Methodenartikel

Voorspelling van sterfte door hepatocellulair carcinoom met behulp van een gewogen regressiemodel om cohorteffecten in Taiwan te schatten

DOI:

10.3791/62253

⸱

6 augustus 2021

 ,  , 
1Department of Research, Taipei Tzu Chi Hospital, Buddhist Tzu Chi Medical Foundation, 2Department of Gastroenterology, Taipei Tzu Chi Hospital, Buddhist Tzu Chi Medical Foundation and School of Medicine, Tzu Chi University

* These authors contributed equally

In dit artikel

Samenvatting

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

We beschrijven een meerfasenmethode om een cohorteffect te meten met leeftijdsgegevens, waardoor gegevens in veel situaties kunnen worden geëlimineerd zonder dat dit ten koste gaat van de gegevenskwaliteit. Het protocol demonstreert de strategie en biedt een gewogen regressiemodel voor het analyseren van de gegevens van het hepatocellulair carcinoom.

Samenvatting

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Om de invloed van leeftijd en periode in de gegevens van de contingentietabel van de leeftijdscyclus te elimineren, werd een meerfasenmethode toegepast om het cohorteffect te evalueren. De meest algemene primaire kwaadaardige tumor van de lever is hepatocellulair carcinoom (HCC). HCC wordt geassocieerd met levercirrose met alcohol en virale etiologieën. In de epidemiologie werden langetermijntrends in HCC-sterfte afgebakend (of voorspeld) met behulp van een leeftijdsperiode-cohort (APC) model. De HCC-sterfgevallen werden bepaald voor elk cohort met zijn gewogen invloed. Het betrouwbaarheidsinterval (BI) van het gewogen gemiddelde is vrij smal (vergeleken met de gelijk gewogen schattingen). Vanwege het vrij smalle BI met minder onzekerheid werd de gewogen gemiddelde schatting gebruikt als middel voor prognoses. Bij de meerfasenmethode wordt aanbevolen om een gewogen gemiddelde schatting op basis van een regressiemodel te gebruiken om het cohorteffect in de gegevens van de contingentietabel voor de leeftijdsperiode te evalueren.

Inleiding

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

De meest voorkomende primaire kwaadaardige tumor van de lever is hepatocellulair carcinoom (HCC). Het sterftecijfer staat op de vijfde plaats bij mannen en op de achtste plaats bij vrouwen (6% van de mannen en 3% van de vrouwen), 1 van alle kwaadaardige tumoren wereldwijd. In Taiwan is het de meest voorkomende vorm van kanker bij mannen en de op één na meest voorkomende vorm van kanker bij vrouwen (21,8% van de mannen en 14,2% van de vrouwen) 2. Geschat wordt dat sinds 2000 het jaarlijkse aantal gediagnosticeerde HCC's wereldwijd 564.000 bedraagt, waaronder 398.000 mannen en 166.000 vrouwen 3. In de epidemiologie is de meest gebruikelijke manier om de relatie tussen leeftijds-, periode- en cohortvariabelen (APC) te verklaren, dat leeftijd en periode elkaar beïnvloeden om een unieke generatie-ervaring te creëren voor de onderzochte ziektetrend.

Hoewel deze conceptualisering nog steeds een nauwkeurig lineair verband heeft tussen leeftijd + cohort = periode, is blootstelling (voorspeller) geen inherente factor in een geboortecohort. In plaats daarvan stellen we voor dat wanneer veranderingen verschillende ziekteverdelingen veroorzaken, er een cohorteffect is. Desalniettemin, aangezien leeftijd + cohort = periode, zijn deze drie variabelen lineair gerelateerd; alleen als andere beperkingen worden afgedwongen, is het onmogelijk om een geschat leeftijdsperiode-cohortmodel (APC) te genereren met behulp van de lineaire effecten van leeftijd, periode en cohort. In deze studie hebben we dit probleem en de mogelijke beperkingen die we hebben opgelegd in onze vorige publicaties verduidelijkt 4,5,6,7.

