Artykuł metodologiczny

Nomogram ryzyka konkurencyjnego do przewidywania przeżycia specyficznego dla raka u pacjentów z wieloma pierwotnymi rakami jelita grubego po operacji

DOI:

10.3791/67433

⸱

27 września 2024

 ,  ,  ,  ,  , 
1Department of General Surgery, Tianjin Medical University General Hospital, 2Department of Oncology, Tianjin Medical University General Hospital

* These authors contributed equally

W tym artykule

Podsumowanie

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

Badanie wykazało, że płeć męska, słaby stopień nowotworu i zaawansowany stopień przerzutów do węzłów nowotworowych były związane z gorszym przeżyciem specyficznym dla raka (CSS) u pacjentów z mnogim pierwotnym rakiem jelita grubego (MPCC) po operacji. Opracowaliśmy nomogram, aby przewidzieć CSS pacjentów z MPCC i przyczynić się do podejmowania decyzji dotyczących leczenia klinicznego.

Streszczenie

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

Przeżycie specyficzne dla raka (CSS) u pacjentów z wieloma pierwotnym rakiem jelita grubego (MPCC) jest konkurencyjnie dotknięte śmiercią z innych przyczyn. Badanie to miało na celu zbadanie CSS i powiązanych czynników ryzyka poprzez konkurencyjną analizę ryzyka u pacjentów z MPCC. Dane z tego badania pochodzą z bazy danych SEER. Wykorzystując jedno- i wielowymiarową analizę modelu ryzyka konkurencyjnego w celu osłabienia wpływu zdarzeń konkurencyjnych, bada czynniki ryzyka CSS i opracowuje model nomogramu. Następnie wydajność modelu jest weryfikowana za pomocą krzywej ROC, krzywej kalibracyjnej i DCA. Badanie obejmuje łącznie 8931 pacjentów, z czego 6255 w kohorcie treningowej i 2676 w kohorcie walidacyjnej. Analizy jedno- i wieloczynnikowe wykazały, że płeć, stopień zaawansowania przerzutów do węzłów nowotworowych (TNM) i stopień zaawansowania nowotworu są niezależnymi czynnikami ryzyka przeżycia specyficznego dla raka u pacjentów z MPCC. Na podstawie czynników ryzyka opracowaliśmy model diagramowy do przewidywania CSS. Krzywa ROC, krzywa kalibracyjna i DCA również wykazują dobre wyniki. Podsumowując, opracowano nomogram, który służy jako cenne narzędzie do przewidywania CSS u pacjentów z MPCC, dostarczając klinicystom kluczowych informacji do spersonalizowanego planowania leczenia.

Wprowadzenie

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

Rak jelita grubego, jako jeden z najczęstszych nowotworów układu pokarmowego na świecie, w ciągu ostatnich kilku dekad stale wzrastał. Utrzymujące się wysokie wskaźniki zachorowalności i śmiertelności przyciągnęły znaczną uwagę. Według najnowszych statystyk rak jelita grubego zajmuje trzecie miejsce wśród powszechnych nowotworów złośliwych na świecie, a jego wskaźnik śmiertelności zajmuje drugie miejsce na świecie1. Mnogi pierwotny rak jelita grubego (MPCC) jest szczególnym podtypem raka jelita grubego, który w ostatnich latach przyciąga coraz większą uwagę naukowców. Definiuje się ją jako rozpoznanie dwóch lub więcej niezależnych zmian raka jelita grubego u tego samego pacjenta, przy odległości większej niż 5 cm między krawędziami zmian. W MPCC, gdy wiele nowotworów jest diagnozowanych jednocześnie lub w okresie krótszym niż 6 miesięcy, definiuje się go jako synchronicznego raka jelita grubego (SCRC), natomiast jeśli odstęp między diagnozami jest większy niż 6 miesięcy, definiuje się go jako metachronicznego raka jelita grubego (MCRC)2,3,4,5.

Odsetek MPCC we wszystkich nowotworach jelita grubego jest stosunkowo niski, a raporty na temat jego występowania różnią się w zależności od regionu i badania. Ostatnie badania wykazały, że MPCC odpowiada za od 2% do 10% przypadków raka jelita grubego2,3,4,5. W porównaniu z pojedynczym rakiem jelita grubego, MPCC ma gorsze rokowanie3,6. Obecnie kliniczna ocena rokowania MPCC opiera się głównie na systemie oceny stopnia zaawansowania przerzutów do węzłów chłonnych nowotworu (TNM) Amerykańskiego Wspólnego Komitetu ds. Raka, który wykorzystuje najbardziej zaawansowany stopień zmian mnogich jako rzeczywisty stopień zaawansowania MPCC. Jednak opieranie prognoz prognostycznych wyłącznie na ocenie stopnia zaawansowania TNM jest niewystarczające. Wciąż brakuje skutecznego narzędzia do przewidywania rokowania MPCC po operacji. W obecnej erze medycyny precyzyjnej kliniczne modele predykcyjne do ilościowego określania ryzyka są szeroko stosowane w podejmowaniu decyzji klinicznych i ocenie rokowania pacjentów7,8. W ostatnich latach nomogramy oparte na niezależnych prognostycznych czynnikach ryzyka są powszechnie akceptowane do przewidywania rokowania nowotworu9. Nomogramy mogą wizualizować złożone modele statystyczne, co ułatwia ich zastosowanie w warunkach klinicznych. W ocenie rokowania nowotworu powszechnie stosowanymi wskaźnikami wyników są przeżycie całkowite (OS) i przeżycie specyficzne dla raka (CSS) 9. OS odnosi się do czasu od potwierdzenia raka u pacjenta do śmierci z jakiejkolwiek przyczyny. CSS odnosi się do czasu od rozpoznania guza do śmierci spowodowanej konkretnie przez nowotwór, oferując bardziej precyzyjne odzwierciedlenie ryzyka zgonu z powodu nowotworu. Gdy CSS jest używany jako wskaźnik wyniku, zgony spowodowane innymi czynnikami mogą wpływać na prawdopodobieństwo śmiertelności specyficznej dla raka, wprowadzając konkurencyjną zależność ryzyka między tymi dwoma zdarzeniami10,11. W związku z tym badania przeżycia specyficznego dla nowotworu powinny wykorzystywać konkurencyjne modele ryzyka w celu wyeliminowania wpływu konkurencyjnych zdarzeń. Poprzednie badania skonstruowały modele do przewidywania prognozy MPCC, ale były one ograniczone do synchronicznego raka jelita grubego i nie wykorzystywały konkurencyjnych modeli ryzyka do uwzględnienia wpływu konkurencyjnych zdarzeń na CSS12,13,14.

