Name: Uma validação de cenário baseada em R de um modelo de risco concorrente (Vídeo) | JoVE Journal
Uploaded: 2022-09-16T13:10:00.000+00:00
Duration: 5 min 37 s
Description: Aprenda a validar modelos de riscos concorrentes em análise de sobrevivência usando códigos R. Este protocolo demonstra cálculo de C-index, AUC e métodos bootstrap para avaliação de desempenho preditivo.

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

O estudo foi apoiado por subsídios do Projeto de Plano de Ciência e Tecnologia Médica da Província de Zhejiang (números de concessão 2013KYA212), o programa geral da Fundação de Ciências Naturais da Província de Zhejiang (número de bolsa Y19H160126) e o programa-chave do Departamento Municipal de Ciência e Tecnologia de Jinhua (número de concessão 2016-3-005, 2018-3-001d e 2019-3-013).

O banco de dados de Vigilância, Epidemiologia e Resultados Finais (SEER) é um banco de dados de câncer de acesso aberto que contém apenas dados de pacientes não identificados (SEER ID: 12296-Nov2018). Portanto, este estudo foi isento da aprovação do comitê de revisão do Hospital Jinhua Afiliado, Faculdade de Medicina da Universidade de Zhejiang.
1. Preparação dos dados e preparação dos pacotes R
<ol><li>Prepare e importe os dados. > Dataset <- read.csv(".../Breast cancer Data.xlsx") #Import dados. Observação : os dados são carregados no arquivo suplementar 1.</li>
	<li>Instale e carregue os pacotes R. > pacotes <- c("rms","cmprsk","mstate","survival","riskRegression"," prodlim") > req.pcg <- função(pcg){ novo <- pcg[!( pcg %in% installed.packages()[, "Pacote"])] if (length(new)) install.packages(new, dependencies = T) sapply (pcg, exigir, ch = T) } > req.pcg(pacotes) Observação : execute os seguintes procedimentos com base no software R (versão 3.6.2) usando os pacotes rms, cmprsk, mstate, survival, riskRegression e prodlim (http://www.r-projectrg/).</li>
</ol>2. Estabelecer nomogramas de risco concorrentes em dois métodos distintos
<ol><li>Estabelecer o nomograma de risco concorrente em um método direto. > mod_cph <- cph(Surv(Survivalmonths, status) ~ factor1+ factor2+..., x=T, y=T, surv=T, data=Conjunto de dados) > nom <- nomogram(mod_cph, fun=list(function(x) 1-surv_cph(36, x)...), funlabel=c("Evento de 3 anos1 Prob." ...), lp=F) #Take o 36º mês como exemplo. > mod_crr <- crr(Survivalmonths, fstatus, failcode=1, cov1=cov) > escore <- log(log((1-real.3y),(1-cif.min36)))/(maxbeta/100) > plot(nom)</li>
	<li>Estabelecer o nomograma de risco concorrente em um método ponderado. > df.w <- crprep("Survivalmonths"," fstatus", data=Conjunto de dados, trans=c(1,2), cens=0, keep=c("factor1"," factor2"...)) > mod.w <- cph(Surv(Tstart, Tstop, status==1) ~ factor1+factor2+..., data=df.w, peso=peso.cens, subconjunto=código de falha==1, surv=T) > nom.w <- nomograma(mod.w...)</li>
</ol>3. Capacidade de discriminação do nomograma de risco concorrente
<ol><li>Índice C para discriminação<ol><li>Encaixe a matriz no modelo de risco concorrente mod_crr e obtenha um suv de matriz prevista. > SUV <- predict.crr(mod_crr, CoV)</li>
		<li>Obtenha as incidências acumuladas em um determinado mês do suv e calcule o índice C com a função rcorr.cens. > cif36 <- SUV[que(SUV[,1]==36),][-1] > rcorr <- rcorr.cens(1-cif36,Surv(Dataset$Survivalmonths,Dataset$tumordeath)) > cindex <- rcorr[1]</li>