Bij de geringste vermoedens over de gegevens van de contingentietabel biedt de meerfasenmethode 8 drie fasen om het cohorteffect te evalueren. Omdat de mediane polish niet afhankelijk is van een specifieke verdeling of framework, werd het bovendien gebruikt voor verschillende soorten gegevens, zoals ratio's, logaritmische ratio's en tellingen. Mediaan polijsten is de belangrijkste techniek die wordt gebruikt in de meerfasenmethode.

Gegevens uit een tweerichtingscontingentietabel 9 werden gebruikt om de ontwikkeling van de gepolijste mediaan te genereren. De mediaanpolijstprocedure wordt gebruikt om de cumulatieve effecten van leeftijd (d.w.z. rij) en periode (d.w.z. kolom) te elimineren door de mediaan iteratief af te trekken van elke rij en elke kolom. Deze procedure wordt vaak gebruikt bij epidemiologische gegevensanalyse 10. Een voordeel van deze techniek is dat er geen aannames nodig zijn over de verdeling of structuur van de gegevens in de bidirectionele contingentietabel. Daarom werd deze techniek op grote schaal gebruikt voor elk type gegevens in de tabel, zoals zelfmoordgegevens 11. Het APC-model is ook gebruikt om de langetermijntrends van ziekte-incidentie of mortaliteit te beschrijven 5. APC-modellen gaan er vaak van uit dat leeftijd, periode en cohort additieve effecten hebben op de logaritmische transformatie van ziekte/mortaliteit. Om cohorteffecten te evalueren, genereert het beschreven protocol een APC-model voor volledige mortaliteitsanalyse van hepatocellulair carcinoom (HCC) met gewogen regressie, waardoor betrouwbare voorspellingen en matige beoordeling van behandelingseffecten worden ondersteund.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. Gegevensbronnen

Om de berekeningen aan te tonen, gebruikten we jaarlijkse gegevens over HCC-sterfte van 1976 tot 2015 voor mannen en vrouwen in Taiwan. Statistical package for social sciences (SPSS) versie 24.0 voor Windows en Microsoft Excel zijn gebruikt om de protocollen voor dit onderzoek uit te voeren.

  1. Laat de HCC-arts de klinische symptomen, laboratoriumtests en medische beeldvormingsresultaten van de patiënt classificeren om een diagnosecode te geven volgens de International Classification of Disease (ICD) Code, ICD 150.
  2. Zorg ervoor dat het gegevensbestand (opgeslagen als een CSV) het jaar (d.w.z. periode), leeftijd, cohort, sterftecijfer, bevolkingsaantal halverwege het jaar en sterfte als kolommen bevat.
    1. Klik op Bestand | Gegevens importeren | CSV-gegevens | Openen. Zorg ervoor dat er een vinkje staat in het vakje naast Variabelenamen lezen in de eerste rij van de gegevens en klik op OK. Zorg ervoor dat het gegevensbestand wordt geïmporteerd in SPSS.
  3. Construeer gegevens van onvoorziene tabellen die door leeftijdsgroepen worden gekruist via SPSS. Over het algemeen hebben we rijvariabelen gedefinieerd als leeftijd en kolomvariabelen als periode. Als de gegevens gegevens over een enkele periode (of een enkel leeftijdsjaar) bevatten, was het nodig om ze te integreren in een periodegroep (of leeftijdsgroep). Vervolgens hebben we de houding ten opzichte van een leeftijdsgroep over de hele enquête getabelleerd.
    1. Klik op Analyseren | Beschrijvende statistieken | Kruistabellen en selecteer de leeftijdsvariabele in het vak naast de rij(en) en de periodevariabele in het vak naast de kolom(men). Klik op Cellen en zorg ervoor dat er een vinkje staat in het vakje naast Waargenomen. Een contingentietabel van het sterftecijfer (of bevolkingsaantal halverwege het jaar, of sterfte) kan in SPSS worden uitgevoerd door de bovenstaande stappen.
    2. Exporteer de gegevens van de onvoorziene tabel die in CSV-indeling zijn ingevoerd voor analyse via andere software. Klik op Bestand | Gegevens exporteren | Zorg voor het gewenste gegevensformaat als CSV | Locatie. Dit niet-bewerkbare veld geeft de veilige locatie voor het geëxporteerde bestand weer.
    3. Bestandsnaam: Klik op Selecteren om de bestandsnaam te wijzigen.
    4. Exporteren als type: Selecteer een CSV-bestandstype in de vervolgkeuzelijst. Klik op variabelen om de beschikbare variabelen weer te geven en om de variabeletabellen te selecteren. Standaard worden alle variabelen uit de brongegevensset bewaard voor het geëxporteerde bestand. Onderzoekers kunnen de tabellen gebruiken om aan te geven welke bronvariabelen in het geëxporteerde bestand moeten worden opgenomen. Klik op Exporteren.

