Nomogram ryzyka konkurencyjnego do przewidywania przeżycia specyficznego dla raka u pacjentów z wieloma pierwotnymi rakami jelita grubego po operacji
27 września 2024
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.
Nasze badania koncentrują się na analizie przeżycia specyficznego dla raka u pacjentów z wieloma pierwotnymi nowotworami jelita grubego. Badamy czynniki wpływające na przeżycie specyficzne dla raka u tych pacjentów, a następnie opracowujemy model wspierający podejmowanie decyzji klinicznych.
W naszych badaniach wykorzystujemy konkurencyjny model ReX, a nie model Coxa, aby zbadać czynniki wpływające na przeżycie specyficzne dla raka. Takie podejście pozwala nam zminimalizować wpływ konkurujących ze sobą zdarzeń i osiągnąć bardziej precyzyjne wyniki. W przyszłości planujemy skupić się na badaniach genomicznych nad wieloma pierwotnymi nowotworami jelita grubego, mając na celu odkrycie ich odrębnych cech genetycznych.
[Instruktor] Aby rozpocząć, pobierz oprogramowanie SEERStat 8.4.3 ze strony internetowej bazy danych SEER. Zarejestruj się i zaloguj do SEERStat 8.4.3, aby uzyskać odpowiednie dane pacjenta. Po zalogowaniu należy kliknąć w sesję i dane dotyczące listy spraw. Następnie wybierz dane badawcze SEER dotyczące incydentów, 17 rejestrów, podrozdział listopad 2022 r., bazę danych od 2000 do 2020 r. Kliknij zaznaczenie, a następnie edytuj i wybierz rasę, płeć, rok dx, rok diagnozy, od 2004 do 2015 oraz miejsce i morfologię, kod miejsca ICD03 i WHO 2008 jako okrężnica i odbytnica. Wybierz potwierdzenie diagnostyczne miejsca i morfologii jako pozytywną histologię, a numer sekwencji wielu pól pierwotnych nie jest tylko jednym pierwotnym. Teraz kliknij w porządku i zapisz wybór. Następnie kliknij tabelę i w dostępnym interfejsie zmiennych wybierz rekodowanie wieku z pojedynczym wiekiem i 85 plus, seks, rekodowanie strony ICD03 i WHO 2008 CS rozmiar guza, rekodowanie stopnia do 2017 r., pochodne szóste wydanie AJCCT, 2004 do 2015 r., pochodne szóste wydanie AJCCN, 2004 do 2015, pochodne szóste wydanie AJCCM, 2004 do 2015, rekodowanie promieniowania, chemioterapia rekodować, tak, nie lub nieznane. Klasyfikacja zgonu SEER przyczyny, klasyfikacja innych przyczyn zgonu SEER, miesiące przeżycia, identyfikator pacjenta i operacja podsumowująca RX, miejsce pierwotne 1,998 plus. Następnie kliknij kolumnę. Następnie kliknij wyjście. Nazwij dane i kliknij wykonaj, aby wyprowadzić i zapisać dane. Po zakończeniu pobierania danych użyj identyfikatora pacjenta, aby odfiltrować pacjentów, u których zdiagnozowano co najmniej dwa wystąpienia, wskazujące na wiele pierwotnych nowotworów jelita grubego. Oblicz odstęp czasu między diagnozami guza na podstawie ich czasu przeżycia. Następnie klasyfikuj pacjentów na synchronicznego, mnogiego pierwotnego raka jelita grubego i metachronicznego mnogiego pierwotnego raka jelita grubego, przyjmując sześć miesięcy jako punkt odcięcia. Na podstawie wieku w momencie wstępnej diagnozy należy sklasyfikować wiek pacjentów jako 65 lat lub mniej oraz ponad 65 lat. Klasyfikuj stopnie guza jako stopień pierwszy dla dobrego różnicowania, stopień drugi dla umiarkowanego różnicowania, stopień trzeci dla niskiego różnicowania i stopień czwarty dla nieróżnicowania. Następnie sklasyfikuj lokalizację guza na podstawie rozmieszczenia wielu guzów, takich jak prawa okrężnica, lewe jelito grube lub całe jelito grube. Określ wielkość guza, wybierając największą średnicę guza spośród wielu guzów u tego samego pacjenta. Losowo