Name: 경쟁 위험 모델의 R 기반 조경 유효성 검사An R-based landscape validation of a competing risk model (동영상) | JoVE Journal
Uploaded: 2022-09-16T13:10:00.000+00:00
Duration: 5 min 37 s
Description: 배우세요 R을 활용한 경쟁 위험 모델의 조경 유효성 검사 방법을. 생존 분석에서 C-지수, AUC, 부트스트랩 내부 검증 및 외부 검증 기법을 활용하여 모델의 판별력과 교정 능력을 평가하는 통계적 모델링 프로토콜입니다.

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 절강성 의료과학기술계획사업(보조금 번호 2013KYA212), 저장성 자연과학재단 일반 프로그램(보조금 번호 Y19H160126), 진화시 과학기술국의 핵심 프로그램(보조금 번호 2016-3-005, 2018-3-001d, 2019-3-013)의 보조금으로 지원되었다.

SEER(Surveillance, Epidemiology, and End Results) 데이터베이스는 비식별화된 환자 데이터(SEER ID: 12296-Nov2018)만 포함하는 오픈 액세스 암 데이터베이스입니다. 따라서 본 연구는 저장대학교 의과대학 부속 진화병원 심사위원회의 승인을 면제받았다.
1. 데이터 준비 및 R 패키지 준비
<ol><li>데이터를 준비하고 가져옵니다. > 데이터 세트<- read.csv(".../Breast cancer Data.xlsx") #Import 데이터 입니다. 참고: 데이터는 보충 파일 1에 업로드됩니다.</li>
	<li>R 패키지를 설치하고 로드합니다. > 패키지 <- c("rms","cmprsk","mstate","survival","riskRegression"," prodlim") > req.pcg <- 함수(pcg){ 새로운 <- PCG[!( pcg %in% installed.packages()[, "패키지"])] if (length(new)) install.packages(new, 종속성 = T) sapply(pcg, 필요, ch = T) } > req.pcg(패키지) 참고: 패키지 rms, cmprsk, mstate, survival, riskRegression 및 prodlim (http://www.r-projectrg/)을 사용하여 R 소프트웨어 (버전 3.6.2) 기반으로 다음 절차를 수행하십시오.</li>
</ol>2. 두 가지 방법으로 경쟁 위험 노모그램을 설정합니다.
<ol><li>직접적인 방법으로 경쟁 위험 노모그램을 설정합니다. > mod_cph <- cph(Surv(생존 월, 상태) ~ 요인1+ 요인2+..., x=T, y=T, surv=T, data=데이터 세트) > nom <- nomogram(mod_cph, fun=list(function(x) 1-surv_cph(36, x)...), funlabel=c("3년 이벤트1 Prob." ...), lp=F) #Take 36번째 달을 예로 들 수 있습니다. > mod_crr <- crr(생존 월, fstatus, failcode=1, cov1=cov) > 점수 <- log(log((1-real.3y),(1-cif.min36)))/(maxbeta/100) > 플롯(nom)</li>
	<li>가중치가 적용된 방법으로 경쟁 위험 노모그램을 설정합니다. > df.w <- crprep("생존 월", fstatus", 데이터 = 데이터 세트, trans = c (1,2), cens = 0, keep=c("factor1"," factor2"...)) > mod.w <- cph(Surv(Tstart, Tstop, status==1) ~ factor1+factor2+..., 데이터=df.w, 가중치=가중치.cens, 하위 집합=failcode==1, surv=T) > nom.w <- 노모그램(mod.w...)</li>
</ol>3. 경쟁 위험 노모그램의 판별 능력
<ol><li>차별에 대한 C-index<ol><li>매트릭스 cov 를 경쟁 위험 모델 mod_crr에 맞추고 예측된 매트릭스 SUV를 얻습니다. > SUV <- predict.crr(mod_crr, cov)</li>
		<li>suv에서 특정 월의 누적 발생률을 구하고 rcorr.cens 함수를 사용하여 C-지수를 계산합니다. > cif36 <- suv[which(suv[,1]==36),][-1] > rcorr <- rcorr.cens(1-cif36,Surv(Dataset$Survivalmonths,Dataset$tumordeath)) > cindex <- rcorr[1]</li>
