Name: Nomogram ryzyka konkurencyjnego do przewidywania przeżycia specyficznego dla raka u pacjentów z wieloma pierwotnymi rakami jelita grubego po operacji (Wideo) | JoVE Journal
Uploaded: 2024-09-27T15:00:00.000+00:00
Duration: 6 min 46 s
Description: Poznaj model ryzyka konkurencyjnego do przewidywania przeżycia specyficznego dla raka u pacjentów z wieloma pierwotnymi rakami jelita grubego. Opracowany nomogram wspiera kliniczne podejmowanie decyzji leczniczych.

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

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 <silna klasa="xfig">Rysunek 1. To badanie nie wymaga zgody etycznej i zgody na udział. Dane wykorzystane w tym badaniu uzyskano z baz danych.
1. Akwizycja danych
<ol>
	<li>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.</li>
	<li>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). </li>
	<li>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'.</li>
	<li>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.</li>
	<li>Kliknij Wyjście, nazwij dane i kliknij Wykonaj, aby wyprowadzić i zapisać dane.</li>
	<li>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.</li>
	<li>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.
	<ol>
		<li>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.</li>
	</ol>
	</li>
	<li>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.</li>
</ol>
2. Budowa modelu
<ol>
	<li>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.</li>
	<li>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.</li>
	<li>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.</li>
	<li>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 $HR_2) 
	gdzie dane w multi.csv pochodzą z wyników poprzedniego kodu.</li>
	<li>Wykonaj krok 2.3., aby zapisać obraz.</li>
	<li>Użyj poniższego kodu, aby wykreślić nomogram, krzywą ROC, krzywą kalibracyjną i krzywą DCA. 
	biblioteka(QHScrnomo) 
	biblioteka(rms) 
	biblioteka(ryzykoRegresja) 
	biblioteka(prodlim) 
	Dane <- read.csv("data.csv") 
	d <- ROZKŁAD.DANYCH(dane) 
	opcje(rozkład.danych = "d") 
	e <-cph(Surv(czas,status==1)~ Płeć + T + N + M + Stopień, dane = dane, 
	x=T, y=T, surv=T,time.inc=60) 
	nomo <- crr.fit(e,failcode=1,cencode = 0) 
	nomogram.crr(fit =nomo, lp = F, xfrac = 0.5, fun.at =seq(from=0, to=1, by= 0.1) , failtime =c(12,36,60),funlabel = c("1-letnia skumulowana częstość występowania CSS", "3-letnia skumulowana częstość występowania CSS","5-letnia skumulowana częstość występowania CSS")) 
	set.seed(123) 
	data$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))</li>
	<li>Wykonaj krok 2.3., aby zapisać obraz.</li>
	<li>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.</li>
	<li>Wykonaj krok 2.3., aby zapisać obraz.</li>
</ol>

Nomogram Development for Survival Prediction in MPCC Patients

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

Autorzy nie mają nic do ujawnienia.

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.

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.