podziel wszystkich 8 931 pacjentów na kohortę szkoleniową i kohortę walidacyjną w stosunku siedem do trzech. Pobierz programy RStudio i RSoftware. Otwórz program RStudio, aby uruchomić program RSoftware. Następnie kliknij nowy plik i wybierz RScript, aby utworzyć nowy interfejs RProgramming. Wprowadź odpowiedni kod w edytorze kodu i kliknij uruchom, aby wykonać kod. Użyj kodu, aby przeprowadzić analizę jednowymiarową i wykreślić krzywą CIF. Po uruchomieniu kodu kliknij eksport, następnie kliknij zapisz jako obraz, a na koniec kliknij zapisz, aby zapisać obraz. Zastąp płeć w kodzie innymi czynnikami, aby przeprowadzić analizę jednowymiarową dla wszystkich czynników. Następnie użyj kodu, aby wykonać najlepszą regresję podzbiorów, analizę wielowymiarową i wizualizację. Następnie zapisz obraz, jak pokazano wcześniej. Użyj kodu, aby wykreślić nomogram, krzywą ROC, krzywą kalibracyjną i krzywą DCA. Następnie użyj pakietu GGSCIDCA, aby wykreślić krzywą DCA przed zapisaniem obrazu. Krzywe ROC wykazały, że model osiągnął AUC na poziomie 0,762, 0,742 i 0,734 dla prognoz odpowiednio rocznych, trzyletnich i pięcioletnich w kohorcie treningowej. oraz 0,801, 0,740 i 0,743 w kohorcie weryfikacyjnej. Krzywe kalibracyjne wykazały dużą zgodność między przewidywanymi prawdopodobieństwami a rzeczywistymi wynikami zarówno w kohortach szkoleniowych, jak i weryfikacyjnych. DCA wykazało, że model przyniósł dobre korzyści netto w różnych prawdopodobieństwach progowych.
Przegląd
Niniejsza praca bada przeżywalność wolną od raka (CSS) u pacjentów z wieloma pierwotnymi nowotworami jelita grubego (MPCC) i identyfikuje czynniki wpływające na CSS. Opracowano nomogram, który ma pomóc w podejmowaniu decyzji klinicznych dotyczących opcji leczenia.
Kluczowe elementy badania
Dziedzina nauki
- Onkologia
- Rak jelita grubego
- Podejmowanie decyzji klinicznych
Wstęp
- Wielu pierwotnych raków jelita grubego stawia wyjątkowe wyzwania w zakresie leczenia i rokowań.
- Zrozumienie czynników wpływających na CSS może poprawić wyniki leczenia pacjentów.
- Nomogramy są użytecznymi narzędziami do przewidywania prawdopodobieństwa przeżycia.
- Modele ryzyk konkurencyjnych zapewniają dokładniejszą analizę danych dotyczących przeżywalności.
Cel badania
- Analiza czynników wpływających na CSS u pacjentów z MPCC.
- Opracowanie nomogramu do przewidywania CSS po operacji.
- Udoskonalenie procesu podejmowania decyzji klinicznych w leczeniu pacjentów z MPCC.
Zastosowane metody
- Wykorzystano model ryzyk konkurencyjnych do analizy przeżywalności.
- Zebrano dane z SEERStat dotyczące demografii pacjentów i charakterystyki guzów.
- Przeprowadzono analizy jednowymiarowe i wielowymiarowe w celu zidentyfikowania istotnych czynników.
- Opracowano i zwalidowano nomogram oparty na prognozach przeżycia.
Główne wyniki
- Płeć męska, niski stopień zróżnicowania guza oraz zaawansowane stadium TNM korelowały z gorszym CSS.
- Nomogram wykazał dobrą dokładność prognostyczną z wartościami AUC wynoszącymi odpowiednio 0,762, 0,742 i 0,734 dla prognoz jednorocznych, trzyletnich i pięcioletnich w kohorcie treningowej.
- Zaobserwowano wysoką zgodność między prawdopodobieństwem przewidywanym a rzeczywistymi wynikami.
- Model zapewnił korzyść netto dla różnych prawdopodobieństw progowych.
Wnioski
- Identyfikacja kluczowych czynników może mieć istotny wpływ na strategie leczenia pacjentów z MPCC.
- Opracowany nomogram stanowi wartościowe narzędzie dla klinicystów.
- Przyszłe badania skupią się na charakterystyce genomicznej MPCC.