	</ol></li>
	<li>AUC para discriminação<ol><li>Pontuar o desempenho preditivo do modelo de risco concorrente usando a função Score (riskRegression package). > fgr.w <- FGR(Hist(Survivalmonths, fstatus) ~ factor1+ factor2+..., data=Dataset, cause=1) > pontuação <- Score(list("Fine-Gray" = fgr.w),</li>
		<li>Extraia a AUC da "pontuação". > score$AUC</li>
	</ol></li>
</ol>4. Capacidade de calibração de modelos de risco concorrentes
<ol><li>Curvas de calibração com intervalo de confiança de 95% do modelo de risco concorrente<ol><li>Obtenha um quadro de dados com as incidências cumulativas de cada indivíduo em um determinado tempo de falha. > cif36 <- data.frame(cif36) #Take o 36º mês como exemplo. > colnames(cif36.36_o)<-c("36m")</li>
		<li>Divida a coorte de acordo com as incidências cumulativas estimadas em cinco subgrupos e calcule as incidências cumulativas médias previstas de cada subgrupo. > grupo36 <- corte (cif36$'36m', quantil(CIF36$'36M', seq(0, 1, 0.2)), include.lowest = VERDADEIRO, rótulos = 1:5) > média36 <- as.vector(by(cif36 $'36m', group36, mean))</li>
		<li>Calcule as incidências cumulativas observadas, ou seja, as incidências cumulativas reais, usando a função cuminc, e então obtenha as incidências cumulativas observadas com um intervalo de confiança de 95% em um determinado tempo de falha. > cum36 <- cuminc(Dataset$Survivalmonths,Dataset$fstatus,group36) > obs36 <- timepoints(cum36,Dataset$Survivalmonths)$est[c(1:5),36] > obs36var <- timepoints(cum36,Dataset$Survivalmonths)$var[c(1:5),36] > df <- data.frame(média36, obs36, obs36var)</li>
		<li>Traçar a curva de calibração com as incidências cumulativas previstas como eixo x e as incidências cumulativas observadas como eixo y usando a função ggplot. > ggplot(df)+ geom_point(aes(x=mean36,y=obs36),col="red")+ geom_point(aes(x=mean36,y=obs36),col="vermelho",pch=4)+ geom_line(col="vermelho",aes(x=média36,y=obs36))+ geom_errorbar(col="vermelho",aes(x=média36,y=obs36+1,96 *sqrt(obs36var)), ymin =obs36-1.96*sqrt(obs36var), ymax = obs36+1.96 *sqrt(obs36var)) geom_abline(lty=3,lwd=2,col=c(rgb(0,118,192, maxColorValue=255)))</li>
	</ol></li>
	<li>Curva de calibração com escores de risco do modelo de risco concorrente<ol><li>Avalie cada nível de todas as variáveis e obtenha o RS total. > Dataset$factor1[Dataset$factor1==1] <- factor1.scale["Factor1_level1"] > ... #For exemplo, Dataset$histology[Dataset$histology==1]<-histology.scale["Histology1"] > Dataset$rs <- Dataset$factor1+Dataset$factor2+Dataset$factor3+... OBS: Obter o RS total de cada paciente somando os pontos de cada variável.</li>
		<li>Contar as frequências e calcular as incidências cumulativas observadas dos diferentes escores de risco total. > rs.freq <- as.data.frame(table(Dataset$rs)) > OBS.36 <- vetor(mode="numérico", length=nrow(rs.freq)) > para (i em 1: nrow(rs.freq)) { conjunto de dados <- subconjunto(Dataset,Dataset$rs== rs.freq [i,1]) cif.dataset <- cuminc(dataset$Survivalmonths,dataset$death3) cif36.dataset <- pontos de tempo(cif.dataset,36) obs.36[i] <- cif36.dataset$est[1]}</li>
		<li>Defina o intervalo do eixo x e calcule as incidências cumulativas previstas dos escores de risco totais. > RS <- intervalo (nom$total.points) > x.36 <- seq(min(RS),max(RS),0.01) > pre.36 <- 1-(1-cif.min36)^exp(x.36*maxbeta/100)</li>