W tym badaniu badaliśmy konkurencyjne niezależne czynniki ryzyka wpływające na przeżycie MPCC specyficzne dla raka po operacji. Uzasadnieniem dla zastosowania konkurencyjnego modelu ryzyka jest jego zdolność do uwzględnienia możliwości, że pacjenci mogą umrzeć z przyczyn innych niż rak, co ma kluczowe znaczenie dla uzyskania bezstronnych szacunków przeżycia15,16. Tradycyjne techniki analizy przeżycia, takie jak model Coxa, mogą przeszacowywać prawdopodobieństwo przeżycia w obecności konkurencyjnych zdarzeń, co sprawia, że stosowanie konkurencyjnych modeli ryzyka jest bardziej odpowiednie w tych scenariuszach17.

Na podstawie zidentyfikowanych niezależnych czynników ryzyka, skonstruowaliśmy nomogram do przewidywania prawdopodobieństwa przeżycia i sprawdziliśmy jego działanie. Nomogramy zyskały popularność w warunkach klinicznych, ponieważ zapewniają przyjazną dla użytkownika graficzną reprezentację złożonych modeli statystycznych, umożliwiając klinicystom łatwe obliczanie zindywidualizowanych ocen ryzyka18,19. W przeciwieństwie do innych narzędzi predykcyjnych, nomogramy uwzględniają wiele czynników ryzyka i zapewniają dokładniejsze, spersonalizowane szacunki prognoz. Podejście to jest coraz częściej weryfikowane w przypadku różnych nowotworów, wykazując lepszą wydajność w porównaniu z tradycyjnymi systemami oceny stopnia20,21,22. Nasze narzędzie ma na celu pomóc klinicystom w dokonywaniu spersonalizowanych i dokładniejszych szacunków rokowania podczas diagnozy i leczenia, usprawniając w ten sposób podejmowanie decyzji w leczeniu MPCC.

Protokół

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

To badanie składa się z dwóch etapów. W pierwszej kolejności uzyskano dane kliniczne i dotyczące przeżycia MPCC z bazy danych SEER. Następnie oprogramowanie R (wersja 4.3.3) zostało wykorzystane do analizy i skonstruowania konkurencyjnego modelu ryzyka. Schemat przebiegu badania jest przedstawiony w Rysunek 1. To badanie nie wymaga zgody etycznej i zgody na udział. Dane wykorzystane w tym badaniu uzyskano z baz danych.