	</ol></li>
	<li>차별에 대한 AUC<ol><li>Score 함수(riskRegression package)를 사용하여 경쟁 위험 모델의 예측 성능을 채점합니다. > fgr.w <- FGR(Hist(Survivalmonths, fstatus) ~ factor1+ factor2+..., data=Dataset, cause=1) > 점수 <- Score(list("Fine-Gray" = fgr.w),</li>
		<li>"점수"에서 AUC를 추출합니다. > 점수$AUC</li>
	</ol></li>
</ol>4. 경쟁 위험 모델의 보정 능력
<ol><li>경쟁 위험 모델의 95% 신뢰 구간을 갖는 검량선<ol><li>특정 고장 시간에 각 개인의 누적 발생률이 있는 데이터 프레임을 가져옵니다. > cif36 <- data.frame(cif36)#Take 36 번째 월을 예로 들 수 있습니다. > colnames(cif36.36_o)<-c("36m")</li>
		<li>추정된 누적 발생률에 따라 코호트를 5개의 부분군으로 나누고 각 부분군의 평균 예측 누적 발생률을 계산합니다. > group36 <- 컷(cif36$'36m', 분위수(CIF36$'36M', Seq(0, 1, 0.2)), include.lowest = TRUE, 레이블 = 1:5) > 평균36 <- as.vector(by(cif36 $'36m', group36, mean))</li>
		<li>cuminc 함수를 사용하여 관측된 누적 발생률, 즉 실제 누적 발생률을 계산한 다음, 특정 고장 시간에서 95% 신뢰 구간으로 관측된 누적 발생률을 구합니다. > cum36 <- cuminc(Dataset$Survivalmonths,Dataset$fstatus,group36) > obs36 <- 시점(cum36,Dataset$Survivalmonths)$est[c(1:5),36] > obs36var <- 시점(cum36,Dataset$Survivalmonths)$var[c(1:5),36] > df <- data.frame(mean36, obs36, obs36var)</li>
		<li>함수 ggplot을 사용하여 예측된 누적 발생률을 x축으로 하고 관찰된 누적 발생률을 y축으로 하여 검량선을 플로팅합니다. > ggplot(df)+ geom_point(aes(x=mean36,y=obs36),col="red")+ geom_point(AES(x=mean36,y=obs36),col="빨간색",pch=4)+ geom_line(col="빨간색",AES(x=mean36,y=obs36))+ geom_errorbar(col="빨간색",aes(x=mean36,y=obs36+1.96 *sqrt(obs36var)), YMIN =OBS36-1.96*SQRT(OBS36var), Ymax = OBS36+1.96 *SQRT(OBS36VAR)) geom_abline(lty=3,lwd=2,col=c(rgb(0,118,192, maxColorValue=255)))</li>
	</ol></li>
	<li>경쟁 위험 모델의 위험 점수가 있는 보정 곡선<ol><li>모든 변수의 각 수준을 평가하고 총 RS를 구합니다. > 데이터 세트$factor1[데이터 세트$factor1==1] <- factor1.scale["Factor1_level1"] > ... #For 예, Dataset$histology[Dataset$histology==1]<-histology.scale["Histology1"] > 데이터 세트$rs <- 데이터 세트$factor1+데이터 세트$factor2+데이터 세트$factor3+... 참고: 각 변수의 점수를 합산하여 각 환자의 총 RS를 구합니다.</li>
		<li>빈도를 계산하고 서로 다른 총 위험 점수의 관찰된 누적 발생률을 계산합니다. > rs.freq <- as.data.frame(table(Dataset$rs)) > obs.36 <- 벡터(모드="숫자", 길이=nrow(rs.freq)) > for (i in 1: nrow(rs.freq)) { 데이터 집합 <- 하위 집합(데이터 집합,데이터 세트$rs== rs.freq [i,1]) cif.dataset <- cuminc(dataset$Survivalmonths,dataset$death3) cif36.dataset <- 시점(cif.dataset,36) obs.36[i] <- cif36.dataset$est[1]}</li>
		<li>x축의 범위를 설정하고 총 위험 점수의 예측 누적 발생률을 계산합니다. > RS < 범위(nom$total.points) > x.36 <- seq(최소(RS),최대(RS),0.01) > pre.36 <- 1-(1-cif.min36)^exp(x.36*maxbeta/100)</li>
