cox 비례 위험 모델과 비교하며 위험 점수를 계산하고 숲 그림으로 시각화하는 통계 분석 기법을 익힙니다.

생존 데이터를 위한 경쟁 위험 회귀 Nomogram 모델 설정

더 많은 동영상 탐색