1. Akwizycja danych

  1. Pobierz wskaźnik SEER. Stat 8.4.3 ze strony internetowej bazy danych SEER (http://seer.cancer.gov/about/overview.html). Zarejestruj się i zaloguj do SEER. Stat 8.4.3 w celu uzyskania odpowiednich danych pacjenta.
  2. Po zalogowaniu się do SEER. Statystyka 8.4.3, kliknij Case Listing Session > Data i wybierz bazę danych Incidence SEER Research Data, 17 Registries, Nov 2022 Sub (2000-2020).
  3. Kliknij na Selekcja > Edytuj i wybierz {Rasa, Płeć, Rok Dx. Rok diagnozy} = '2004', '2005', '2006', '2007', '2008', '2009', '2010', '2011', '2012', '2013', '2014', '2015' ORAZ {Miejsce i morfologia. Rekodowanie ośrodka ICD-O-3/WHO 2008} = 'Okrężnica i odbytnica' ORAZ {Miejsce i morfologia. Potwierdzenie diagnostyczne} = 'pozytywna histologia' ORAZ {wiele pól pierwotnych. Numer sekwencyjny}! = 'Tylko jedna podstawowa'.
  4. Kliknij OK i zapisz wybór. Kliknij Tabelę, a następnie w interfejsie Dostępne zmienne wybierz Recode Age z pojedynczymi wiekami i 85+, Płeć, Recode miejsca ICD-O-3/WHO 2008, CS rozmiar guza, Grade Recode (do 2017), Pochodny AJCC T, 6th ed (2004-2015), Derived AJCC N, 6th ed (2004-2015), Derived AJCC M, 6th ed (2004-2015), Radiation recode, Chemotherapy recode (tak, nie/unk), SEER Przyczyna klasyfikacji zgonów, Zobacz klasyfikację innych przyczyn zgonu, miesiące przeżycia, identyfikator pacjenta, RX Summ-Surg Prim Site (1998+)) i kliknij na Kolumna.
  5. Kliknij Wyjście, nazwij dane i kliknij Wykonaj, aby wyprowadzić i zapisać dane.
  6. Baza danych SEER nie dostarcza bezpośrednio informacji o tym, czy pacjent ma MPCC. Po zakończeniu pobierania danych zgodnie z powyższym opisem użyj identyfikatora pacjenta, aby odfiltrować pacjentów z MPCC, czyli tych, u których zdiagnozowano co najmniej dwa wystąpienia. Po zidentyfikowaniu pacjentów z MPCC oblicz odstęp czasu między diagnozami guza na podstawie ich czasu przeżycia. Przyjmując 6 miesięcy jako granicę, klasyfikuj pacjentów do SMPCC i MMPCC.
  7. Na podstawie ich wieku w momencie wstępnej diagnozy skategoryzuj wiek pacjentów jako = 65 lat i> 65 lat. W przypadku stopnia nowotworu stopień I odpowiada dobremu różnicowaniu, stopień II odpowiada umiarkowanemu różnicowaniu, stopień III odpowiada niskiemu różnicowaniu, a stopień IV odpowiada niezróżnicowaniu. Klasyfikuj lokalizację guza na podstawie rozmieszczenia wielu guzów jako prawej okrężnicy, lewego jelita grubego i całego jelita grubego.
    1. Istnieją oczywiste różnice w rozwoju embrionalnym i cechach biologicznych między bliższym i dalszym jelitem grubym, podziel lokalizację guza na podstawie zgięcia śledziony23. Prawe jelito grube definiuje się jako proksymalne do zgięcia śledziony, w tym jelita ślepego, okrężnicy wstępującej, zgięcia wątrobowego i okrężnicy poprzecznej, podczas gdy lewe jelito grube obejmuje zgięcie śledziony, okrężnicę zstępującą, esicę, połączenie odbytniczo-esicze i odbytnicę. Jeśli guzy pacjenta są całkowicie zlokalizowane w prawej okrężnicy, zdefiniuj lokalizację guza jako prawą okrężnicę; Jeśli wszystkie guzy znajdują się w lewym jelitie grubym, zdefiniuj lokalizację jako lewe jelito grube; Jeśli guzy występują zarówno w prawej okrężnicy, jak i w lewym jelitu grubym, zdefiniuj lokalizację jako całe jelito grube.
  8. Określ wielkość guza, wybierając największą średnicę guza spośród wielu guzów u tego samego pacjenta. Na podstawie średnicy guza skategoryzuj rozmiar jako = 5 cm lub >5 cm. Do badania włączono łącznie 8 931 pacjentów. Aby utworzyć kohortę szkoleniową i kohortę walidacyjną, losowo podziel wszystkie obserwacje w stosunku 7:3.

2. Budowa modelu

  1. Pobierz oprogramowanie RStudio (2023.12.1+402) i R (4.3.3). Otwórz program RStudio, aby uruchomić oprogramowanie języka R. Kliknij pozycję Nowy plik i wybierz pozycję Skrypt języka R, aby utworzyć nowy interfejs programowania języka R. Wprowadź odpowiedni kod w edytorze kodu i kliknij Uruchom, aby wykonać kod.
    UWAGA: Język R i jego funkcje oferują szeroką gamę parametrów. Dodanie lub zmodyfikowanie tych parametrów może usprawnić analizę i wizualizację danych.
  2. Użyj poniższego kodu, aby przeprowadzić analizę jednowymiarową i wykreślić krzywą CIF.
    biblioteka(tidycmprsk)
    biblioteka(gtsummary)
    biblioteka(ggsurvfit)
    biblioteka(ggprism)
    data <-read.csv('data.csv')"
    data$status<-factor(data$status, levels=c(0,1,2),labels=c("0","CSS","OCS"))
    CIF <- tidycmprsk::cuminc(Surv(czas, status) ~ Płeć, dane = dane)
    ggcuminc(CIF,wynik= c("CSS", "OCS"),rozmiar=1.5)
    gdzie data.csv są dane uzyskane z bazy danych SEER.
  3. Po uruchomieniu powyższego kodu kliknij Eksportuj, następnie kliknij Zapisz jako obraz, a na koniec kliknij Zapisz, aby zapisać obraz. Sposób zapisywania kolejnych obrazów będzie taki sam jak w tym kroku. Zastąp Płeć w powyższym kodzie jeden po drugim innymi czynnikami, aby przeprowadzić analizę jednowymiarową dla wszystkich czynników.
  4. Użyj poniższego kodu, aby wykonać analizę BSR oraz analizę i wizualizację wielowymiarową.
    biblioteka(skoki)
    biblioteka(ryzykoRegresja)
    biblioteka(prodlim)
    biblioteka(działka leśna)
    leaps<-regsubsets(status==0~Płeć+Rozmiar+Stopień+T+N+M,dane = dane)
    plot(skoki,skala="adjr2")
    multi <- FGR(Hist(czas,status)~Płeć + T + N + M + Stopień+ Rozmiar, przyczyna=1, dane=dane)
    Podsumowanie(Wielo)
    Wiele <- read.csv("multi.csv",nagłówek = T)
    forestplot(labeltext=as.matrix(Multi [,1:4]), mean= Multi $HR_mean, ower= Multi $HR_1, upper= Multi $HR_2)
    gdzie dane w multi.csv pochodzą z wyników poprzedniego kodu.
  5. Wykonaj krok 2.3., aby zapisać obraz.
  6. Użyj poniższego kodu, aby wykreślić nomogram, krzywą ROC, krzywą kalibracyjną i krzywą DCA.
    biblioteka(QHScrnomo)
    biblioteka(rms)
    biblioteka(ryzykoRegresja)
    biblioteka(prodlim)
    Dane <- read.csv("data.csv")
    d <- ROZKŁAD.DANYCH(dane)
    opcje(rozkład.danych = "d")
    e <-cph(Surv(czas,status==1)~ Płeć + T + N + M + Stopień, dane = dane,
    x=T, y=T, surv=T,time.inc=60)
    nomo <- crr.fit(e,failcode=1,cencode = 0)
    nomogram.crr(fit =nomo, lp = F, xfrac = 0.5, fun.at =seq(from=0, to=1, by= 0.1) , failtime =c(12,36,60),funlabel = c("1-letnia skumulowana częstość występowania CSS", "3-letnia skumulowana częstość występowania CSS","5-letnia skumulowana częstość występowania CSS"))
    set.seed(123)
    data$pro <- tenf.crr(m3,czas = 60)
    groupci(x=data$pro, ftime = data$time, fstatus = data$status, failcode = 1, cencode = 0, ci = TRUE)
    f <- CSC(Hist(czas,status)~Płeć + T + N + M + Stopień, dane = dane)
    x <- Wynik(lista(model1=f), Hist(czas,status)~1, dane=dane, przyczyna=1, razy=c(12,36,60), se.fit=1L, wykresy="roc", metrics="auc")
    g <- as.data.frame(x$AUC$wynik)
    h <- g[g$times %in% c(12,36,60),]
    col = c("ciemny cyjan","pomidor","fioletowy")
    plotROC(x, xlab="1-Specyficzność", ylab="Czułość",col=col[1], cex=1.5, legend="", auc.in.legend = F, times = 12)
    plotROC(x,col=col[2],legend = '', cex=1.5,times =36,auc.in.legend = F,add=T)
    plotROC(x,col=col[3], times =60, add=T, cex=1.5, legend = '',auc.in.legend = F)
    noga <- paste0(c("1-Rok: ","3-Rok: ","5-Rok: "),substr(a$AUC,1,5))
  7. Wykonaj krok 2.3., aby zapisać obraz.
  8. Użyj pakietu ggscidca, aby wykreślić krzywą DCA.
    biblioteka(ggscidca)
    df_surv<-read.csv("data.csv",nagłówek = T)
    cox_model <- coxph(Surv(czas,status==1)~ Płeć + T + N+ M + Stopień, dane = df_surv)
    cox_model1<-newcrr(cox_model)
    scidca(cox_model1, newdata= df_surv,threshold.line = T,threshold.text = T)
    gdzie data.csv są dane uzyskane z bazy danych SEER.
  9. Wykonaj krok 2.3., aby zapisać obraz.

