Name: Ustanowienie konkurencyjnego modelu nomogramu regresji ryzyka dla danych dotyczących przeżycia (Wideo) | JoVE Journal
Uploaded: 2020-10-23T13:00:00.000+00:00
Duration: 4 min 57 s
Description: Poznaj metodę tworzenia nomogramów regresji ryzyka konkurencyjnego dla analizy przeżycia z użyciem pakietów R. Ten protokół umożliwia dokładniejszą ocenę prawdopodobieństwa zdarzeń w obecności ryzyk konkurencyjnych.

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

Badanie było wspierane przez granty z ogólnego programu Fundacji Nauk Przyrodniczych Prowincji Zhejiang (numer grantu LY19H160020) oraz kluczowego programu Miejskiego Biura Nauki i Technologii Jinhua (numer grantu 2016-3-005, 2018-3-001d i 2019-3-013).

Protokół badań został zatwierdzony przez Komitet Etyki Szpitala Jinhua, Zhejiang University School of Medicine. W tym eksperymencie przypadki uzyskano z bazy danych Surveillance, Epidemiology, and End Results (SEER). SEER to ogólnodostępna baza danych, która zawiera dane demograficzne, dotyczące zachorowalności i przeżywalności z 18 populacyjnych rejestrów nowotworów. Zarejestrowaliśmy się na stronie internetowej SEER i podpisaliśmy list uwierzytelniający w celu uzyskania danych badawczych (12296-listopad 2018).
1. Źródło danych
<ol>
	<li>Uzyskiwanie obserwacji z baz danych, a także zgody (jeśli istnieją) na korzystanie z nich z rejestrów. 
	UWAGA: Dane kohorty są przesyłane do pliku uzupełniającego 1. Czytelnicy, którzy mają już dane dotyczące przeżycia z konkurencyjnym ryzykiem, mogą pominąć tę sekcję.</li>
</ol>
2. Instalowanie i ładowanie pakietów oraz importowanie danych
UWAGA: Wykonaj następujące procedury w oparciu o oprogramowanie R (wersja 3.5.3) za pomocą pakietów rms15 i cmprsk16 (http://www.r-project.org/).
<ol>
	<li>Zainstaluj pakiety rms i cmprsk R. 
	>install.packages("rms") 
	>>install.packages("cmprsk")</li>
	<li>Załaduj pakiety języka R. 
	>biblioteka("rms") 
	>>biblioteka("cmprsk")</li>
	<li>Importowanie danych kohorty. 
	>Dataset<-read.csv(".../Cohort Data.csv") # przykładem są dane kohorty</li>
</ol>
3. Nomogram oparty na modelu regresji proporcjonalnych hazardów Coxa
<ol>
	<li>Ustal model regresji proporcjonalnego hazardu Coxa. 
	UWAGA: Zmienne niezależne (X) obejmują zmienne jakościowe (zmienne fikcyjne, takie jak rasa) i zmienne ciągłe (takie jak wiek). Czynniki istotne w analizie jednowymiarowej zostaną wybrane do wykorzystania w analizie wielowymiarowej.
	<ol>
		<li>Dopasuj model proporcjonalnego hazardu Coxa do danych. Ustanów model proporcjonalnej regresji twardej Coxa przy użyciu funkcji cph. Uproszczony format w R jest pokazany poniżej: 
		> f0 <- cph(Surv(Miesiące, status) ~ czynnik1+ czynnik2+..., 
		x=T, y=T, surv=T, data=Zbiór danych) 