2. Model instelling

OPMERKING: De meerfasenmethode werd voorgesteld door Keys en Li 8 met grafisch onderzoek. Er werd een mediane polijstanalyse uitgevoerd om de cumulatieve effecten van leeftijd en periode te elimineren; Ten slotte werden deze residuen uit de mediane Poolse fase in de cohortcategorie in het lineaire regressiemodel geregresseerd en werden cohorteffecten geëvalueerd met behulp van gegevens in de contingentietabel.

  1. Grafische weergave als eerste fase
    1. Maak een lijndiagram van leeftijdsgroepen en periodegroepen. Om geboortecohorten in verschillende leeftijdsgroepen of geboortecohorten te inspecteren, tekent u even geboortecohorten van verschillende leeftijden of cycli in de lijndiagrammen.
    2. Importeer een CSV-bestand met gegevens over sterfte in onvoorziene omstandigheden. Klik op Bestand | Openen | Blader om een CSV-bestand uit een map te selecteren. Vergeet niet om Alle bestanden te kiezen in de vervolgkeuzelijst naast het vak Bestandsnaam.
    3. Klik op Openen om het CSV-bestand te openen. Markeer de rijen en kolommen met de gegevens over onvoorziene sterfte en klik op Invoegen | Grafieken | Lijn grafiek.
  2. Mediane Poolse analyse als tweede fase
    1. Trek de mediaan iteratief af van elke rij en elke kolom om het cumulatieve effect van leeftijd en periode te elimineren. Bewaar na de mediane polijstfase de residuen voor de regressieprocedure om de cohorteffecten te evalueren.
    2. Bereken de algemene mediaan en de resttabel. Importeer een CSV-bestand met sterftegegevens uit de noodtabel (zie 2.1.1.2).
    3. LN werd gebruikt voor elke cel van de sterftegegevens in de contingentietabel. Klik op Formules | Wiskundige en trigonometriefunctie en selecteer LN.
    4. Getal: Voer het locatielabel voor elke cel in. Zorg ervoor dat elke cel van de sterftegegevens van de noodtabel LN heeft opgenomen. Klik op Formules | Meer functies | Statistieken en selecteer MEDIAAN.
    5. Getal1: Voer het eerste locatielabel van de cel in.
    6. Getal2: Voer het laatste locatielabel van de cel in. Zorg ervoor dat de resulterende mediaanwaarde wordt opgeslagen in de linkerbovenmarge van de onvoorziene tabel. Zorg ervoor dat er een resttabel wordt gemaakt door het verschil te nemen tussen de oorspronkelijke waarde (d.w.z. de LN-sterftegegevens) en de totale mediaan.
    7. Bereken de rijmedianen (d.w.z. de medianen van elke leeftijdsgroep) en zorg ervoor dat de rijmediaanwaarden voor de responsleeftijdsgroep worden berekend. Klik op Formules | Meer functies | Statistieken | Selecteer MEDIAN.
      1. Nummer 1: Voer het eerste cellocatielabel van het onbewerkte monster in.
      2. Nummer 2: Voer het laatste cellocatielabel van de grondstof in. Zorg ervoor dat de resulterende mediaanwaarden van de rij worden opgeslagen in de linkermarge van de tabel voor onvoorziene gebeurtenissen.
    8. Maak een nieuwe resttabel nadat u deze hebt afgetrokken van de rijmedianen. Zorg ervoor dat er een nieuwe set restwaarden wordt gemaakt op basis van de rijmedianen, waarbij elke cel de waarde van het aftrekken van de rijmediaan van elke responsvariabele in die rij overneemt. Klik op = en zorg ervoor dat het algemene cellocatielabel van elke rij het label van de mediaan van de linkermarge heeft afgetrokken.
    9. Bereken de kolommedianen (d.w.z. de medianen van elke periodegroep) en zorg ervoor dat de kolommediaanwaarden voor de responsperiodegroep worden berekend. Klik op Formules | Meer functies | Statistieken | Selecteer MEDIAN.
      1. Nummer 1: Voer het eerste cellocatielabel van de kolom in. Nummer 2: Voer het laatste cellocatielabel van de kolom in. Zorg ervoor dat de resulterende kolommediaanwaarden worden opgeslagen in de bovenmarge van de onvoorziene tabel.