		<li>위험 점수로 보정 곡선을 플로팅합니다. > 플롯(x.36, pre.36, type='l'...) > par(new=TRUE) > 플롯(as.vector(rs.freq[,1]), obs.36...)</li>
	</ol></li>
</ol>5. 경쟁 위험 모델의 의사 결정 곡선 분석
<ol><li>stdca 함수를 소싱하여 결정 곡선 분석을 수행합니다. > source("stdca. R")</li>
	<li>노모그램에서 다항식 방정식을 추출하여 생존 확률을 계산합니다. > 노모그램Ex(nomo = nom) > 데이터 세트$예측 변수 <- A * (데이터 세트$rs ^3) + B * (데이터 세트$rs ^2) + C * 데이터 세트$rs + D #predictors는 확립된 노모그램에 의해 계산된 암 특이적 사망의 예측 확률입니다.</li>
	<li>결정 곡선 분석을 수행합니다. > stdca(데이터 = 데이터 세트, 결과 = "상태", ttoutcome = "생존 월", 시점 = 36, 예측자 = "예측변수", cmprsk = TRUE, 평활 = 거짓, 확률 = 거짓) 참고: 경쟁 위험이 있는 경우 결과를 평가하려면 cmprsk에 대해 TRUE를 선택해야 합니다.</li>
</ol>6. 부트스트랩 방법을 사용한 내부 검증
<ol><li>부트스트랩 방법을 사용하여 예측된 평균 누적 발생률을 구합니다.<ol><li>원래 데이터 세트(Dataset)를 replace 로 리샘플링하여 부트스트랩 데이터 세트(Dataset_in)를 생성합니다. 부트스트랩 데이터 세트를 사용하여 경쟁 위험 모델(mod.in_crr)을 설정합니다. predict.crr 함수를 사용하여 mod.in_crr 예측하고 b번 반복하여 suvall.in 생성합니다. B=b suvall.in <- 목록() for(j in 1:B){ Dataset_in <- 데이터 세트[샘플(c(1:nrow(데이터 세트)),nrow(데이터 세트), 바꾸기 = TRUE),] 부착(Dataset_ 입력) 증권 시세 표시기. <에서 model.matrix(~factor1+ factor2+...) [,-1] 모드. _crr <-crr(생존 월, fstatus, failcode=1, cov1=cov.in) detach(Dataset. 내부) SUV. <에서- predict.crr(mod. in _crr, cov) suvall.in[[j]] <- suv.in}</li>
		<li>특정 월의 평균 예상 누적 발생률을 가져옵니다. cif36all입니다. 내부 <- 벡터(모드="숫자", 길이=nrow(데이터 세트)) for (k in 1:B) { cif36all입니다. 내부<- CIF36ALL. 이너+ 수발. 내부[[k]][which(suvall. 내부[[k]][,1]==36),][-1] } cif36.in <- cif36all.in/B</li>
	</ol></li>
	<li>함수 rcorr.cens와 함께 내부 교차 검증을 사용하여 C-지수를 계산합니다. RCORR입니다. 내부 <- rcorr.cens(1-cif36.in,Surv(Dataset$Survivalmonths,Dataset$tumordeath)) cindex입니다. 내부 < - RCORR. 내부[1]</li>
	<li>교차 내부 검증을 사용하여 교정합니다. 참고: 내부 검증이 있는 경쟁 위험 모델의 보정 곡선 코드는 섹션 4의 코드와 유사하지만 suv 는 suv.in 로 대체되었습니다.</li>
</ol>7. 경쟁 위험 모델의 외부 검증
<ol><li>외부 데이터를 사용하여 예측된 누적 발생률을 가져옵니다. 외부 데이터 변수 행렬(cov.ex)을 사용하여 예측된 누적 발생률을 가져옵니다. suv.ex < - predict.crr(mod_crr,cov.ex) cif36.ex <- suv.ex [which(suv.ex $time=="36"),][-1]</li>
	<li>외부 검증을 사용하여 C-지수를 계산합니다. rcorr.ex <- rcorr.cens(1-cif36.ex,Surv(Dataset.ex$Survivalmonths,Dataset.ex$tumordeath)) cindex.ex <- rcorr.ex[1]</li>
	<li>외부 검증을 사용하여 보정합니다. 참고: 내부 검증이 있는 경쟁 위험 모델의 보정 곡선 코드는 섹션 4의 코드와 유사하지만 suv는 suv.ex로 대체됩니다.</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>