		UWAGA: Śmierć została ustawiona jako status w przykładowym kodzie.</li>
	</ol>
	</li>
	<li>Opracuj nomogram regresji Coxa, korzystając z poleceń opisanych poniżej. 
	> nom <- nomogram(f0, fun=list(function(x) surv(24, x)...), funlabel=c("2-letni przewidywany wskaźnik przeżycia"...), maxscale=100, fun.at) 
	> działka (nom) 
	UWAGA: Weźmy jako przykład przewidywany 2-letni wskaźnik przeżycia.</li>
</ol>
4. Nomogram oparty na konkurencyjnym modelu regresji ryzyka
<ol>
	<li>Ustal konkurencyjny model regresji ryzyka.
	<ol>
		<li>Pasuje do konkurencyjnego modelu regresji ryzyka. Czytelnicy mogą uwzględnić czynniki, które uważają za ważne, ten krok można pominąć. W tym przykładzie uwzględniono czynniki istotne w analizie jednowymiarowej. 
		UWAGA: Zmienna cenzurująca jest kodowana jako 1 dla zdarzenia będącego przedmiotem zainteresowania i jako 2 dla konkurencyjnego zdarzenia ryzyka. Aby ułatwić analizę, Scrucca et al.17 udostępniają funkcję R factor2ind(), która tworzy macierz zmiennych wskaźnikowych na podstawie czynnika.</li>
		<li>W przypadku zmiennych jakościowych należy je starannie zakodować numerycznie podczas uwzględniania ich w konkurencyjnym modelu. Oznacza to, że dla zmiennej jakościowej utworzonej z poziomów J utwórz zmienne fikcyjne J-1 lub zmienne wskaźnikowe.</li>
		<li>Aby ustanowić konkurencyjny model regresji ryzyka, najpierw umieść zmienne prognostyczne w macierzy. Użyj funkcji cbind(), aby połączyć zmienne według kolumn i dopasować je do konkurencyjnego modelu regresji. 
		>x <-cbind(czynnik2ind(czynnik1, "1"), czynnik2ind(czynnik2, "1")...) 
		> mod<- crr (Miesiące, fstatus, kod awarii=1 lub 2, cov1=x)</li>
	</ol>
	</li>
	<li>Wykreśl konkurencyjny nomogram 
	UWAGA: Wartość beta (wartość β) jest współczynnikiem regresji zmiennej (X) we wzorze regresji proporcjonalnego hazardu Coxa. X.score (kompleksowy efekt zmiennej zależnej) i X.real (w specjalnych punktach czasowych, na przykład 60 miesięcy, w celu przewidzenia skumulowanej funkcji zapadalności) są obliczane na podstawie modelu regresji Coxa, a następnie ustalany jest nomogram.
	<ol>
		<li>Użyj funkcji nomogram, aby skonstruować nom Coxa (zgodnie z listą w kroku 3.2).</li>
		<li>Zastąp X.beta i X.point, a także total.points, X.real i X.score konkurencyjnego modelu regresji ryzyka.
		<ol>
			<li>Pobierz bazową wartość cif, czyli cif(min). Szczegółowe informacje można znaleźć w pliku uzupełniającym 2. 
			> x0=x 
			>> x0 <- as.matrix(x0) 
			> lhat <- macierz(0, nrow = length(mod$uftime), ncol = nrow(x0))<br />
			> for (j in 1:nrow(x0)) lhat[, j] <- cumsum(exp(sum(x0[j, ] * mod$coef)) * mod$bfitj) 
			> lhat <- cbind(mod$uftime, 1 - exp(-lhat))) 
			> suv<-as.data.frame(lhat) 