<table><tbody><tr><td>pakiet forestplot</td><td>Kompleksowa sieć archiwów języka R (CRAN)</td><td>wykres leśny 3.1.3</td><td>Wykres lasu, który umożliwia wiele przedziałów ufności na wiersz, niestandardowe czcionki dla każdego elementu tekstowego, niestandardowe przedziały ufności, tekst mieszany z wyrażeniami i nie tylko.</td></tr><tr><td>pakiet ggprism</td><td>Kompleksowa sieć archiwów R (CRAN)</td><td>ggprism 1.0.5</td><td>Pakiet ggprism zawiera różne motywy, palety i inne przydatne funkcje do dostosowywania ggplots i nadawania im ' Pryzmat GraphPad' patrzeć.</td></tr><tr><td>pakiet ggscidca</td><td>Kompleksowa sieć archiwów języka R (CRAN)</td><td>pakiet ggscidca</td><td>&nbsp; Pakiet "ggscidca" dodaje kolorowe paski o znaczeniu dyskryminacyjnym do tradycyjnej krzywej decyzyjnej. Zwiększona praktyczność i estetyka.</td></tr><tr><td>pakiet ggsurvfit</td><td>Kompleksowa sieć archiwizacji R (CRAN)</td><td>ggsurvfit 1.1.0</td><td>Pakiet 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.</td></tr><tr><td>gtsummary package</td><td>Comprehensive R Archive Network (CRAN)</td><td>gtsummary 2.0.0</td><td>Pakiet 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.</td></tr><tr><td>Pakiet QHScrnomo</td><td>Kompleksowa sieć archiwizacji języka R (CRAN)</td><td>QHScrnomo 3.0.1</td><td>Celem 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.</td></tr><tr><td>R Software</td><td>R Core Team</td><td>R 4.3.3</td><td>Darmowe środowisko oprogramowania do obliczeń statystycznych i grafiki</td></tr><tr><td>riskPakiet regresji</td><td>Comprehensive R Archive Network (CRAN)</td><td>riskRegression 1.3.7</td><td>Modele regresji ryzyka i wyniki predykcyjne do analizy przeżycia z konkurencyjnymi zagrożeniami</td></tr><tr><td>Pakiet rms</td><td>Kompleksowa sieć archiwów R (CRAN)</td><td>rms 6.8-1</td><td>&nbsp; Program RMS wykonuje modelowanie regresji, testowanie, szacowanie, walidację, grafikę, przewidywanie i skład, przechowując ulepszone atrybuty projektu modelu w dopasowaniu.</td></tr><tr><td>RStudio</td><td>RStudio, Public Benefit Corporation(PBC)</td><td>Rstudio 2023.12.1+402</td><td>Zintegrowane 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.</td></tr><tr><td>SEERstat</td><td>National Cancer Institute (NCI)</td><td>SEERstat 8.4.3</td><td>Oprogramowanie do analizy statystycznej SEER i innych baz danych związanych z rakiem</td></tr><tr><td>pakiet tidycmprsk</td><td>Kompleksowa sieć archiwów R (CRAN)</td><td>tidycmprsk 1.0.0</td><td>Pakiet tidycmprsk zapewnia intuicyjny interfejs do pracy z konkurującymi punktami końcowymi ryzyka</td></tr></tbody></table>

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

Competing-Risk Nomogram for Predicting Cancer-Specific Survival in Multiple Primary Colorectal Cancer Patients after Surgery

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.

