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

우리의 연구는 다발성 원발성 대장암 환자의 암 특이적 생존을 분석하는 데 중점을 두고 있습니다. 우리는 이러한 환자의 암 특이적 생존에 영향을 미치는 요인을 탐색한 다음 임상 의사 결정을 지원하는 모델을 개발합니다.

우리 연구에서는 Cox 모델이 아닌 경쟁 ReX 모델을 활용하여 암 특이적 생존에 영향을 미치는 요인을 조사합니다. 이러한 접근 방식을 통해 경쟁 이벤트의 영향을 최소화하고 보다 정확한 결과를 얻을 수 있습니다. 앞으로는 여러 원발성 대장암에 대한 유전체학 연구에 집중하여 뚜렷한 유전적 특성을 밝히는 것을 목표로 할 계획입니다.

[강사] 시작하려면 SEER 데이터베이스 웹 사이트에서 SEERStat 8.4.3 소프트웨어를 다운로드하십시오. SEERStat 8.4.3에 등록하고 로그인하여 관련 환자 데이터를 얻으십시오. 로그인 후 케이스 목록 세션 및 데이터를 클릭합니다. 그런 다음 인시던트 SEER 연구 데이터, 17개 레지스트리, 2022년 11월 하위 항목, 2000년부터 2020년까지 데이터베이스를 선택합니다. 선택을 클릭한 다음 인종, 성별, dx년도, 진단 연도, 2004년부터 2015년까지, 부위 및 형태를 편집하고 선택하고 부위 ICD03 및 WHO 2008을 결장 및 직장으로 재코딩합니다. 양성 조직학으로 부위 및 형태 진단 확인을 선택하고 여러 기본 필드 시퀀스 번호는 하나의 기본 필드만 아닙니다. 이제 확인을 클릭하고 선택 항목을 저장합니다. 그런 다음 테이블을 클릭하고 사용 가능한 변수 인터페이스에서 단일 연령 및 85세 이상, 성별, 사이트 재코딩 ICD03 및 WHO 2008 CS 종양 크기, 2017년까지 등급 재코딩, 파생 AJCCT 제6판, 2004년부터 2015년까지, 파생된 AJCCN 제6판, 2004년부터 2015년까지, 파생된 AJCCM 제6판, 2004년부터 2015년까지, 방사선 재코딩, 화학 요법 재암호화, 예, 아니오 또는 알 수 없음. SEER 특정 사망 분류, SEER 기타 사망 원인 분류, 생존 월, 환자 ID 및 RX 요약 수술, 프림 부위 1,998 이상. 그런 다음 열을 클릭합니다. 그런 다음 출력을 클릭합니다. 데이터 이름을 지정하고 실행을 클릭하여 데이터를 출력하고 저장합니다. 데이터 다운로드를 완료한 후 환자 ID를 사용하여 다발성 원발성 대장암을 나타내는 2회 이상의 발생으로 진단된 환자를 필터링합니다. 생존 시간을 기준으로 종양 진단 사이의 간격을 계산합니다. 그런 다음 환자를 동시성, 다발성 원발성 대장암과 이시성 다발성 원발성 대장암으로 분류하고 6개월을 컷오프로 사용합니다. 초기 진단 당시의 연령에 따라 환자의 연령을 65세 이하, 65세 이상으로 분류합니다. 종양 등급을 양호한 분화의 경우 1등급, 중등도 분화의 경우 2등급, 낮은 분화의 경우 3등급, 비분화의 경우 4등급으로 분류합니다. 그런 다음 오른쪽 결장, 왼쪽 결장직장 또는 전체 결장직장과 같은 여러 종양의 분포를 기준으로 종양 위치를 분류합니다. 동일한 환자의 여러 종양 중에서 가장 큰 종양 직경을 선택하여 종양 크기를 결정합니다. 8,931명의 환자를 모두 7:3의 비율로 훈련 코호트와 검증 코호트로 무작위로 나눕니다. RStudio 및 RSoftware를 다운로드합니다. RStudio를 열어 RSoftware를 실행합니다. 그런 다음 새 파일을 클릭하고 RScript를 선택하여 새 RProgramming 인터페이스를 만듭니다. 코드 편집기에 관련 코드를 입력하고 실행을 클릭하여 코드를 실행합니다. 코드를 사용하여 단변량 분석을 수행하고 CIF 곡선을 그립니다. 코드를 실행한 후 내보내기를 클릭한 다음 이미지로 저장을 클릭하고 마지막으로 저장을 클릭하여 이미지를 저장합니다. 코드의 성별을 다른 요인으로 바꾸어 모든 요인에 대한 단변량 분석을 수행합니다. 다음으로, 코드를 사용하여 최상의 하위 집합 회귀, 다변량 분석 및 시각화를 수행합니다. 그런 다음 앞에서 그림과 같이 이미지를 저장합니다. 코드를 사용하여 노모그램, ROC 곡선, 검량선 및 DCA 곡선을 표시합니다. 그런 다음 이미지를 저장하기 전에 GGSCIDCA 패키지를 사용하여 DCA 곡선을 플로팅합니다. ROC 곡선은 모델이 훈련 코호트에서 1년, 3년 및 5년 예측에 대해 각각 0.762, 0.742 및 0.734의 AUC를 달성했음을 보여주었습니다. 검증 코호트에서 0.801, 0.740 및 0.743. 보정 곡선은 훈련 및 검증 코호트 모두에서 예측된 확률과 실제 결과 사이에 높은 일치를 나타냈습니다. DCA는 모델이 다양한 임계값 확률에 걸쳐 좋은 순이익을 제공한다는 것을 보여주었습니다.