			> nazwy kolumn(suv)<- c("czas") 
			> line24<-which(suv$time=="24") 
			> cif.min24<-suv[line24,which.min(suv[line24,])]</li>
			<li>Zastąp X.beta i X.point. 
			> lmaxbeta<-which.max(abs(mod$coef))) 
			> maxbeta<-abs(mod$coef[lmaxbeta]) 
			> wyścig0<-0 
			> nazwy(wyścig0)<-"wyścig:1" 
			> race.beta<-c(race0,mod$coef[c("wyścig:2","wyścig:3")]) 
			> race.beta.min<-race.beta[which.min(race.beta)] 
			> race.beta1<-race.beta-race.beta.min 
			> race.scale<-(race.beta1/maxbeta*100) # sposób obliczania wagi 
			> nom$Race$Xbeta<-race.beta1 
			> nom$Race$points<-race.scale 
			UWAGA: Weźmy jako przykład rasę.</li>
			<li>Zamień sumę X.point i X.real. 
			> nom$total.points$x<-c(0,50,100, ...) 
			> real.2y<-c(0.01,0.1,0.2,...) 
			UWAGA: Wymiany są zgodne z wartością minimax.</li>
			<li>Oblicz X.score i wykreśl nomogram. 
			> wynik.2y<-log(log((1-real.2y),(1-cif.min24)))/(maxbeta/100)<br />
			> nom$'2-letnie przeżycie'$x<-score.2y 
			> nom$'2-letnie przeżycie'$x.real<-real.2y 
			> nom$'2-letnie przeżycie'$fat<-as.character(real.2y) 
			> działka(nom) 
			UWAGA: X.score=log(log((1-X.real),(1-cif0)))/(maxbeta/100). Równania dla relacji X.score i X.real można obliczyć zgodnie z wewnętrzną atrybucją konkurencyjnego modelu (crr). Cif0 oznacza bazową wartość cif, która zostanie obliczona przez funkcję predict.crr.</li>
		</ol>
		</li>
	</ol>
	</li>
</ol>
5. Analiza podgrup na podstawie Oceny Ryzyka Grupy (GRS)
<ol>
	<li>Obliczać ocenę ryzyka (RS) 
	UWAGA: Oblicz wynik ryzyka dla każdego pacjenta, sumując punkty każdej zmiennej. Wartości odcięcia są używane do klasyfikowania kohorty. Biorąc za przykład 3 podgrupy, użyj meta pakietu, aby narysować wykres lasu.
	<ol>
		<li>Zainstaluj i załaduj pakiety języka R 
		> install.packages("meta") 
		>> biblioteka("meta")</li>
		<li>Uzyskaj GRS i podziel kohortę na 3 podgrupy. 
		> d1<-Dataset 
		> d1$X<-nom$X$points 
		> #For przykład, d1$wyścig[d1$wyścig==1]<-nom$wyścig$punkt[1] 
		> d1$RS<-d1$rasa + d1$żenić + d1$histologia + d1$grademodify + d1$Tklasyfikacja + d1$Nklasyfikacja 
		> d1$GRS<- cut(d1$RS, quantile(d1$RS, seq(0, 1,1/3)), include.lowest = TRUE, labels = 1:3)</li>
		<li>Narysuj działkę leśną. Pobierz dane HR, LCI i UCI za pomocą funkcji crr. 
		> podgrupa<-crr(ftime, fstatus, cov1, failcode=1) 
		> HR<- podsumowanie(podgrupa)$conf.int[1] 
		> LCI<- podsumowanie(podgrupa)$conf.int[3] 
		> UCI<- podsumowanie(podgrupa)$conf.int[4] 
		> LABxx<-c("Niskie ryzyko", "Mediana ryzyka", "Wysokie ryzyko") 
		> xx<-metagen(log(HR), dolny = log(LCI), górny = log(UCI), studlab = LABxx, sm = "HR") 
		> forest(xx, col.square = "", hetstat =TRUE, leftcols = "studlab")</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>