Charakterystyka pacjentów 
Do badania włączono łącznie 8 931 pacjentów. Pod względem rozkładu płci odnotowano wyższą proporcję mężczyzn (56%) w porównaniu z kobietami (44%). W odniesieniu do rozmieszczenia guzów, większość z nich obejmowała całe jelito grube, natomiast najmniej guzów zlokalizowano w prawej części okrężnicy (21%). W zakresie stopnia złośliwości nowotworu najczęściej występował stopień II (6 251 pacjentów), co stanowiło 70% ogółu; następnie występował stopień III (2 026 pacjentów, 23%). Stopnie I i IV odnotowano odpowiednio u 355 i 299 pacjentów, co stanowiło 4% i 3,3% całości. Pod względem naciekania guza najczęściej występowały stadia T3 i T4. U ponad połowy pacjentów nie stwierdzono przerzutów do węzłów chłonnych, natomiast u 17% pacjentów wystąpiły przerzuty odległe. Radioterapię zastosowano u 1 446 pacjentów (16%), a chemioterapię u 3 843 pacjentów (43%). Częściej występował SCRC (5 327 pacjentów, 60% ogółu); u 3 604 pacjentów (40%) stwierdzono metachronicznego raka jelita grubego. Pacjentów losowo podzielono na zbiór treningowy i walidacyjny w stosunku 7:3. Między kohortą treningową a walidacyjną nie stwierdzono istotnych statystycznie różnic w danych wyjściowych, co przedstawiono w Tabeli 1.
Analiza jednowymiarowa 
Po skontrolowaniu wpływu zdarzeń konkurencyjnych wyniki analizy jednowymiarowej wykazały, że płeć, stopień złośliwości i wielkość guza, stopień TNM, radioterapia, chemioterapia, status synchroniczny lub metachroniczny oraz lokalizacja guza były czynnikami prognostycznymi wpływającymi na CSS u pacjentów z MPCC. Jedynie wiek nie jest czynnikiem prognostycznym dla CSS u pacjentów z MPCC. Zauważono znaczące przecięcie się CIF w przypadku radioterapii, chemioterapii, lokalizacji oraz statusu synchronicznego lub metachronicznego, co wskazuje, że krótkoterminowe i długoterminowe efekty prognostyczne radioterapii u pacjentów z MPCC były różne, podobnie jak w przypadku chemioterapii, lokalizacji oraz statusu synchronicznego lub metachronicznego. Krzywa skumulowanego ryzyka dla każdej podgrupy przedstawiona jest na Rysunku 2.
Analiza wieloczynnikowa 
Czynniki prognostyczne uzyskane w analizie jednoczynnikowej włączono do regresji najlepszych podzbiorów (BSR) oraz analizy wieloczynnikowej modelu ryzyka konkurencyjnego. spośród nich radioterapię, chemioterapię, lokalizację oraz status synchroniczny lub metachroniczny wykluczono ze względu na ich podwójny wpływ na rokowanie. Wyniki BSR i analizy wieloczynnikowej wykazały, że płeć, stopień zaawansowania TNM oraz stopień złośliwości nowotworu były niezależnymi czynnikami ryzyka dla CSS u pacjentów z MPCC. (Rysunek 2)
Konstrukcja i weryfikacja nomogramu 
Na podstawie niezależnych czynników ryzyka uzyskanych w analizie wielowymiarowej skonstruowano liniowy nomogram do przewidywania CSS i zweryfikowano skuteczność modelu predykcyjnego (Rysunek 3). Następnie do oceny modelu wykorzystano krzywą ROC, krzywą kalibracyjną oraz DCA. Krzywa ROC wykazała, że wartości AUC dla 1, 3 i 5 lat w kohorcie treningowej wyniosły odpowiednio 0,762, 0,742 i 0,734, natomiast wartości AUC dla 1, 3 i 5 lat w kohorcie weryfikacyjnej wyniosły odpowiednio 0,801, 0,740 i 0,743. W kohorcie treningowej i weryfikacyjnej krzywa kalibracyjna wykazała wysoką zgodność między prawdopodobieństwem przewidywanym a danymi rzeczywistymi (Rysunek 4). Aby zweryfikować skuteczność modelu w zastosowaniu klinicznym, użyto DCA do oceny wartości klinicznej modelu. Wyniki wskazują, że model wykazuje korzystną korzyść netto (Rysunek 5).
<img alt="Schemat przejścia z analizy danych SEER*Stat do R 4.3.3 w celu obliczeń statystycznych i tworzenia wykresów." class="xfigimg" src="/files/ftp_upload/67433/67433fig01.jpg" data-altupdatedat="1788304762000" data-alt="Rysunek 1"> 
