Ustanowienie konkurencyjnego modelu nomogramu regresji ryzyka dla danych dotyczących przeżycia
23 października 2020
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.
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.
Wyświetl pełny transkrypt i uzyskaj dostęp do tysięcy filmów naukowych
Przegląd
Niniejszy protokół opisuje konstrukcję nomogramów z wykorzystaniem modelu regresji proporcjonalnego hazardu Coxa oraz modelu regresji ryzyk konkurencyjnych. Metoda ryzyk konkurencyjnych jest szczególnie przydatna podczas analizy danych o przeżywalności w przypadku występowania zdarzeń konkurencyjnych.
Kluczowe elementy badania
Dziedzina nauki
- Analiza przeżycia
- Modelowanie statystyczne
- Ryzyka konkurencyjne
Wprowadzenie
- Zdarzenia konkurujące mogą wpływać na wyniki przeżywalności.
- Tradycyjne metody mogą nie uwzględniać w sposób wystarczający tych ryzyk konkurujących.
- Model proporcjonalnego hazardu Coxa jest standardowym podejściem w analizie przeżywalności.
- Nomogramy zapewniają wizualną reprezentację przewidywań ryzyka.
Cel badania
- Opracowanie protokołu tworzenia nomogramów w oparciu o analizę przeżycia.
- Zaprezentowanie zastosowania regresyjnych modeli ryzyka konkurencyjnego.
- Udoskonalenie oceny prawdopodobieństwa przeżycia w obecności zdarzeń konkurencyjnych.
Zastosowane metody
- Zainstaluj i załaduj pakiety R: RMS oraz competing risk.
- Zaimportuj dane kohorty do analizy.
- Dopasuj model regresji proporcjonalnego hazardu Coxa, korzystając z funkcji CPH.
- Opracuj nomogram regresji Coxa do przewidywania wskaźników przeżywalności.
Główne wyniki
- Opracowanie nomogramu regresji Coxa dla dwuletniego przeżycia.
- Obliczanie wyników ryzyka przy użyciu pakietu meta w środowisku R.
- Podział kohorty na podgrupy na podstawie wyników ryzyka grupy.
- Wizualizacja wyników za pomocą wykresów leśnych (forest plots).
Wnioski
- Model regresji ryzyka konkurencyjnego oferuje bardziej racjonalne podejście do analizy przeżycia.
- Nomogramy mogą skutecznie komunikować prognozy ryzyka.
- Niniejszy protokół może być stosowany w różnych badaniach obejmujących ryzyka konkurencyjne.
Najczęściej zadawane pytania
Znaczenie dla Przemysłu
W rozwoju leków onkologicznych i kardiologicznych dokładna analiza przeżywalności jest kluczowa dla oceny skuteczności i bezpieczeństwa terapeutycznego. Zdarzenia konkurencyjne, takie jak śmiertelność związana z leczeniem lub zgony z przyczyn innych niż badana choroba, mogą zaburzać tradycyjne modele Kaplana-Meiera i Coxa, prowadząc do obciążonych szacunków ryzyka. Niniejszy protokół umożliwia zespołom badawczo-rozwojowym w sektorze biofarmaceutycznym zastosowanie modeli regresji ryzyk konkurencyjnych oraz nomogramów w celu usprawnienia stratyfikacji prognostycznej, zwiększenia skuteczności ograniczania ryzyka mechanistycznego oraz wsparcia decyzji o kontynuacji lub przerwaniu badań (go/no-go) w fazie przedklinicznej i wczesnej fazie rozwoju klinicznego.
Strategiczne zastosowania w badaniach i rozwoju biofarmaceutycznym
Wczesne etapy odkrywania i walidacja celu
- Wartość naukowa: Umożliwia weryfikację hipotez terapeutycznych poprzez odróżnienie śmiertelności specyficznej dla choroby od ryzyk konkurencyjnych, co zwiększa pewność co do wyznaczonego celu.
- Wartość operacyjna: Wspiera ograniczanie ryzyka biologicznego poprzez doprecyzowanie stratyfikacji ryzyka w modelach przedklinicznych, w których zdarzenia niezwiązane z celem mogą maskować efekty leczenia.
Przesiewy i opracowanie testów
- Wartość naukowa: Ułatwia przygotowanie zwalidowanych systemów biologicznych do dalszych etapów analizy poprzez dostarczanie ilościowych punktów końcowych przeżywalności skorygowanych o konkurujące ryzyka.