저자는 경쟁 이익이 없다고 선언합니다.

이 연구는 두 가지 별개의 방법으로 확립된 경쟁 위험 노모그램을 비교하고 확립된 노모그램에 대한 평가 및 검증을 수행했습니다. 구체적으로, 본 연구에서는 직접적인 방법을 기반으로 노모그램을 설정하고 C-index를 계산하고 검량선을 플로팅하기 위한 단계별 튜토리얼을 제공했습니다.
R 소프트웨어의 rms 패키지는 Cox 비례 위험 모델의 구성 및 평가에 널리 사용되지만 경쟁 위험 모델에는 적용되지 않습니다. 여러 결과가 있는 모델의 경우 Zhang et al. AUC 및 Brier 점수를 계산하여 식별 능력을 평가하고 보정 능력을 검증하기 위해 보정 곡선을 플롯하는 R 소프트웨어의 riskRegression 패키지를 사용하여 경쟁 위험 모델의 검증을 보고했습니다 9,10.
그러나 riskR...

최근 몇 년 동안 정밀 의학의 발달로 새로운 예후 요인이 확인되었으며 분자 및 임상 병리학 적 요인을 결합한 예후 모델이 임상 환경에서 점점 더 주목을 받고 있습니다. 그러나, 계수 값의 결과가 있는 Cox 비례 위험 모델과 같은 비그래픽 모델은 임상의가 이해하기 어렵다1. 이에 비해 노모그램은 회귀 모델(Cox 회귀 모델, 경쟁 위험 모델 등 포함)의 시각화 도구로, 수학 함수 2의 대략적인 그래픽 계산을 위해 설계된2차원 다이어그램이다. 이를 통해 임상 모델에서 다양한 수준의 변수를 평가하고 위험 점수(RS)를 계산하여 예후를 예측할 수 있습니다.
모델 평가는 모델 구축에 필수적이며 일반적으로 식별과 보정이라는 두 가지 특성이 평가에 허용됩니다. 임상 모델에서 차별은 사망한 환자와 생존한 환자와 같이 사건이 발생하는 개인과 그렇지 않은 개인을 구분하는 모델의 능력을 말하며, 일치 지수(C-index) 또는 수신기 작동 특성 곡선 아래 면적(AUC)은 일반적으로 이를 특성화하는 데 사용됩니다 3,4. 캘리브레이션은 모델의 예측 확률과 실제 확률을 비교하는 프로세스이며, 이를 표현하기 위해 캘리브레이션 곡선이 널리 사용되었습니다. 또한, 모델 검증(내부 및 외부 검증)은 모델 구축에서 중요한 단계이며, 검증된 모델만 추가로 외삽할 수 있다5.
Cox 비례 위험 모델은 예후 인자와 생존 상태 간의 연관성을 조사하기 위해 의학 연구에서 사용되는 회귀 모델입니다. 그러나 Cox 비례 위험 모델은 두 가지 결과 상태 [Y (0, 1)]만을 고려하는 반면, 연구 대상자는 종종 두 가지 이상의 상태에 직면하고 경쟁 위험이 발생합니다 [Y (0, 1, 2)]1. 기원일(예: 치료)부터 모든 원인으로 인한 사망일까지의 시간으로 정의되는 전체 생존(OS)은 생존 분석에서 가장 중요한 종점입니다. 그러나, OS는 암 특이적 사망과 비암 특이적 사망(예: 심혈관 사건 및 기타 관련 없는 원인)을 구별하지 못하여 경쟁 위험을 무시한다6. 이러한 상황에서, 경쟁적 위험(competing risk)은 경쟁적 위험(competing)을 고려한 생존 상태 예측을 위해 선호된다7. Cox 비례 위험 모델을 구성하고 검증하는 방법론은 잘 정립되어 있지만 경쟁 위험 모델의 검증에 관한 보고서는 거의 없습니다.
이전 연구에서는 특정 경쟁 위험 노모그램, 노모그램과 경쟁 위험 모델의 조합, 경쟁 위험 모델을 기반으로 한 위험 점수 추정을 설정했습니다8. 이 연구는 확립된 경쟁 위험 노모그램의 다양한 평가 및 검증 방법을 제시하는 것을 목표로 하며, 이는 임상의가 경쟁 위험을 고려하여 예후를 예측하는 데 유용한 도구 역할을 해야 합니다.