		<li>Traçar a curva de calibração com escores de risco. > plot(x.36, pre.36, type='l'...) > par(new=TRUE) > plot(as.vector(rs.freq[,1]), obs.36... )</li>
	</ol></li>
</ol>5. Análise da curva de decisão de modelos de risco concorrentes
<ol><li>Origine a função stdca para realizar a análise da curva de decisão. > fonte("stdca. R")</li>
	<li>Extrair as equações polinomiais do nomograma para calcular a probabilidade de sobrevivência. > nomogramEx(nomo = nom) > Dataset$predictors <- A * (Dataset$rs ^3) + B * (Dataset$rs ^2) + C * Dataset$rs + D #predictors são probabilidades previstas de morte específica por câncer calculadas pelo nomograma estabelecido</li>
	<li>Realizar a análise da curva de decisão. > stdca(data = Dataset, outcome = "status", ttoutcome = "Survivalmonths", timepoint = 36, preditores = "preditores", cmprsk = VERDADEIRO, suave = FALSO, probabilidade = FALSO) NOTA: Para avaliar um resultado na presença de um risco concorrente, TRUE deve ser escolhido para cmprsk.</li>
</ol>6. Validação interna usando o método bootstrap
<ol><li>Obtenha as incidências cumulativas médias previstas usando o método bootstrap.<ol><li>Redefina a amostra do conjunto de dados original (conjunto de dados) com replace para gerar o conjunto de dados de bootstrap (Dataset_in). Estabeleça um modelo de risco concorrente (mod.in_crr) com o conjunto de dados de bootstrap. Use a função predict.crr para prever mod.in_crr e loop b vezes para gerar suvall.in. B=b suvall.in <- lista() for(j em 1:B){ Dataset_in <- Conjunto de dados[sample(c(1:nrow(Dataset)),nrow(Dataset), substituir = VERDADEIRO),] anexar(Dataset_ em) Cov. em <- model.matrix(~factor1+ factor2+...) [,-1] Mod. em _crr <- crr(Survivalmonths, fstatus, failcode=1, cov1=cov.in) detach(Dataset. interno) SUV. em <- predict.crr(mod. em _crr, cov) suvall.in[[j]] <- suv.in}</li>
		<li>Obtenha a média de incidências acumuladas previstas em um determinado mês. CIF36ALL. <- vetor (mode="numérico", length=nrow(Dataset)) para (k em 1:B) { CIF36ALL. interno<- cif36all. interior + suvall. inner[[k]][which(suvall. inner[[k]][,1]==36),][-1] } cif36.in <- cif36all.in/B</li>
	</ol></li>
	<li>Calcule o índice C usando validação cruzada interna com a função rcorr.cens. Rcorr. < interno- rcorr.cens(1-cif36.in,Surv(Dataset$Survivalmonths,Dataset$tumordeath)) cindex. < interno - rcorr. interno[1]</li>
	<li>Calibrar usando a validação interna cruzada. NOTA: Os códigos da curva de calibração do modelo de risco concorrente com validação interna são semelhantes aos códigos da secção 4, enquanto o SUV foi substituído por suv.in.</li>
</ol>7. Validação externa do modelo de risco concorrente
<ol><li>Obtenha as incidências cumulativas previstas usando dados externos. Obtenha as incidências cumulativas previstas com a matriz de variáveis de dados externos (cov.ex). suv.ex <- predict.crr(mod_crr,cov.ex) cif36.ex <- suv.ex [que(suv.ex $time=="36"),][-1]</li>
	<li>Calcule o índice C usando validação externa. rcorr.ex <- rcorr.cens(1-cif36.ex,Surv(Dataset.ex$Survivalmonths,Dataset.ex$tumordeath)) cindex.ex <- rcorr.ex[1]</li>
	<li>Calibrar usando validação externa. NOTA: Os códigos da curva de calibração do modelo de risco concorrente com validação interna são semelhantes aos códigos da secção 4, enquanto o suv é substituído por suv.ex.</li>
</ol>