Rysunek 1: Schemat przepływu pracy w badaniu. Badanie to składa się z dwóch etapów: najpierw dane zostały pozyskane za pomocą SEER.Stat, a następnie przeprowadzono analizę i wizualizację danych przy użyciu programu R. <a href="https://www.jove.com/files/ftp_upload/67433/67433fig01large.jpg" target="_blank">Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.</a>
<img alt="Analiza rokowań nowotworowych; 12 wykresów przeżywalności, mapa ciepła, wykres leśny; zmienne kliniczne; analiza danych." class="xfigimg" src="/files/ftp_upload/67433/67433fig02.jpg" data-altupdatedat="1788304762000" data-alt="Rysunek 2"> 
Rysunek 2: Wyniki analizy. (A) CIF dla podgrup. * oznacza p &lt;0,05. (B) Regresja najlepszych podzbiorów. Przy najlepszym dopasowaniu modelu do danych, płeć, stopień zróżnicowania i stopień TNM zostały rozważone do włączenia (wykazane jako czarne bloki u góry). (C) Analiza wielowymiarowa wykazała również, że płeć, stopień zróżnicowania i stopień TNM są niezależnymi czynnikami ryzyka. <a href="https://www.jove.com/files/ftp_upload/67433/67433fig02large.jpg" target="_blank">Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.</a>
<img alt="Nomogram do przewidywania skumulowanej zapadalności na CSS w oparciu o stopień TNM, metoda skali graficznej." class="xfigimg" src="/files/ftp_upload/67433/67433fig03.jpg" data-altupdatedat="1788304762000" data-alt="Rycina 3"> 
Rycina 3: Nomogram dla CSS u pacjentów z MPCC.Całkowitą punktację pacjenta można obliczyć, sumując punkty przypisane do każdego czynnika. Na podstawie całkowitej punktacji można przewidzieć prawdopodobieństwo zgonu z powodu nowotworu w 1., 3. i 5. roku <a href="https://www.jove.com/files/ftp_upload/67433/67433fig03large.jpg" target="_blank">Proszę kliknąć tutaj, aby wyświetlić powiększoną wersję tej ryciny.</a>
<img alt="Krzywe ROC i kalibracyjne dla walidacji modelu predykcyjnego; wartości AUC w 1., 3. i 5. roku." class="xfigimg" src="/files/ftp_upload/67433/67433fig04.jpg" data-altupdatedat="1788304762000" data-alt="Rycina 4"> 
Rycina 4: Krzywa ROC i krzywa kalibracyjna. (A, B) Krzywe w kohorcie treningowej (n=6255) oraz (C, D) w kohorcie walidacyjnej (n=2676). Im wartość AUC jest bliższa 1, tym lepsza jest wydajność klasyfikacyjna modelu. Słupki błędów przedstawiają 95% przedział ufności dla prawdopodobieństwa wystąpienia rzeczywistego zdarzenia. <a href="https://www.jove.com/files/ftp_upload/67433/67433fig04large.jpg" target="_blank">Kliknij tutaj, aby zobaczyć powiększoną wersję tej ryciny.</a>
<img alt="Wykresy analizy krzywej decyzyjnej; porównanie prawdopodobieństwa progu modelu z korzyścią netto; sześć schematów." class="xfigimg" src="/files/ftp_upload/67433/67433fig05.jpg" data-altupdatedat="1788304762000" data-alt="Rycina 5"> 
Rycina 5: DCA dla okresów 1 roku, 3 lat i 5 lat. (A, B, C) DCA w kohorcie treningowej i (D, E, F) w kohorcie walidacyjnej. Zielona linia reprezentuje korzyść netto dla wszystkich wyników dodatnich, niebieska linia reprezentuje korzyść netto dla braku wyników dodatnich, a czerwona linia wskazuje korzyść netto modelu. Czerwony obszar poniżej reprezentuje korzyść modelu przewyższającą korzyść dla wszystkich i żadnych wyników dodatnich, co wskazuje rzeczywisty zakres korzyści modelu. <a href="https://www.jove.com/files/ftp_upload/67433/67433fig05large.jpg" target="_blank">Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.</a>
Tabela 1: Charakterystyka kliniczno-patologiczna i wyjściowa pacjentów. <a href="https://www.jove.com/files/ftp_upload/67433/table%201_RE.xlsx" target="_blank">Kliknij tutaj, aby pobrać tę tabelę.</a>