<table><tbody><tr><td>R 소프트웨어</td><td>없음</td><td>해당 없음</td><td>버전 3.6.2 이상&nbsp;</td></tr><tr><td>컴퓨터 시스템</td><td>Microsoft&nbsp;</td><td>윈도우 10</td><td>&nbsp; Windows 10 이상</td></tr></tbody></table>

경쟁 위험 모델의 r 기반 조경 유효성 검사an r-based landscape validation of a competing risk model

An R-Based Landscape Validation of a Competing Risk Model

Cox 비례 위험 모델은 임상 환경에서 생존 분석에 널리 적용되지만 여러 생존 결과에 대처할 수는 없습니다. 기존의 Cox 비례 위험 모델과 달리 경쟁 위험 모델은 경쟁 이벤트의 존재와 임상의가 정확한 예후 예측을 수행하는 데 유용한 도구인 그래픽 계산 장치인 노모그램과의 조합을 고려합니다. 이 연구에서 우리는 경쟁 위험 노모그램을 설정하는 방법, 즉 차별(즉, 일치 지수 및 곡선 아래 면적) 및 교정(즉, 교정 곡선) 능력의 평가와 순 이익(즉, 결정 곡선 분석). 또한, 기존 데이터셋의 부트스트랩 리샘플링을 이용한 내부검증과 기존 경쟁위험노모그램의 외부 데이터셋을 이용한 외부 검증도 수행하여 외삽 능력을 입증하였다. 경쟁 위험 노모그램은 임상의가 경쟁 위험을 고려하여 예후를 예측하는 데 유용한 도구 역할을 해야 합니다.

이 연구에서는 SEER 데이터베이스에서 유방암 환자의 데이터를 검색하여 예제 데이터로 사용했습니다. SEER 데이터베이스는 미국 인구의 약 34.6%를 차지하는 암에 대한 데이터를 제공하며 데이터베이스 액세스 권한을 얻었습니다(참조 번호 12296-2018년 11월).
조직학적 유형, 분화 등급, T 단계 및 N 단계를 포함하는 두 개의 노모그램(그림 1)은 각각 직접 방법과 가중 방법을 사용하여 설정되었습니다. 각 변수 수준의 포인트와 총점에 해당하는 확률은 거의 동일했지만 약간의 차이가 관찰되었습니다. Zhang et al. 경쟁 위험 노모그램을 설정하기 위해 "가중치" 접근 방식을 도입했는데, 먼저 원본 데이터를 가중 데이터로 변환한 다음( 함수 crprep 사용), 가중 데이터로 Cox 회귀 모델을 구성하고(함수 coxph 사용), 마지막으로 Cox 회귀 모델(함수 노모그램 사용)과 경쟁...