    10. Maak een nieuwe resttabel na aftrek van de kolommedianen. Zorg ervoor dat er een nieuwe set restwaarden wordt gemaakt op basis van de kolommedianen, waarbij elke cel de waarde aanneemt van het aftrekken van de kolommediaan van elke antwoordvariabele in die kolom. Klik op = en zorg ervoor dat het algemene cellocatielabel van elke kolom het label van de mediaan van de bovenmarge heeft afgetrokken.
    11. Herhaal de stappen 2.1.2.7 tot en met 2.1.2.10 totdat de rij- en kolommedianen ongeveer nul zijn. Klik op Formules | Meer functies | Statistieken | Selecteer MEDIAN. Zorg ervoor dat de rij- en kolommedianen ongeveer nul zijn. Sla de definitieve resttabel op in CSV-formaat.
  3. Regressieprocedure met gewicht als derde fase
    OPMERKING: We hebben de afhankelijke variabele berekend als residuen voor elk cohort met het overlijdensgetal als gewicht. Vervolgens hebben we lineaire regressies uitgevoerd om de cohorteffecten te berekenen.
    1. Zorg ervoor Kutools for Excel is geïnstalleerd en gebruik de tool Tabelafmetingen transponeren om snel kruistabellen naar platte lijsten te converteren. Importeer een CSV-bestand met restgegevens uit de contingentietabel (zie 2.1.2.11).
    2. Selecteer de tabel die u wilt converteren naar een lijst. Klik op de knop Kutools | Wijzigen | Transponeertabeldimensie. Zorg ervoor dat er in het dialoogvenster Tabeldimensies transponeren een vinkje staat in het vakje naast de Kruistabel om weer te geven lijst en selecteer het resultatenbereik om de restanten in lijstindeling op te slaan.
    3. Kolom invoegen in het oorspronkelijke gegevensbestand (zie 1.2) met de gegevens in de resterende lijstindeling (zie 2.1.3.1). Zorg ervoor dat er een ondersteunende kolom is ingevoegd in de gegevens in de opmaakgegevens van de restlijst (zie 2.1.3.1). Klik op = leeftijds- en periodevariabelen en klik op Enter. Gebruik een ondersteunende kolom om de leeftijds- en periodegroepslabels van de gegevens in de restlijstindeling op te zoeken om een antwoordrestkolom in te voegen in het oorspronkelijke gegevensbestand (zie 1.2).
    4. Klik op Formules | Opzoeken & Referentie | Selecteer VERT.ZOEKEN. Stel VERT.ZOEKEN in (cellocatielabel van leeftijd en cellocatielabel van de periode, eerste cellocatielabel van de ondersteunende kolom: het laatste cellocatielabel van de restkolom, 4, 0). Zorg ervoor dat het selectiebereik ondersteunende, ouderdoms-, periode- en restkolommen bevat (d.w.z. de4e kolom als de restlijst).
    5. Zorg ervoor dat de restanten in het oorspronkelijke gegevensbestand zijn ingevoegd (zie 1.2), zoek naar de gegevens in het formaat van de resterende lijst (zie 2.1.3.1) voor de volgende stap. Pas het regressiemodel aan met ongewogen kleinste kwadraten en analyseer de residuen.
    6. Klik op Analyseren | Regressie | Lineair. Breng de onafhankelijke variabele, cohortcategorie (d.w.z. 17 geboortecohorten), over naar het vak Onafhankelijk(e) en de afhankelijke variabele, Residuen, naar het vak Afhankelijk: . Klik op OK. Zorg ervoor dat de resultaten van de ongewogen cohorteffecten worden gegenereerd.
    7. Zorg ervoor dat de restanten zijn ingevoegd in het oorspronkelijke Excel-gegevensbestand (zie 1.2), zoek naar de gegevens in de restlijstindeling (zie 2.1.3.1) voor de volgende stap. Pas het regressiemodel aan op gewogen kleinste kwadraten en analyseer de residuen. Klik op Analyseren | Regressie | Lineair.
    8. Breng de onafhankelijke variabele en cohortcategorie (d.w.z. 17 geboortecohorten) over naar het vak onafhankelijk(e) variabelen en de afhankelijke variabele en residuen naar het vak afhankelijke: . Breng het overlijdensnummer over in het WLS-gewichtsvak. Klik op OK. Zorg ervoor dat het de resultaten van het gewogen gemiddelde van het cohorteffect genereert.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Resultaten