Ogólnym celem obecnego badania było ustalenie specyficznego nomogramu ryzyka konkurencyjnego, który mógłby opisywać rzeczywiste choroby, oraz opracowanie wygodnego modelu indywidualnej oceny dla klinicystów w celu podjęcia decyzji dotyczących leczenia. W tym miejscu udostępniamy samouczek krok po kroku dotyczący ustalania nomogramów w oparciu o model regresji Coxa i konkurencyjny model regresji ryzyka oraz dalszego przeprowadzania analizy podgrup. Zhang i wsp.18 wprowadzili podejście polegające na...

Czas do zdarzenia analiza przeżycia jest dość powszechna w badaniach klinicznych. Dane dotyczące przeżycia mierzą przedział czasu od czasu rozpoczęcia do wystąpienia zdarzenia będącego przedmiotem zainteresowania, ale wystąpienie zdarzenia będącego przedmiotem zainteresowania jest często wykluczane przez inne zdarzenie. Jeśli występuje więcej niż jeden typ punktu końcowego, nazywa się je konkurującymi punktami końcowymi ryzyka. W tym przypadku standardowa analiza zagrożeń (tj. model proporcjonalnych zagrożeń Coxa w zależności od przyczyny) często nie działa dobrze, ponieważ osoby doświadczające innego rodzaju zdarzenia są cenzurowane. Osoby, które doświadczają konkurencyjnego zdarzenia, często pozostają w zestawie ryzyka, ponieważ konkurencyjne ryzyka zwykle nie są niezależne. W związku z tym Fine and Gray1 zbadał oszacowanie modelu regresji dla rozkładu podrzędnego konkurencyjnego ryzyka. W konkurujących ze sobą warunkach ryzyka można wyróżnić trzy różne typy zdarzeń.
One mierzy całkowite przeżycie (OS), wykazując bezpośrednie korzyści kliniczne z nowych metod leczenia choroby. OS mierzy czas przeżycia od momentu powstania (tj. czasu diagnozy lub leczenia) do czasu zgonu z jakiejkolwiek przyczyny i ogólnie ocenia bezwzględne ryzyko zgonu, nie różnicując w ten sposób przyczyn zgonu (np. zgon specyficzny dla raka (CSD) lub zgon niespecyficzny dla raka (inny niż CSD))2. System operacyjny jest zatem uważany za najważniejszy punkt końcowy. Interesujące wydarzenia są często związane z rakiem, podczas gdy zdarzenia niezwiązane z rakiem, które obejmują choroby serca, wypadki drogowe lub inne niepowiązane przyczyny, są uważane za konkurencyjne wydarzenia. Pacjenci złośliwi z korzystnym rokowaniem, od których oczekuje się, że przeżyją dłużej, są często bardziej narażeni na zakażenie inne niż CSD. Oznacza to, że OS zostanie rozcieńczony przez inne przyczyny zgonu i nie będzie w stanie prawidłowo zinterpretować rzeczywistej skuteczności leczenia klinicznego. W związku z tym OS może nie być optymalną miarą dostępu do wyników choroby3. Takie odchylenia można skorygować za pomocą konkurencyjnego modelu regresji ryzyka.
Istnieją dwie główne metody konkurujących ze sobą danych o ryzyku: modele zagrożeń specyficzne dla przyczyny (modele Coxa) i modele zagrożeń związanych z subdystrybucją (modele konkurencyjne). W poniższym protokole przedstawiono dwie metody generowania nomogramów w oparciu o model zagrożenia specyficzny dla przyczyny oraz model zagrożenia subdystrybucji. Model zagrożenia specyficzny dla przyczyny może być dopasowany do modelu proporcjonalnego hazardu Coxa, który traktuje osoby, które doświadczają konkurencyjnego zdarzenia, jako ocenzurowane w czasie, gdy miało miejsce konkurencyjne zdarzenie. W modelu zagrożenia subdystrybucji, który został wprowadzony przez Fine and Gray1 w 1999 roku, trzy różne typy zdarzeń mogą być rozróżniane, a osoby, które doświadczają konkurencyjnego zdarzenia, pozostają na zawsze w zestawie ryzyka.
Nomogram to matematyczna reprezentacja relacji między trzema lub więcej zmiennymi4. Nomogramy medyczne uwzględniają zdarzenie biologiczne i kliniczne jako zmienne (np. stopień zaawansowania nowotworu i wiek pacjenta) i generują prawdopodobieństwo zdarzenia klinicznego (np. nawrotu raka lub zgonu), które jest graficznie przedstawione jako statystyczny model prognostyczny dla danej osoby. Ogólnie rzecz biorąc, nomogram jest formułowany na podstawie wyników modelu proporcjonalnego hazardu Coxa5,6,7,8,9,10.
Jednakże, gdy występują konkurencyjne zagrożenia, nomogram oparty na modelu Coxa może nie działać dobrze. Chociaż w kilku poprzednich badaniach11,12,13,14 zastosowano konkurencyjny nomogram ryzyka do oszacowania prawdopodobieństwa wystąpienia CSD, niewiele badań opisało, jak ustalić nomogram w oparciu o konkurencyjny model regresji ryzyka, a nie ma dostępnego pakietu, który by to umożliwiał. W związku z tym przedstawiona poniżej metoda zapewni krok po kroku protokół w celu ustalenia specyficznego nomogramu ryzyka konkurencyjnego w oparciu o konkurencyjny model regresji ryzyka, a także oszacowanie oceny ryzyka, aby pomóc klinicystom w podejmowaniu decyzji dotyczących leczenia.