Wyniki

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

Charakterystyka pacjenta
Do badania włączono łącznie 8 931 pacjentów. Jeśli chodzi o rozkład płci, odsetek pacjentów płci męskiej (56%) był wyższy niż u kobiet (44%). Jeśli chodzi o rozmieszczenie lokalizacji guza, większość guzów była rozmieszczona w całym jelitie grubym, podczas gdy najmniej guzów znajdowało się w prawej okrężnicy (21%). Jeśli chodzi o stopień złośliwości nowotworu, najczęstszym stopniem był stopień II, z 6 251 pacjentami, co stanowi 70% całości; Na drugim miejscu uplasował się stopień III, z 2 026 pacjentami (23%). Stopień I i IV miał odpowiednio 355 i 299 pacjentów, co stanowiło 4% i 3,3% ogółu. Jeśli chodzi o inwazję guza, najczęstsze były stadia T3 i T4. Ponad połowa pacjentów nie miała przerzutów do węzłów chłonnych, a 17% pacjentów doświadczyło przerzutów odległych. Radioterapię otrzymało 1446 pacjentów (16%), a chemioterapię podano 3843 pacjentom (43%). SCRC występował częściej, z 5 327 pacjentami, co stanowiło 60% całości; Było 3 604 pacjentów z metachronicznym rakiem jelita grubego, co stanowiło 40%. Pacjenci zostali losowo podzieleni na zestawy treningowe i walidacyjne w stosunku 7:3. Nie stwierdzono statystycznie istotnych różnic w danych wyjściowych między kohortami szkoleniową i walidacyjną, jak pokazano w Tabeli 1.

Analiza jednej zmiennej
Po kontrolowaniu wpływu zdarzeń konkurencyjnych, wyniki analizy jednoczynnikowej wykazały, że płeć, stopień i wielkość guza, stopień zaawansowania TNM, radioterapia, chemioterapia, stan synchroniczny lub metachroniczny oraz lokalizacja guza były czynnikami prognostycznymi wpływającymi na CSS u pacjentów z MPCC. Sam wiek nie jest czynnikiem prognostycznym dla CSS u pacjentów z MPCC. Zauważamy, że istnieje znaczące przecięcie CIF w radioterapii, chemioterapii, lokalizacji i stanie synchronicznym lub metachronicznym, co wskazuje, że krótko- i długoterminowe skutki prognostyczne promieniowania u pacjentów z MPCC były różne, podobnie jak chemioterapia, lokalizacja i stan synchroniczny lub metachroniczny. Skumulowana krzywa ryzyka dla każdej podgrupy jest pokazana na Rysunek 2.