- Wartość operacyjna: Zwiększa standaryzację i powtarzalność testów dzięki wynikom ryzyka wyliczonym z nomogramów, co umożliwia spójną ocenę związków w różnych badaniach.
Badania translacyjne i przedkliniczne
- Wartość naukowa: Wspiera ciągłość translacyjną poprzez dostosowanie przedklinicznych punktów końcowych przeżycia do realiów klinicznych, w których zdarzenia konkurencyjne wpływają na wyniki.
- Wartość operacyjna: Wspiera decyzje o kontynuacji badań w oparciu o analizę ryzyka poprzez identyfikację podgrup (ryzyka niskiego/średniego/wysokiego) na podstawie grupowych wyników ryzyka pochodnych z modeli ryzyka konkurencyjnego.
Integracja potoku i przepływu pracy
Metoda ta integruje się z kontinuum procesów odkrywczych, od walidacji celu po rozwój przedkliniczny, szczególnie w przypadkach, gdy punkty końcowe dotyczące przeżywalności są zaburzane przez cenzurowanie nieinformacyjne lub ryzyka konkurencyjne.
- Biologia odkrywcza: Wspiera testowanie hipotez i wyjaśnianie szlaków poprzez izolację wpływu interwencji genetycznych lub farmakologicznych na wyniki specyficzne dla danej choroby.
- Przesiewanie: Umożliwia przygotowanie i powtarzalność testów dzięki wizualizacji współczynników hazardu i wyników ryzyka grup w różnych warunkach eksperymentalnych za pomocą wykresów leśnych.
- Analityka: Dostarcza ilościowych pomiarów zmiennych zależnych (skumulowana zapadalność, współczynniki hazardu, wyniki ryzyka), co pozwala interdyscyplinarnym zespołom na obiektywne porównanie efektów leczenia.
- Badania translacyjne: Łączy etap odkryć z walidacją przedkliniczną, zapewniając, że analiza przeżycia odzwierciedla rzeczywistą złożoność sytuacji, w której występują zdarzenia konkurencyjne.
- Ponowne wykorzystanie w przedsiębiorstwie: Tworzy wielokrotnego użytku ramy statystyczne dla analizy przeżycia w różnych obszarach terapeutycznych, ograniczając nadmiarowe opracowywanie modeli.
Wpływ operacyjny i przedsiębiorstwowy
- Wartość naukowa: Zwiększa pewność prognostyczną poprzez redukcję niejednoznaczności mechanistycznej w danych dotyczących przeżywalności dzięki właściwemu zarządzaniu ryzykami konkurencyjnymi.
- Wartość operacyjna: Poprawia standaryzację i skalowalność dzięki przepływom pracy opartym na środowisku R (pakiety RMS, competing risk, meta), które mogą być wdrażane w różnych zespołach.
- Wartość strategiczna: Usprawnia podejmowanie decyzji typu go/no-go poprzez dostarczanie podgrup stratyfikowanych pod kątem ryzyka, co zmniejsza liczbę niepowodzeń na późnych etapach wynikających z nieprzewidzianej śmiertelności konkurencyjnej.
- Wpływ na portfolio: Umożliwia priorytetyzację kandydatów skorygowaną o ryzyko, w oparciu o prawdopodobieństwa przeżycia skorygowane o ryzyko konkurencyjne, a nie surowe wskaźniki zdarzeń.
Wskazówki dotyczące wdrożenia
- Wymaga wiedzy z zakresu analizy przeżycia oraz programowania w języku R, w tym znajomości funkcji CPH, CRR i nomogramów.
- Zależność od środowiska R z zainstalowanymi i odpowiednio skonfigurowanymi pakietami RMS, competing risk oraz meta.
- Konieczność międzyzespołowej standaryzacji doboru zmiennych (np. stanu cywilnego, rasy, typu histologicznego, klasyfikacji T/N) w celu zapewnienia porównywalności modeli.
- Wymaga adaptacji macierzy zmiennych prognostycznych przy stosowaniu modelu w różnych modelach chorób lub systemach przedklinicznych.
- Ograniczenie wynikające z założenia proporcjonalności hazardów; w celu walidacji wydajności należy przeprowadzić diagnostykę modelu (kalibrację i dyskryminację).
Często zadawane pytania dotyczące biofarmacji
Chapters in this video
0:04
Introduction
0:42
Nomogram Based on the Cox Proportional Hazards Regression Model
1:13
Subgroup Analysis Based on the Group Risk Score
1:43
Nomogram Based on the Competing Risk Regression Model
2:39
Results: Competing-risk Nomogram and Risk Score Estimation
4:10
Conclusion