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

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

우리의 프로토콜은 생존 분석에서 경쟁 이벤트의 존재를 고려하는 경쟁 위험 노모그램의 다양한 평가 및 검증 방법을 제시합니다. 이 프로토콜은 부트스트랩 방법을 사용하여 C-인덱스 계산 및 내부 검증과 같은 R.Evolution의 위험 회귀 패키지를 보완하는 역할을 합니다. C-index 판별을 시작하려면 매트릭스 cob을 경쟁 위험 모델 모드 CRR에 맞추고 명령을 실행하여 예측된 매트릭스 SUV를 얻습니다.SUV에서 특정 월의 누적 발생률을 구하고 R-core sends 함수로 C-index를 계산합니다. AUC 판별의 경우 함수 점수, 위험 회귀 패키지를 사용하여 경쟁 위험 모델의 예측 성능을 평가합니다. 그런 다음 명령을 실행하여 점수에서 AUC를 추출합니다.경쟁 위험 모델의 95% 신뢰 구간을 갖는 검량선을 구하려면 특정 고장 시간 동안 각 개인의 누적 발생률이 포함된 데이터 프레임을 구하십시오. 그런 다음 추정된 누적 발생률에 따라 코호트를 5개의 하위 그룹으로 나누고 각 하위 그룹의 평균 예측 누적 발생률을 계산합니다. 관측된 누적 발생률, 즉 cuminc 함수를 사용하여 실제 누적 발생률을 계산합니다.그런 다음 명령을 실행하여 특정 고장 시간에 95% 신뢰 구간으로 관찰된 누적 발생률을 가져옵니다. 예측된 누적 발생률을 X축으로 하고 관측된 누적 발생률을 Y축으로 하여 검량선을 플로팅합니다. 함수 gg plot 사용.경쟁 위험 모델의 위험 점수가 있는 보정 곡선의 경우 모든 변수의 각 수준을 평가하고 명령을 실행하여 총 RS를 구합니다. 빈도를 계산하고 서로 다른 총 위험 점수의 관찰된 누적 발생률을 계산합니다. X축의 범위를 설정하고 총 위험 점수의 예측 누적 발생률을 계산합니다.그런 다음 명령을 실행하여 위험 점수가 있는 검량선을 플로팅합니다. 부트스트랩 방법을 사용하여 예측된 평균 누적 발생률을 얻으려면 원래 데이터 세트(replace 사용 데이터 세트)를 다시 샘플링하여 부트스트랩 데이터 세트를 생성합니다. 데이터 세트.그런 다음 부트스트랩 데이터 세트를 사용하여 경쟁 위험 모델인 mod NCRR을 설정하고 predict CRR 함수를 사용하여 루프 B 번에서 mod NCRR을 예측하여 SUV를 올인합니다. 다음으로, 특정 월의 평균 예상 누적 발생률을 가져옵니다. R-core sends 함수와 함께 구간 교차 검증을 사용하여 C-지수를 계산합니다.보정의 경우 외부 검증을 사용하여 외부 데이터를 사용하여 예측된 누적 발생률을 가져오고 명령을 실행하여 외부 데이터 변수 행렬을 사용하여 누적 발생률을 얻습니다.Code-X. 그런 다음 외부 검증을 사용하여 C-인덱스를 계산합니다. 직접법과 가중치법을 이용하여 2개의 노모그램을 얻어 각 변수 수준의 점과 총점에 해당하는 확률이 거의 동일함을 입증하였다.약간의 차이가 관찰되었습니다. 경쟁 위험 모델에 대한 보정 곡선은 당량선에 가까웠고 관찰된 빈도의 95% 신뢰 구간은 각 그룹의 동등성 선에 떨어졌습니다. 모델의 정확한 보정 능력을 나타냅니다.내부 및 외부 검증을 사용한 교정 곡선이 표시되었으며, 이는 구성된 모델이 내부 검증에서는 우수한 교정 능력을 가졌지만 외부 검증에서는 불량한 교정 능력을 가졌음을 나타냅니다. 경쟁 위험 노모그램의 결정 곡선 분석 결과를 얻었습니다. 임계값 확률 증가에 따른 순이익의 변화를 보여줍니다.원래 데이터 세트를 다시 샘플링하는 것은 경쟁 위험 노모그램의 내부 검증을 수행하는 데 중요한 부트스트랩 데이터 세트를 생성하기 위해 대체되었습니다. 부트스트랩 방법 외에도 무작위 표시 및 K4 방법을 수행하여 내부 유효성 검사에 사용되는 데이터 세트를 생성할 수도 있습니다. 경쟁 위험 모델의 R 기반 조경 검증을 사용하여 임상의는 경쟁 위험을 보다 쉽게 고려하여 실제 세계에서 예후 분석을 수행할 수 있습니다.