ustanowienie konkurencyjnego modelu nomogramu regresji ryzyka dla danych dotyczących przeżycia

Establishing a Competing Risk Regression Nomogram Model for Survival Data

Metoda Kaplana-Meiera i model regresji proporcjonalnego hazardu Coxa są najczęstszymi analizami w ramach przeżycia. Są one stosunkowo łatwe do zastosowania i interpretacji i można je przedstawić wizualnie. Jednakże, gdy występują konkurencyjne zdarzenia (np. wypadki sercowo-naczyniowe i naczyniowo-mózgowe, zgony związane z leczeniem, wypadki drogowe), standardowe metody przeżycia powinny być stosowane z ostrożnością, a dane ze świata rzeczywistego nie mogą być prawidłowo interpretowane. Pożądane może być rozróżnienie różnego rodzaju zdarzeń, które mogą prowadzić do niepowodzenia i odmienne traktowanie ich w analizie. W tym przypadku metody koncentrują się na wykorzystaniu konkurencyjnego modelu regresji do identyfikacji istotnych czynników prognostycznych lub czynników ryzyka, gdy występują konkurencyjne zdarzenia. Ponadto ustanawia się nomogramy oparte na modelu proporcjonalnej regresji hazardu i konkurencyjnym modelu regresji, aby pomóc klinicystom w dokonywaniu indywidualnych ocen i stratyfikacji ryzyka w celu wyjaśnienia wpływu kontrowersyjnych czynników na rokowanie.

Charakterystyka przeżywalności w badanej kohorcie 
W analizowanej kohorcie ujęto łącznie 8 550 kwalifikujących się pacjentek, a mediana czasu obserwacji wyniosła 88 miesięcy (zakres: od 1 do 95 miesięcy). Łącznie 679 (7,94%) pacjentek było w wieku poniżej 40 lat, a 7 871 (92,06%) pacjentek było powyżej 40 roku życia. Na koniec badania 7 483 (87,52%) pacjentek nadal żyło, 662 (7,74%) pacjentek zmarło z powodu raka piersi, a 405 (4,74%) pacjentek zmarło z innych przyczyn (ryzyka konkurencyjne).
<p c...

Prezentowany tutaj jest protokół do tworzenia nomogramów opartych na modelu regresji proporcjonalnego hazardu Coxa i konkurencyjnym modelu regresji ryzyka. Metoda konkurencyjna jest bardziej racjonalną metodą do zastosowania, gdy w analizie przeżycia obecne są konkurencyjne zdarzenia.

Ustanowienie konkurencyjnego modelu nomogramu regresji ryzyka dla danych dotyczących przeżycia