Często zadawane pytania
Znaczenie dla przemysłu
Modelowanie nomogramu ryzyka konkurującego umożliwia precyzyjne przewidywanie przeżycia specyficznego dla nowotworu u pacjentów z wielorakim pierwotnym rakiem jelita grubego (MPCC), uwzględniając zakłócający wpływ śmiertelności z przyczyn innych niż nowotworowe. Podejście to usprawnia stratyfikację ryzyka i dostarcza informacji niezbędnych do podejmowania decyzji na poziomie portfela w zakresie segmentacji pacjentów w oparciu o biomarkery. Integracja solidnego modelowania statystycznego w tym punkcie zwrotnym zwiększa pewność predykcyjną w procesach badawczych w obszarze badań translacyjnych i przedklinicznych.
Strategiczne zastosowania w badaniach i rozwoju biofarmaceutycznym
Wczesne odkrywanie i walidacja celu
- Wspiera identyfikację niezależnych czynników prognostycznych, takich jak stopień TNM i stopień złośliwości guza, w celu biologicznego zmniejszenia ryzyka.
- Umożliwia funkcjonalną walidację punktów końcowych o znaczeniu klinicznym dla populacji pacjentów z MPCC.
- Ułatwia opartą na hipotezach analizę determinantów przeżycia w celu priorytetyzacji celów terapeutycznych.
Przesiewanie i opracowanie testu
- Zapewnia zwalidowane czynniki ryzyka do projektowania stratyfikowanych kohort przesiewowych w badaniach klinicznych lub przedklinicznych.
- Umożliwia uzyskanie powtarzalnych, ilościowych punktów końcowych przeżywalności dla rozwoju późniejszych analiz.
- Wspiera standaryzację kryteriów wyboru pacjentów do badań translacyjnych.
Badania translacyjne i przedkliniczne
- Umożliwia powiązanie prognoz przeżywalności z istotnymi klinicznie wynikami choroby w celu walidacji biomarkerów.
- Zapewnia ciągłość przejścia od modelowania statystycznego do wyboru i walidacji modeli przedklinicznych.
- Uzasadnia dostosowany do ryzyka rozwój kandydatów na terapeutyki celowane w subpopulacje MPCC.
Integracja potoku i przepływu pracy
Ta analiza ryzyk konkurencyjnych oparta na nomogramie integruje się z kontinuum od odkrycia do translacji, łącząc analitykę danych klinicznych z projektowaniem modeli przedklinicznych i strategią biomarkerów.
- Biologia odkrywcza: Umożliwia rzetelne testowanie hipotez i ograniczanie ryzyka mechanistycznego poprzez izolację niezależnych determinant przeżycia.
- Przesiewy: Zapewniają ilościowe, powtarzalne wyniki w celu stratyfikacji kohort i weryfikacji gotowości testów.
- Analityka: Dostarcza zwalidowane wyniki statystyczne (ROC, kalibracja, DCA) do porównywania różnych stanów oraz oceny modeli odniesienia.
- Badania translacyjne: Dostosowują modelowanie predykcyjne do punktów końcowych badań klinicznych w celu walidacji biomarkerów i terapii.
- Ponowne wykorzystanie w przedsiębiorstwie: Tworzy skalowalny model analityczny dla przyszłego modelowania przeżycia w przypadku wielu rodzajów nowotworów lub wielu kohort.
Wpływ operacyjny i przedsiębiorczy
- Wartość naukowa: Zwiększa pewność prognostyczną i redukuje niejednoznaczność mechanistyczną w analizie przeżywalności.
- Wartość operacyjna: Standaryzuje identyfikację czynników ryzyka oraz walidację modelu w dużych zbiorach danych.
- Wartość strategiczna: Umożliwia podejmowanie świadomych decyzji o kontynuacji lub przerwaniu badań (go/no-go) oraz efektywne pod względem kapitałowym zarządzanie portfolio.
- Wpływ na portfolio: Wspiera priorytetyzację skorygowaną o ryzyko w odniesieniu do zasobów translacyjnych i przedklinicznych ukierunkowanych na MPCC.
Wskazówki dotyczące implementacji
- Wymaga wiedzy specjalistycznej w zakresie statystycznego modelowania ryzyka konkurencyjnego oraz analizy przeżywalności.
- Wymaga dostępu do wyselekcjonowanych zbiorów danych klinicznych oraz zaawansowanej infrastruktury analitycznej.
- Konieczna jest międzyzespołowa standaryzacja definicji zmiennych oraz segmentacji kohort.
- Adaptacja do innych typów nowotworów lub modeli wielopodstawowych chorób może wymagać dodatkowej walidacji.
- Wydajność modelu zależy od wysokiej jakości podłużnych danych pacjentów.