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

Cancer-specific survival (CSS) in multiple primary colorectal cancer (MPCC) patients is competitively affected by death from other causes. This study ...

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.

competing-risk-nomogram-for-predicting-cancer-specific-survival

Research

JoVE Journal

Cancer Research

Badania nad rakiem

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

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

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

Zdolność klonów przerzutowych do kolonizacji odległych miejsc zależy od ich zdolności do proliferacji i/lub zdolności do przetrwania w mikrośrodowisku gospodarza bez znaczącej proliferacji. W tym miejscu przedstawiamy model zwierzęcy, który umożliwia ilościową wizualizację obu typów kolonizacji wątroby przez klony z przerzutami.

Zaawansowany zwierzęcy model przerzutów jelita grubego w wątrobie: techniki obrazowania i właściwości klonów z przerzutami

Opisujemy powstawanie ortotopowych guzów jelita grubego poprzez wstrzykiwanie komórek nowotworowych lub organoidów do jelita ślepego myszy i późniejszą izolację krążących komórek nowotworowych (CTC) z tego modelu.

Izolacja krążących komórek nowotworowych w ortotopowym mysim modelu raka jelita grubego

Przedstawiono protokół tworzenia genetycznie modyfikowanego mysiego modelu raka jelita grubego poprzez segmentowe zakażenie adeno-cre i jego nadzorowanie za pomocą kolonoskopii o wysokiej rozdzielczości.

Genetycznie zmodyfikowany mysi model sporadycznego raka jelita grubego

Komórki śródbłonka guza są ważnymi determinantami mikrośrodowiska guza i przebiegu choroby. W tym miejscu opisano protokół izolacji czystych i żywotnych komórek śródbłonka z ludzkiego raka jelita grubego i normalnej okrężnicy, który ma być stosowany w testach narkotykowych i badaniach nad patogenezą.

Izolacja ludzkich komórek śródbłonka z normalnego raka jelita grubego i raka jelita grubego - ulepszony protokół

Przedstawiamy protokół do oceny poziomów ekspresji krążących mikroRNA (miRNA) w próbkach osocza od pacjentów z rakiem. W szczególności wykorzystaliśmy dostępny na rynku zestaw do cyrkulacji ekstrakcji miRNA i odwrotnej transkrypcji. Na koniec przeanalizowaliśmy panel 24 wybranych miRNA przy użyciu niestandardowych płytek sondy wstępnie wykrytej w czasie rzeczywistym.

Wykrywanie niestandardowego panelu krążącego mikroRNA u pacjentów z przerzutowym rakiem jelita grubego

Ten protokół opisuje generowanie modeli ortotopowych ksenoprzeszczepów pochodzących od pacjentów poprzez dopęcherzowe wkraplanie komórek raka urotelialnego o wysokim stopniu złośliwości lub dodoodbytnicze wstrzykiwanie komórek raka jelita grubego do myszy z nieotyłym cukrzycą/ciężkim złożonym niedoborem odporności (NOD/SCID) w celu pierwotnego wzrostu guza i spontanicznych przerzutów pod wpływem komórek zrębu węzłów chłonnych, co naśladuje postęp ludzkich chorób przerzutowych.

Ortotopowe modele ksenoprzeszczepów pobrane od pacjentów dla ludzkiego raka urotelialnokomórkowego i raka jelita grubego, wzrostu guza i spontanicznych przerzutów

Ukierunkowanie leków na nowotwory ośrodkowego układu nerwowego jest dużym wyzwaniem. W tym miejscu opisujemy protokół wytwarzania in vitro naśladującego barierę nowotworową krew-mózg przy użyciu komórek mysich i / lub ludzkich oraz omawiamy ich znaczenie dla przewidywalności celowania w nowotwór ośrodkowego układu nerwowego in vivo.

Przewidywanie dostarczania ładunków in vivo przy użyciu bariery krew-mózg w naczyniu

Poznaj model ryzyka konkurencyjnego do przewidywania przeżycia specyficznego dla raka u pacjentów z wieloma pierwotnymi rakami jelita grubego. Opracowany nomogram wspiera kliniczne podejmowanie decyzji leczniczych.

Nomogram ryzyka konkurencyjnego do przewidywania przeżycia specyficznego dla raka u pacjentów z wieloma pierwotnymi rakami jelita grubego po operacji (Wideo) | JoVE Journal

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

Przeglądaj więcej filmów