Analiza wielu zmiennych
Czynniki prognostyczne uzyskane za pomocą analizy jednowymiarowej włączono do regresji najlepszych podzbiorów (BSR) i analizy wielowymiarowej modelu ryzyka konkurencyjnego. Wśród nich wykluczone jest radiozapalanie, chemioterapia, lokalizacja oraz stan synchroniczny lub metachroniczny ze względu na ich podwójny wpływ na rokowanie. Wyniki BSR i analizy wieloczynnikowej wykazały, że płeć, stopień zaawansowania TNM i stopień zaawansowania guza były niezależnymi czynnikami ryzyka CSS u pacjentów z MPCC. (Rysunek 2)

Budowa i weryfikacja Nomogramu
Opierając się na niezależnych czynnikach ryzyka uzyskanych za pomocą analizy wielowymiarowej, konstruujemy nomogram liniowy do przewidywania CSS i weryfikowania wydajności modelu predykcyjnego (Rysunek 3). Następnie używamy krzywej ROC, krzywej kalibracyjnej i DCA do oceny modelu. Krzywa ROC wykazała, że AUC 1-rocznej, 3-letniej i 5-letniej kohorty szkoleniowej wynosiły 0,762, 0,742 i 0,734, a AUC 1-rocznej, 3-letniej i 5-letniej kohorty weryfikacyjnej wynosiły 0,801, 0,740 i 0,743. W kohorcie treningowej i kohorcie weryfikacyjnej krzywa kalibracji wykazała dużą zgodność między przewidywanym prawdopodobieństwem a rzeczywistymi danymi (Rysunek 4). W celu zweryfikowania wydajności modelu w zastosowaniu klinicznym, wykorzystaliśmy DCA do oceny wartości klinicznej modelu. Wyniki pokazują, że model wykazuje dobrą korzyść netto (Rysunek 5).

figure-results-1
Rysunek 1: Diagram przebiegu badania. Badanie składa się z dwóch etapów: po pierwsze, dane uzyskano za pomocą SEER. Stat, a następnie analiza i wizualizacja danych zostały wykonane za pomocą R. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

figure-results-2
Rysunek 2: Wyniki analizy. (A) CIF podgrup. * Wskazuje p <0,05. (B) Regresja najlepszych podzbiorów. W ramach najlepszej dobroci dopasowania, płeć, stopień i etap TNM były brane pod uwagę do włączenia (pokazane jako czarne bloki u góry). (C) Analiza wieloczynnikowa wykazała również, że płeć, stopień zaawansowania i stopień zaawansowania TNM są niezależnymi czynnikami ryzyka. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

figure-results-3
Rysunek 3: Nomogram dla CSS u pacjentów z MPCC. Całkowity wynik pacjenta można obliczyć, dodając wyniki odpowiadające każdemu czynnikowi. Na podstawie całkowitego wyniku można przewidzieć prawdopodobieństwo zgonu z powodu raka w wieku 1, 3 i 5 lat Kliknij tutaj, aby wyświetlić większą wersję tej liczby.

figure-results-4
Rysunek 4: Krzywa ROC i krzywa kalibracyjna. (A, B) Krzywe w kohorcie treningowej (n=6255) i (C, D) kohorcie walidacyjnej (n=2676). Im wartość AUC jest bliższa 1, tym lepsza wydajność klasyfikacyjna modelu. Słupki błędów pokazują 95% przedział ufności dla prawdopodobieństwa wystąpienia rzeczywistego zdarzenia. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

figure-results-5
Rysunek 5: DCA dla 1-letniego, 3-letniego i 5-letniego. (A, B, C) DCA w kohorcie szkoleniowej i (D, E, F) kohorcie walidacyjnej. Zielona linia reprezentuje korzyść netto wszystkich pozytywów, niebieska linia reprezentuje korzyść netto bez pozytywów, a czerwona linia wskazuje korzyść netto modelu. Czerwony obszar poniżej reprezentuje korzyści płynące z modelu przewyższające korzyści wszystkich pozytywów i brak zalet, wskazując rzeczywisty zakres korzyści modelu. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Tabela 1: Charakterystyka kliniczno-wyjściowa pacjentów. Kliknij tutaj, aby pobrać tę tabelę.

Dyskusja

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

Jako powszechny nowotwór układu pokarmowego, czynniki wpływające na rokowanie w pojedynczym raku jelita grubego zostały zbadane i potwierdzone we wcześniejszych badaniach24. Przeprowadzono jednak ograniczone badania nad czynnikami prognostycznymi u pacjentów z MPCC. Badaniem objęto 8 931 pacjentów z MPCC, którzy przeszli operację z bazy danych SEER w latach 2004-2015. Wykorzystaliśmy konkurencyjny model ryzyka do zbadania czynników ryzyka wpływających na CSS i skonstruowaliśmy model predykcyjny. W tym badaniu 39,1% zmarłych pacjentów zmarło z przyczyn innych niż rak, co podkreśla konieczność wykorzystania konkurencyjnego modelu ryzyka do analizy czynników ryzyka CSS.

Poprzednie badania wykazały, że zaawansowany wiek jest czynnikiem ryzyka wpływającym na OS pacjentów z MPCC12. Jednak w tym badaniu stwierdziliśmy, że wiek nie był czynnikiem ryzyka CSS. Pacjenci w podeszłym wieku często wykazują gorsze warunki zdrowotne i więcej chorób współistniejących, co może prowadzić do krótszego OS w porównaniu z młodszymi pacjentami. Osoby starsze są również bardziej narażone na śmierć z innych przyczyn, takich jak zdarzenia sercowo-naczyniowe i ciężkie infekcje, co czyni je bardziej podatnymi na te czynniki niż młodsi pacjenci. W tym badaniu skupiliśmy się na konkurencyjnym związku między zgonami z innych przyczyn a zgonami z powodu samego raka. Stosując konkurencyjny model ryzyka i wykluczając interferencję zgonów spowodowanych innymi przyczynami, stwierdziliśmy, że w tych warunkach zaawansowany wiek nie był już czynnikiem ryzyka CSS MPCC. Oznacza to, że pacjenci z MPCC w różnych grupach wiekowych mogą borykać się z podobnymi obciążeniami nowotworowymi. Ogólnie rzecz biorąc, młodzi i starsi pacjenci z tą chorobą mają podobny CSS, co stanowi cenne wskazówki dotyczące opracowywania spersonalizowanych strategii leczenia.