<ol><li>Andersen, P. K., Gill, R. D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Cox%27s+regression+model+for+counting+processes%3A+A+large+sample+study%5BTitle%5D)+AND+%22The+Annals+of+Statistics%22%5BJournal%5D)">Cox's regression model for counting processes: A large sample study.</a> The Annals of Statistics. 10 (4), 1100-1120 (1982).</li>
<li>Lubsen, J., Pool, J., vander Does, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+practical+device+for+the+application+of+a+diagnostic+or+prognostic+function%5BTitle%5D)+AND+%22Methods+of+Information+in+Medicine%22%5BJournal%5D)">A practical device for the application of a diagnostic or prognostic function.</a> Methods of Information in Medicine. 17 (2), 127-129 (1978).</li>
<li>Harrell, F. E., Lee, K. L., Mark, D. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Multivariable+prognostic+models%3A+Issues+in+developing+models%2C+evaluating+assumptions+and+adequacy%2C+and+measuring+and+reducing+errors%5BTitle%5D)+AND+%22Statistics+In+Medicine%22%5BJournal%5D)">Multivariable prognostic models: Issues in developing models, evaluating assumptions and adequacy, and measuring and reducing errors.</a> Statistics In Medicine. 15 (4), 361-387 (1996).</li>
<li>Hung, H., Chiang, C. -T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Estimation+methods+for+time-dependent+AUC+models+with+survival+data%5BTitle%5D)+AND+%22The+Canadian+Journal+of+Statistics+%2F+La+Revue+Canadienne+de+Statistique%22%5BJournal%5D)">Estimation methods for time-dependent AUC models with survival data.</a> The Canadian Journal of Statistics / La Revue Canadienne de Statistique. 38 (1), 8-26 (2010).</li>
<li>Moons, K. G. M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Risk+prediction+models%3A+I.+Development%2C+internal+validation%2C+and+assessing+the+incremental+value+of+a+new+%28bio%29marker%5BTitle%5D)+AND+%22Heart%22%5BJournal%5D)">Risk prediction models: I. Development, internal validation, and assessing the incremental value of a new (bio)marker.</a> Heart. 98 (9), 683-690 (2012).</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>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>Wu, L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Establishing+a+competing+risk+regression+nomogram+model+for+survival+data%5BTitle%5D)+AND+%22Journal+of+Visualized+Experiments%22%5BJournal%5D)">Establishing a competing risk regression nomogram model for survival data.</a> Journal of Visualized Experiments. (164), e60684(2020).</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+of+Translational+Medicine%22%5BJournal%5D)">Nomogram for survival analysis in the presence of competing risks.</a> Annals of Translational Medicine. 5 (20), 403(2017).</li>
<li>Zhang, Z. H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Overview+of+model+validation+for+survival+regression+model+with+competing+risks+using+melanoma+study+data%5BTitle%5D)+AND+%22Annals+Of+Translational+Medicine%22%5BJournal%5D)">Overview of model validation for survival regression model with competing risks using melanoma study data.</a> Annals Of Translational Medicine. 6 (16), 325(2018).</li>
<li>Newson, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Confidence+intervals+for+rank+statistics%3A+Somers%27+D+and+extensions%5BTitle%5D)+AND+%22Stata+Journal%22%5BJournal%5D)">Confidence intervals for rank statistics: Somers' D and extensions.</a> Stata Journal. 6 (3), 309-334 (2006).</li>
<li>Davison, A. C., Hinkley, D. V., Schechtman, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Efficient+bootstrap+simulation%5BTitle%5D)+AND+%22Biometrika%22%5BJournal%5D)">Efficient bootstrap simulation.</a> Biometrika. 73 (3), 555-566 (1986).</li>
<li>Roecker, E. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Prediction+error+and+its+estimation+for+subset-selected+models%5BTitle%5D)+AND+%22Technometrics%22%5BJournal%5D)">Prediction error and its estimation for subset-selected models.</a> Technometrics. 33 (4), 459-468 (1991).</li>
<li>Steyerberg, E. W., Harrell, F. E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Prediction+models+need+appropriate+internal%2C+internal-external%2C+and+external+validation%5BTitle%5D)+AND+%22Journal+of+Clinical+Epidemiology%22%5BJournal%5D)">Prediction models need appropriate internal, internal-external, and external validation.</a> Journal of Clinical Epidemiology. 69, 245-247 (2016).</li>
<li>Zhang, Z., Chen, L., Xu, P., Hong, Y. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Predictive+analytics+with+ensemble+modeling+in+laparoscopic+surgery%3A+A+technical+note%5BTitle%5D)+AND+%22Laparoscopic%2C+Endoscopic+and+Robotic+Surgery%22%5BJournal%5D)">Predictive analytics with ensemble modeling in laparoscopic surgery: A technical note.</a> Laparoscopic, Endoscopic and Robotic Surgery. 5 (1), 25-34 (2022).</li>
</ol>