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

Research

연구

JoVE Journal

Cancer Research

암 연구

경쟁 위험 모델의 R 기반 조경 검증

도구 및 불확실한 미래 상태에 직면 수계를 관리 할 수​​있는 방법에 대한 중요한 필요가있다. 우리는 시나리오 분석 관리 프레임 워크 내에서 사용하기위한 프리 기반의 누적 효과 모델을 생성하기 위해 자원 관리자를 해주는 대상 유역 평가를 수행하기위한 방법을 제공한다.

정량적 인 시나리오 분석 프레임 워크 내에서 계획을 유역

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

전자 건강 기록을 위한 정보 검색 및 추출 플랫폼인 CogStack을 기반으로 실시간 정신병 위험 계산 및 경고 시스템을 배포하는 방법을 시연합니다.

CogStack을 사용하여 전자 건강 기록을 기반으로 실시간 정신병 위험 감지 및 경고 시스템 구현

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

우리는 마우스의 맹장에 종양 세포 또는 유기체를 주입하고이 모델에서 순환하는 종양 세포 (CTCs)를 분리하여 정형 적 대장 직장 종양의 형성을 기술합니다.

대장 암 정위 마우스 모델에서의 순환 종양 세포의 분리

좌 골 신경으로 syngeneic 췌장암 세포를 주입 하 여는 vivo에서 murine 모델 perineural 내 습의 설명 합니다. 모델 신경 내 습의 넓이의 부 량과 perineural 내 습의 세포 및 분자 메커니즘의 조사를 지원 합니다.

Vivo에서 Murine 좌 골 신경의 모델 Perineural 내 습

Murine orthotopic PDAC homografts immunophenotyping에 실험 절차는 종양 면역 microenvironment 프로 파일링 목표로 합니다. 종양은 수술을 통해 이식 하는 orthotopically. 종양 크기에 200-600 m m3 의 수확 되었고 단일 셀 정지, 여러 면역 표식 FACS 분석 다른 붙일 표시 된 항 체를 사용 하 여 다음을 준비 하는 해리.

Immunophenotyping Orthotopic Homograft (Syngeneic) Murine 기본 KPC 췌 장 Ductal 선 암의 Cytometry로의

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

제시된 진단 FL-DNA 키트는 대장암 병변의 존재의 신뢰할 수 있는 확률을 결정하는 시간 절약 및 사용자 친화적 인 방법입니다.

대변 DNA 무결성 검출에 의한 대장암 위험 및 유병률 평가

배우세요 R을 활용한 경쟁 위험 모델의 조경 유효성 검사 방법을. 생존 분석에서 C-지수, AUC, 부트스트랩 내부 검증 및 외부 검증 기법을 활용하여 모델의 판별력과 교정 능력을 평가하는 통계적 모델링 프로토콜입니다.

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

더 많은 동영상 탐색