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

De sterftegegevens werden aangetoond voor 10 leeftijdsgroepen van vijf jaar (40-44, 45-49, 50-54, 55-59, 60-64, 65-69, 70-74, 75-79, 80-84 en 85+) en 8 perioden van vijf jaar (1976-1980, 1981-1985, 1986-1990, 1991-1995, 1996-2000, 2001-2005, 2006-2010 en 2011-2015). Het aantal cohortgroepen werd geselecteerd door één af te trekken van het totale aantal leeftijdsgroepen: 10 (leeftijdsgroepen van vijf jaar) + 8 (perioden van vijf jaar) -1 = 17 geboortecohorten, waarbij de geboortecohortgro...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Discussie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Vanwege de tijdstrend van HCC-mortaliteit onderschatten conventionele modellen enkele belangrijke kenmerken die in de gegevens verborgen zijn (zoals cohorteffecten), en conventionele analyses die gebruik maken van eenvoudige lineaire extrapolatie van de waargenomen logaritmische leeftijdscorrectiesnelheid vertonen een significant verminderde nauwkeurigheid in hun voorspellingen. Het is duidelijk dat deze trend zich al 35 jaar voortzet en de komende jaren een stijgende lijn zal vertonen a...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Openbaarmakingen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

De auteurs hebben niets te onthullen.

Dankbetuigingen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Dit werk werd ondersteund door het Taipei Tzu Chi Hospital TCRD-TPE-109-RT-8 (2/3) en TCRD-TPE-109-39 (2/2).