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

Jest to protokół postępowania z normalnymi dotacjami opartymi na konkurencyjnym modelu regresji ryzyka, który jest bardziej racjonalną metodą do zastosowania, gdy konkurencyjne zdarzenia, takie jak wypadki drogowe, są uwzględniane w analizie przeżycia. Osoby, które doświadczyły naszych konkurencyjnych wydarzeń, często przypominają o ryzyku, ponieważ konkurencyjne ryzyka zwykle nie są niezależne. Konkurencyjna normalna dotacja jest bardziej odpowiednia do oceny prawdopodobieństwa testowania zdarzeń dla osób objętych analizą.Po zainstalowaniu pakietów RMS i konkurencyjnego ryzyka R załaduj je i zaimportuj dane kohorty Aby ustalić model regresji proporcjonalnego hazardu Coxa, dopasuj model do danych za pomocą funkcji CPH, a następnie opracuj nomogram regresji Coxa, biorąc za przykład przewidywany dwuletni wskaźnik przeżycia. Użyj pakietu meta w języku R, aby obliczyć ocenę ryzyka i narysować wykres leśny. Po zainstalowaniu i załadowaniu pakietów języka R uzyskaj ocenę ryzyka grupy lub GRS i podziel kohortę na trzy podgrupy.Następnie narysuj wykres leśny, uzyskując współczynnik ryzyka, dolny przedział kompetencji i górny przedział ufności za pomocą funkcji CRR. Aby ustalić konkurencyjny model regresji ryzyka, zacznij od umieszczenia zmiennych prognostycznych w macierzy. Użyj funkcji Cbind, aby połączyć zmienne według kolumn i dopasować je do modelu.Następnie użyj funkcji nomogram, aby skonstruować Nome Coxa. Pobierz bazową funkcję skumulowanych zdarzeń (CIF) i zastąp punkty X beta i X konkurencyjnego modelu regresji ryzyka. Zamień całkowity punkt X na szpuli X, a następnie oblicz wynik X i narysuj nomogram.Równanie dla wyniku X i relacji szyny X można obliczyć zgodnie z wewnętrzną atrybucją konkurencyjnego modelu. CIF zero oznacza bazową wartość CIF, która jest obliczana przez funkcję przewidywania CRR. W przykładowej kohorcie do analizy włączono łącznie 8 550 kwalifikujących się pacjentów, a mediana czasu obserwacji wyniosła 88 miesięcy.Skumulowane przypadki zgonu z powodu guza i braku zgonu z powodu guza oraz zdarzeń konkurujących ze sobą przeprowadzono za pomocą odpowiednio metody Kaplana-Meiera i konkurencyjnej funkcji regresji ryzyka. Suma skumulowanych przypadków zgonu z powodu nowotworu i braku zgonu z powodu nowotworu, obliczona metodą Kaplana-Meiera, była wyższa niż suma oszacowań wszystkich przyczyn zgonu, która była równa skumulowanym przypadkom zgonu z powodu nowotworu, gdy zastosowano metodę konkurencyjną. Nomogram został skonstruowany przy użyciu modelu regresji proporcjonalnej Coxa w oparciu o istotne czynniki, które obejmowały stan cywilny, rasę, typ histologiczny, zróżnicowany stopień, klasyfikację T i klasyfikację N.Skonstruowano również nomogram przy użyciu konkurencyjnego modelu regresji ryzyka. Na podstawie oceny ryzyka kohortę podzielono na trzy podgrupy: ryzyko niskie, ryzyko średnie i ryzyko wysokie. Wykres leśny został wykorzystany do wyraźnego przedstawienia interakcji między oceną ryzyka grupowego a konkretnym czynnikiem.Biorąc pod uwagę wiek, tylko grupa niskiego ryzyka wykazała gorsze rokowanie dla młodszych kobiet, co wskazuje, że młody wiek może działać jako czynnik ochronny rokowania w grupach średniego i wysokiego ryzyka. Próbując tego protokołu, ważne jest, aby w pełni zrozumieć różne modele przetrwania w analizie 10 do zdarzenia, a narzędzia są odpowiednio opanowane w celu uzyskania zindywidualizowanych wskazówek. Wydajność modelu jest oceniana pod kątem dyskryminacji i wydajności kalibru.Zgodnie z tą procedurą, krzywa kalibracyjna i te same luki mogą być wydajnością w celu walidacji skuteczności konkurencyjnej normalnej dotacji.

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

Research

JoVE Journal

Cancer Research

Badania nad rakiem

Obecny protokół opisuje kody w R do oceny zdolności rozróżniania i kalibracji konkurencyjnego modelu ryzyka, a także kody do jego wewnętrznej i zewnętrznej walidacji.

Walidacja krajobrazu konkurencyjnego modelu ryzyka w oparciu o R

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.

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

To badanie ocenia systemy prognostyczne dla pacjentów z rakiem sygnetowokomórkowym jelita grubego przy użyciu modeli uczenia maszynowego i konkurencyjnych analiz ryzyka. Identyfikuje logarytmiczne szanse dodatnich węzłów chłonnych jako lepszy predyktor w porównaniu z stopniem zaawansowania pN, wykazując wysoką skuteczność predykcyjną i wspomagając podejmowanie decyzji klinicznych dzięki solidnym narzędziom do przewidywania przeżycia.