Badanie to wykazało również, że częstość występowania i rokowanie MPCC wykazują tendencje związane z płcią, z wyższym odsetkiem i gorszym CSS u pacjentów płci męskiej. Jest to zgodne z sytuacją obserwowaną w przypadku pojedynczego raka jelita grubego. Wcześniejsze badania wykazały, że pojedynczy rak jelita grubego występuje częściej u mężczyzn, a pacjenci płci męskiej mają gorsze rokowanie niż pacjenci płci żeńskiej. Może to wynikać z wpływu estrogenu na występowanie i progresję raka jelita grubego25. Ponadto inne badania sugerują, że mikrobiota jelitowa i metabolity jelitowe u pacjentów płci męskiej mogą być jedną z przyczyn różnic między płciami obserwowanych u pacjentów z rakiem jelita grubego26. Badanie przeprowadzone w Niemczech wykazało, że cukrzyca typu 2 ma większy wpływ na raka jelita grubego u27-letnich kobiet. Co więcej, witamina D ma działanie ochronne przed neoplazją jelita grubego u kobiet, ale podobnych objawów nie stwierdzono umężczyzn.

Konkurencyjna analiza jednoczynnikowa wykazała, że pacjenci z MPCC z większymi rozmiarami guza mieli gorszy CSS. W poprzednich badaniach wielkość guza była często uważana za wskaźnik agresywności guza 29,30,31. Jednak wyniki konkurencyjnych analiz wieloczynnikowych nie potwierdziły wielkości guza jako niezależnego czynnika ryzyka. Sugeruje to, że w pustych narządach, takich jak jelito grube, rozmiar guza może mieć ograniczoną zdolność do odzwierciedlania agresywności guza. Zjawisko to może wynikać z różnych czynników, w tym złożoności biologii guza oraz różnych wzorców wzrostu guza i rozprzestrzeniania się w różnych narządach.

Zły stopień zaawansowania guza wskazuje na silniejsze zdolności inwazyjne i migracyjne komórek nowotworowych, co jest zgodne z wnioskami tego badania: gorszy stopień guza sugeruje gorszy CSS u pacjentów z MPCC. Stopień zaawansowania TNM jest najczęściej stosowaną metodą kliniczną do kierowania leczeniem pacjenta i przewidywania rokowania32,33. Badanie to wykazało, że im głębszy naciek guza, im większa liczba przerzutowych węzłów chłonnych i obecność przerzutów do narządów, tym gorsze przeżycie pacjenta specyficzne dla raka. Jest to całkowicie zgodne z konsensusem klinicznym.

W przypadku raka jelita grubego rokowanie różni się w zależności od lokalizacji guza. Wiele badań wykazało, że prawa okrężnica ma gorsze rokowanie w porównaniu z lewym jelitem grubym 34,35,36,37. Jednak niektóre badania sugerują, że w resekcyjnym raku jelita grubego lokalizacja guza nie ma wpływu na długoterminowe rokowanie38. W tym badaniu MPCC zlokalizowany w prawej okrężnicy miał gorszy CSS w krótkim okresie, ale lepsze rokowanie długoterminowe. Podobnie, pacjenci z MPCC, którzy otrzymywali radioterapię i chemioterapię, mieli lepszy krótkoterminowy CSS, ale gorszy długoterminowy CSS. SCRC miał gorszy krótkoterminowy CSS w porównaniu do MCRC, ale lepszy długoterminowy CSS. Przyczyny tych podwójnych skutków dla rokowania są nadal niejasne.

To badanie ma pewne ograniczenia. Ze względu na nieodłączne ograniczenia bazy danych SEER nie byliśmy w stanie uzyskać ani przeanalizować niektórych znanych wskaźników prognostycznych, takich jak poziomy antygenów rakowo-embrionalnych (CEA) i status mikrosatelitarny. Ponadto nie mogliśmy wykluczyć pacjentów z nieswoistym zapaleniem jelit, dziedzicznym rakiem jelita grubego niezwiązanym z polipowatością i rodzinną polipowatością gruczolakowatą, którzy mają wyższe ryzyko MPCC39. Ponadto immunoterapia staje się coraz ważniejszym aspektem leczenia raka jelita grubego, ale nie udało nam się uzyskać danych na ten temat. Retrospektywny charakter naszej analizy i poleganie na jednym zbiorze danych może prowadzić do nieodłącznych uprzedzeń.

Badanie oparte na bazie danych SEER wykazało, że płeć męska, słaby stopień zaawansowania guza i zaawansowany stopień TNM były związane z gorszym CSS u pacjentów z MPCC po operacji. Ważne jest, aby zwracać szczególną uwagę na pacjentów z tymi czynnikami ryzyka podczas diagnozy i leczenia. Ponadto w ramach tego badania opracowano nomogram do przewidywania CSS u pacjentów z MPCC, który może dokładnie przewidzieć rokowanie i przyczynić się do podejmowania decyzji dotyczących leczenia klinicznego.