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
niet van toepassingniet van toepassingniet van toepassingniet van toepassing

Referenties

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Kuntz, E., Kuntz, H. D. Hepatology: Principles and Practice. , Springer. New York. 774(2006).
  2. McGlynn, K. A., et al. International trends and patterns of primary liver cancer. International Journal of Cancer. 94 (2), 290-296 (2001).
  3. Bosch, F. X., Ribes, J., Diaz, M., Cleries, R. Primary liver cancer: worldwide incidence and trends. Gastroenterology. 127, 5-16 (2004).
  4. Tzeng, I. S., Ng, C. Y., Chen, J. Y., Chen, L. S., Wu, C. C. Using weighted regression model for estimating cohort effect in age-period contingency table data. Oncotarget. 9 (28), 19826-19835 (2018).
  5. Tzeng, I. S., Lee, W. C. Forecasting hepatocellular carcinoma mortality in Taiwan using an age-period-cohort model. Asia-Pacific Journal of PublicHealth. 27, 65-73 (2015).
  6. Tzeng, I. S., et al. Predicting emergency departments visit rates from septicemia in Taiwan using an age-period-cohort model, 1998 to 2012. Medicine. 95, 5598(2016).
  7. Chen, S. H., et al. Period and Cohort Analysis of Rates of Emergency Department Visits Due to Pneumonia in Taiwan, 1998-2012. Risk Management and Healthcare Policy. 13, 1459-1466 (2020).
  8. Keyes, K. M., Li, G. A multiphase method for estimating cohort effects in age-period contingency table data. Annals of Epidemiology. 20, 779-785 (2010).
  9. Tukey, J. Exploratory data analysis Reading: MS. , Addison-Wesley Publishing Company. (1977).
  10. Selvin, S. Statistical analysis of epidemiologic data. , University Press. New York: Oxford. (1996).
  11. Légaré, G., Hamel, D. An age-period-cohort approach to analyzing trends in suicide in Quebec between 1950 and 2009. Canadian Journal of Public Health. 104, 118-123 (2013).
  12. Lavanchy, D. Hepatitis B virus epidemiology, disease burden, treatment, and current and emerging prevention and control measures. Journal of Viral Hepatitis. 11, 97-107 (2004).
  13. Chang, M. H., et al. Universal hepatitis B vaccination in Taiwan and the incidence of hepatocellular carcinoma in children. Taiwan Childhood Hepatoma Study Group. New England Journal of Medicine. 336, 1855-1859 (1997).
  14. Lu, F. T., Ni, Y. H. Elimination of mother-to-infant transmission of hepatitis B virus: 35 years of experience. Pediatric Gastroenterology, Hepatology & Nutrition. 23 (4), 311-318 (2020).
  15. Chien, Y. C., Jan, C. F., Kuo, H. S., Chen, C. J. Nationwide hepatitis B vaccination program in Taiwan: effectiveness in the 20 years after it was launched. Epidemiologic Reviews. 28, 126-135 (2006).
  16. Ahmad, O. B., et al. Age standardization of rates: a new WHO standard. Geneva: GPE Discussion Paper Series. World Health Organization. , 31(2005).
  17. da Silva, C. P., Emídio, E. S., de Marchi, M. R. Method validation using weighted linear regression models for quantification of UV filters in water samples. Talanta. 131, 221-227 (2015).
  18. Dawes, R. M. The robust beauty of improper linear models in decision making. American Psychologist. 34, 571-582 (1979).
  19. Dawes, R. M., Corrigan, B. Linear models in decision making. Psychological Bulletin. 81, 95-106 (1974).
  20. Einhorn, H. J., Hogarth, R. M. Unit weighting schemes for decision making. Organizational Behavior and Human Performance. 13, 171-192 (1975).
  21. Wang, W., et al. Association of hepatitis B virus DNA level and follow-up interval with hepatocellular carcinoma recurrence. JAMA Network Open. 3 (4), 203707(2020).
  22. Holford, T. R. The estimation of age, period and cohort effects for vital rates. Biometrics. 39, 311-324 (1983).

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Herprints en machtigingen

Toestemming aanvragen om de tekst of afbeeldingen van dit JoVE-artikel te hergebruiken

Toestemming aanvragen

Trefwoorden

HCC mortaliteitcohorteffectage period cohortlevercirroseepidemiologische trendsmortaliteitsvoorspellingTaiwanese populatie
Video binnenkort beschikbaar

Gerelateerde artikelen