Porównanie skuteczności predykcyjnej trzech systemów oceny stopnia zaawansowania węzłów chłonnych w raku sygnetowym jelita grubego w oparciu o model uczenia maszynowego

Mime to elastyczna platforma obliczeniowa do konstruowania modelu integracji opartego na uczeniu maszynowym o eleganckiej wydajności. W tym miejscu przedstawiamy szczegółową procedurę krok po kroku dotyczącą opracowywania modeli predykcyjnych z dużą dokładnością, wykorzystując złożone zestawy danych do identyfikacji krytycznych genów związanych z postępem choroby, wynikami pacjentów i reakcją terapeutyczną.

Konstruowanie i wizualizacja modeli przy użyciu struktury uczenia maszynowego opartej na MIME

Opisano metodę in vitro do ustalania podwójnej odporności na EGFR-TKI i MET-TKI w komórkach nowotworowych. Metoda ta jest przydatna do opracowywania metod leczenia pacjentów z mutacjami EGFR, u których występuje progresja choroby pomimo leczenia EGFR-TKI amplifikacją MET. Może być również modyfikowany pod kątem inhibitorów ukierunkowanych na inne cząsteczki.

Ustalanie podwójnej oporności na EGFR-TKI i MET-TKI w komórkach gruczolakoraka płuc in vitro z 2-etapową procedurą eskalacji dawki

Tutaj udostępniamy przepływ pracy, który pozwala na identyfikację zdrowych i patologicznych komórek na podstawie ich 3-wymiarowego kształtu. Opisujemy proces wykorzystania konturów projekcji 2D opartych na powierzchniach 3D do trenowania Mapy Samoorganizującej się, która zapewni obiektywne grupowanie badanych populacji komórek.

Oparte na morfologii rozróżnienie między zdrowymi i patologicznymi komórkami z wykorzystaniem transformaty Fouriera i samoorganizujących się map

Ustanowienie stabilnej linii komórkowej z nadekspresją interesującego genu do badania funkcji genu może być przeprowadzone przez stabilną transfekcję i selekcję pojedynczych klonów po ich transfekcji poprzez infekcję retrowirusową. Tutaj pokazujemy, że wygenerowane w ten sposób linie komórkowe HT29-DR3 wyjaśniają mechanizmy, za pomocą których receptor śmierci 3 (DR3) przyczynia się do apoptozy wywołanej antymitozą.

Ustalenie linii komórkowych z nadekspresją DR3 w celu oceny odpowiedzi apoptotycznej na terapie antymitotyczne

Ta praca wstępnie ustawia zaawansowany protokół do dokładnej oceny obciążenia guza poprzez detekcję zielonego białka fluorescencyjnego i sygnałów bioluminescencji, a także integrację ilościowej techniki wykrywania molekularnego.

Badanie potrójnie ujemnego raka piersi przy użyciu ortotopowego modelu raka piersi

Tutaj opisujemy łatwy w użyciu test na inwazję glejaka. Ten test jest odpowiedni dla komórek macierzystych podobnych do glejaka. Opisano również makro Fidżi do łatwego ilościowego określania inwazji, migracji i proliferacji.

Model sferoidalny 3D glejaka wielopostaciowego

W tym artykule przedstawiamy szczegółowy protokół techniki nieinwazyjnej płynnej biopsji, w tym pobieranie krwi, separację osocza i kożucha, ekstrakcję cfDNA i DNA linii zarodkowej, kwantyfikację cfDNA lub DNA linii zarodkowej oraz analizę wzbogacania fragmentów cfDNA.

Wykrywanie bezkomórkowego DNA w próbkach osocza krwi pacjentów z rakiem

Poznaj metodę tworzenia nomogramów regresji ryzyka konkurencyjnego dla analizy przeżycia z użyciem pakietów R. Ten protokół umożliwia dokładniejszą ocenę prawdopodobieństwa zdarzeń w obecności ryzyk konkurencyjnych.

Ustanowienie konkurencyjnego modelu nomogramu regresji ryzyka dla danych dotyczących przeżycia

Przeglądaj więcej filmów