Oświadczenia

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

Autorzy nie mają nic do ujawnienia.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
pakiet forestplotKompleksowa sieć archiwów języka R (CRAN)wykres leśny 3.1.3Wykres lasu, który umożliwia wiele przedziałów ufności na wiersz, niestandardowe czcionki dla każdego elementu tekstowego, niestandardowe przedziały ufności, tekst mieszany z wyrażeniami i nie tylko.
pakiet ggprismKompleksowa sieć archiwów R (CRAN)ggprism 1.0.5Pakiet ggprism zawiera różne motywy, palety i inne przydatne funkcje do dostosowywania ggplots i nadawania im ' Pryzmat GraphPad' patrzeć.
pakiet ggscidcaKompleksowa sieć archiwów języka R (CRAN)pakiet ggscidca  Pakiet "ggscidca" dodaje kolorowe paski o znaczeniu dyskryminacyjnym do tradycyjnej krzywej decyzyjnej. Zwiększona praktyczność i estetyka.
pakiet ggsurvfitKompleksowa sieć archiwizacji R (CRAN)ggsurvfit 1.1.0Pakiet ggsurvfit ułatwia tworzenie danych podsumowujących czas do zdarzenia (inaczej przeżycie) za pomocą ggplot2. Zwięzły i modułowy kod tworzy obrazy, które są gotowe do publikacji lub udostępnienia.
gtsummary packageComprehensive R Archive Network (CRAN)gtsummary 2.0.0Pakiet gtsummary zapewnia elegancki i elastyczny sposób tworzenia gotowych do publikacji tabel analitycznych i podsumowujących przy użyciu języka programowania R. Pakiet {gtsummary} podsumowuje zestawy danych, modele regresji i nie tylko, używając rozsądnych ustawień domyślnych z wysoce konfigurowalnymi możliwościami.
Pakiet QHScrnomoKompleksowa sieć archiwizacji języka R (CRAN)QHScrnomo 3.0.1Celem QHScrnomo jest zapewnienie funkcjonalności umożliwiającej konstruowanie nomogramów w kontekście analizy czasu do zdarzenia (przeżycia) w obecności konkurencyjnych zagrożeń. Zawiera również funkcje do budowania, weryfikowania i podsumowywania tych modeli.
R SoftwareR Core TeamR 4.3.3Darmowe środowisko oprogramowania do obliczeń statystycznych i grafiki
riskPakiet regresjiComprehensive R Archive Network (CRAN)riskRegression 1.3.7Modele regresji ryzyka i wyniki predykcyjne do analizy przeżycia z konkurencyjnymi zagrożeniami
Pakiet rmsKompleksowa sieć archiwów R (CRAN)rms 6.8-1  Program RMS wykonuje modelowanie regresji, testowanie, szacowanie, walidację, grafikę, przewidywanie i skład, przechowując ulepszone atrybuty projektu modelu w dopasowaniu.
RStudioRStudio, Public Benefit Corporation(PBC)Rstudio 2023.12.1+402Zintegrowane środowisko programistyczne (IDE) używane do uruchamiania skryptów języka R, analizy danych i opracowywania modeli. Zapewnia przyjazny dla użytkownika interfejs do programowania w języku R z zaawansowanymi funkcjami, takimi jak edycja skryptów, debugowanie i kontrola wersji.
SEERstatNational Cancer Institute (NCI)SEERstat 8.4.3Oprogramowanie do analizy statystycznej SEER i innych baz danych związanych z rakiem
pakiet tidycmprskKompleksowa sieć archiwów R (CRAN)tidycmprsk 1.0.0Pakiet tidycmprsk zapewnia intuicyjny interfejs do pracy z konkurującymi punktami końcowymi ryzyka

Bibliografia

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Bray, F., et al. Global cancer statistics 2022: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries. CA Cancer J Clin. 74 (3), 229-263 (2024).
  2. Derwinger, K., Gustavsson, B. A study of aspects on gender and prognosis in synchronous colorectal cancer. Clin Med Insights Oncol. 5, 259-264 (2011).
  3. Chin, C. C., Kuo, Y. H., Chiang, J. M. Synchronous colorectal carcinoma: predisposing factors and characteristics. Colorectal Dis. 21 (4), 432-440 (2019).
  4. Nikoloudis, N., et al. Synchronous colorectal cancer. Tech Coloproctol. 8 (Suppl 1), s177-s179 (2004).
  5. Huang, C. S., et al. Synchronous and metachronous colorectal cancers: Distinct disease entities or different disease courses. Hepatogastroenterology. 62 (140), 838-842 (2015).
  6. He, W., et al. Prognosis of synchronous colorectal carcinoma compared to solitary colorectal carcinoma: a matched pair analysis. Eur J Gastroenterol Hepatol. 31 (12), 1489-1495 (2019).
  7. Ranstam, J., Cook, J. A., Collins, G. S. Clinical prediction models. Br J Surg. 103 (13), 1886(2016).
  8. Smith, T., et al. Comparison of prognostic models to predict the occurrence of colorectal cancer in asymptomatic individuals: a systematic literature review and external validation in the EPIC and UK Biobank prospective cohort studies. Gut. 68 (4), 672-683 (2019).
  9. Iasonos, A., Schrag, D., Raj, G. V., Panageas, K. S. How to build and interpret a nomogram for cancer prognosis. J Clin Oncol. 26 (8), 1364-1370 (2008).
  10. Conroy, T., et al. Five-year outcomes of FOLFIRINOX vs Gemcitabine as adjuvant therapy for pancreatic cancer: A randomized clinical trial. JAMA Oncol. 8 (11), 1571-1578 (2022).
  11. Zhong, M., et al. Impact of lung metastasis versus metastasis of bone, brain, or liver on overall survival and thyroid cancer-specific survival of thyroid cancer patients: A population-based study. Cancers. 14 (13), 3133(2022).
  12. Xu, Y., Wang, X., Huang, Y., Ye, D., Chi, P. A LASSO-based survival prediction model for patients with synchronous colorectal carcinomas based on SEER. Transl Cancer Res. 11 (8), 2795-2809 (2022).
  13. Zhang, X., Zhao, L., Hu, Y., Deng, K., Ren, W. A novel risk prediction nomogram for early death in patients with resected synchronous multiple primary colorectal cancer based on the SEER database. Int J Colorectal Dis. 38 (1), 130(2023).
  14. Zhang, X., et al. Developing prognostic nomograms to predict overall survival and cancer-specific survival in synchronous multiple primary colorectal cancer based on the SEER database. J Cancer Res Clin Oncol. 149 (15), 14057-14070 (2023).
  15. Austin, P. C., Lee, D. S., Fine, J. P. Introduction to the analysis of survival data in the presence of competing risks. Circulation. 133 (6), 601-609 (2016).
  16. Lau, B., Cole, S. R., Gange, S. J. Competing risk regression models for epidemiologic data. Am J Epidemiol. 170 (2), 244-256 (2009).
  17. Nolan, E. K., Chen, H. Y. A comparison of the Cox model to the Fine-Gray model for survival analyses of re-fracture rates. Arch Osteoporos. 15 (1), 86(2020).
  18. Park, S. Y. Nomogram: An analogue tool to deliver digital knowledge. J Thorac Cardiovasc Surg. 155 (4), 1793(2018).
  19. Balachandran, V. P., Gonen, M., Smith, J. J., DeMatteo, R. P. Nomograms in oncology: more than meets the eye. Lancet Oncol. 16 (4), e173-e180 (2015).
  20. Liang, W., et al. Development and validation of a nomogram for predicting survival in patients with resected non-small-cell lung cancer. J Clin Oncol. 33 (8), 861-869 (2015).
  21. Chen, D., et al. Predicting postoperative peritoneal metastasis in gastric cancer with serosal invasion using a collagen nomogram. Nat Commun. 12 (1), 179(2021).
  22. Niu, X., et al. A prognostic nomogram for patients with newly diagnosed adult thalamic glioma in a surgical cohort. Neuro Oncol. 23 (2), 337-338 (2021).
  23. Luo, S., et al. Comparison of left- and right-sided colorectal cancer to explore prognostic signatures related to pyroptosis. Heliyon. 10 (7), e28091(2024).
  24. Keum, N., Giovannucci, E. Global burden of colorectal cancer: emerging trends, risk factors and prevention strategies. Nat Rev Gastroenterol Hepatol. 16 (12), 713-732 (2019).
  25. Foster, P. A. Oestrogen and colorectal cancer: mechanisms and controversies. Int J Colorectal Dis. 28 (6), 737-749 (2013).
  26. Wang, L., et al. Male-biased gut microbiome and metabolites aggravate colorectal cancer development. Adv Sci. 10 (25), e2206238(2023).
  27. Krämer, H. U., et al. Type 2 diabetes mellitus and gender-specific risk for colorectal neoplasia. Eur J Epidemiol. 27 (5), 341-347 (2012).
  28. Aigner, E., et al. Gender- and site-specific differences of colorectal neoplasia relate to vitamin D. Aliment Pharmacol Ther. 40 (11-12), 1341-1348 (2014).
  29. Dai, W., et al. Does tumor size have its prognostic role in colorectal cancer? Re-evaluating its value in colorectal adenocarcinoma with different macroscopic growth pattern. Int J Surg. 45, 105-112 (2017).
  30. Rössler, O., et al. Tumor size, tumor location, and antitumor inflammatory response are associated with lymph node size in colorectal cancer patients. Mod Pathol. 30 (6), 897-904 (2017).
  31. Zhang, Q., et al. Prognostic impact of tumor size on patients with metastatic colorectal cancer: a large SEER-based retrospective cohort study. Updates Surg. 75 (5), 1135-1147 (2023).
  32. Greene, F. L. TNM: our language of cancer. CA Cancer J Clin. 54 (3), 129-130 (2004).
  33. Ueno, H., et al. Optimal colorectal cancer staging criteria in TNM classification. J Clin Oncol. 30 (13), 1519-1526 (2012).
  34. Yahagi, M., Okabayashi, K., Hasegawa, H., Tsuruta, M., Kitagawa, Y. The worse prognosis of right-sided compared with left-sided colon cancers: a systematic review and meta-analysis. J Gastrointest Surg. 20 (3), 648-655 (2016).
  35. Holch, J. W., Ricard, I., Stintzing, S., Modest, D. P., Heinemann, V. The relevance of primary tumour location in patients with metastatic colorectal cancer: A meta-analysis of first-line clinical trials. Eur J Cancer. 70, 87-98 (2017).
  36. Petrelli, F., et al. Prognostic survival associated with left-sided vs right-sided colon cancer: A systematic review and meta-analysis. JAMA Oncol. 3 (2), 211-219 (2017).
  37. Zheng, C., Jiang, F., Lin, H., Li, S. Clinical characteristics and prognosis of different primary tumor location in colorectal cancer: a population-based cohort study. Clin Transl Oncol. 21 (11), 1524-1531 (2019).
  38. Karim, S., Brennan, K., Nanji, S., Berry, S. R., Booth, C. M. Association between prognosis and tumor laterality in early-stage colon cancer. JAMA Oncol. 3 (10), 1386-1392 (2017).
  39. Lindberg, L. J., et al. Risk of multiple colorectal cancer development depends on age and subgroup in individuals with hereditary predisposition. Fam Cancer. 18 (2), 183-191 (2019).

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

Analiza ryzyk konkurencyjnychmodel nomogramubaza danych SEERprzerzutowanie guza do w z w ch onnychstopie z o liwo ci guzakrzywa ROCkrzywa kalibracjianaliza krzywej decyzyjnej

Powiązane artykuły