Os autores declaram não ter interesses concorrentes.

Este estudo comparou nomogramas de risco concorrentes estabelecidos por dois métodos distintos e realizou avaliação e validação dos nomogramas estabelecidos. Especificamente, este estudo forneceu um tutorial passo-a-passo para estabelecer o nomograma com base em um método direto, bem como calcular o índice C e traçar as curvas de calibração.
O pacote rms no software R é amplamente utilizado para a construção e avaliação de modelos de risco proporcional de Cox, mas não é aplicável para...

Nos últimos anos, fatores prognósticos emergentes têm sido identificados com o desenvolvimento da medicina de precisão, e modelos prognósticos combinando fatores moleculares e clínico-patológicos vêm chamando cada vez mais atenção em cenários clínicos. No entanto, modelos não gráficos, como o modelo de risco proporcional de Cox, com resultados de valores de coeficientes, são de difícil compreensão para os clínicos1. Em comparação, um nomograma é uma ferramenta de visualização de modelos de regressão (incluindo o modelo de regressão de Cox, modelo de risco competitivo, etc.), um diagrama bidimensional projetado para a computação gráfica aproximada de uma função matemática2. Permite a avaliação de diferentes níveis de variáveis em um modelo clínico e o cálculo de escores de risco (ES) para predizer prognóstico.
A avaliação do modelo é essencial na construção do modelo, e duas características são geralmente aceitas para avaliação: discriminação e calibração. Em modelos clínicos, a discriminação refere-se à capacidade de um modelo separar indivíduos que desenvolvem eventos daqueles que não desenvolvem, como pacientes que morrem versus aqueles que permanecem vivos, e o índice de concordância (C-index) ou a área sob a curva receiver operating characteristic (AUC) são tipicamente usados para caracterizá-la 3,4. A calibração é um processo de comparação das probabilidades previstas de um modelo com as probabilidades reais, e curvas de calibração têm sido amplamente utilizadas para representá-lo. Além disso, a validação de modelos (validação interna e externa) é uma etapa importante na construção do modelo, e apenas modelos validados podem ser extrapolados5.
O modelo de risco proporcional de Cox é um modelo de regressão utilizado em pesquisas médicas para investigar as associações entre fatores prognósticos e status de sobrevida. No entanto, o modelo de risco proporcional de Cox considera apenas dois status de desfecho [Y (0, 1)], enquanto os sujeitos do estudo geralmente enfrentam mais de dois status, e riscos concorrentes surgem [Y (0, 1, 2)]1. A sobrevida global (SG), que é definida como o tempo desde a data de origem (por exemplo, tratamento) até a data do óbito por qualquer causa, é o desfecho mais importante na análise de sobrevida. No entanto, a OS falha em diferenciar a morte específica por câncer da morte não específica por câncer (por exemplo, eventos cardiovasculares e outras causas não relacionadas), ignorando riscos competitivos6. Nessas situações, o modelo de risco competitivo é preferido para a predição do status de sobrevida com a consideração de riscos competitivos7. A metodologia de construção e validação de modelos de riscos proporcionais de Cox está bem estabelecida, enquanto há poucos relatos sobre a validação de modelos de risco concorrentes.
Em nosso estudo anterior, um nomograma de risco competitivo específico, uma combinação de um nomograma e um modelo de risco competitivo e uma estimativa de escore de risco baseada em um modelo de risco competitivo foram estabelecidos8. Este estudo tem como objetivo apresentar diferentes métodos de avaliação e validação do nomograma de risco competitivo estabelecido, que deve servir como uma ferramenta útil para os clínicos predizerem o prognóstico com a consideração de riscos competitivos.

<table><tbody><tr><td>R software</td><td>Nenhum</td><td>Não aplicável</td><td>Versão 3.6.2 ou superior&nbsp;</td></tr><tr><td>Sistema de computador</td><td>Microsoft&nbsp;</td><td>janelas 10</td><td>&nbsp; Windows 10 ou superior</td></tr></tbody></table>

uma validação de cenário baseada em r de um modelo de risco concorrente

An R-Based Landscape Validation of a Competing Risk Model

O modelo de risco proporcional de Cox é amplamente aplicado para análises de sobrevida em cenários clínicos, mas não é capaz de lidar com múltiplos desfechos de sobrevida. Diferentemente do modelo tradicional de risco proporcional de Cox, os modelos de risco concorrentes consideram a presença de eventos concorrentes e sua combinação com um nomograma, um dispositivo gráfico de cálculo, que é uma ferramenta útil para os clínicos realizarem uma predição prognóstica precisa. Neste estudo, relatamos um método para estabelecer o nomograma de risco competitivo, ou seja, a avaliação de suas habilidades de discriminação (i.e., índice de concordância e área sob a curva) e calibração (i.e., curvas de calibração), bem como o benefício líquido (i.e., análise da curva de decisão). Além disso, validação interna usando reamostras de bootstrap do conjunto de dados original e validação externa usando um conjunto de dados externo do nomograma de risco concorrente estabelecido também foram realizadas para demonstrar sua capacidade de extrapolação. O nomograma de risco competitivo deve servir como uma ferramenta útil para os clínicos preverem o prognóstico com a consideração de riscos competitivos.

Neste estudo, os dados de pacientes com câncer de mama foram recuperados do banco de dados do SEER e serviram como exemplo de dados. O banco de dados SEER fornece dados sobre câncer, representando cerca de 34,6% da população dos Estados Unidos, e foi obtida permissão para acessar o banco de dados (número de referência 12296-Nov2018).
Dois nomogramas (Figura 1), ambos incluindo tipo histológico, grau diferenciado, estádio T e estádio N, foram estabelecidos pelo mét...

O presente protocolo descreve códigos em R para avaliar as habilidades de discriminação e calibração de um modelo de risco competitivo, bem como códigos para validação interna e externa do mesmo.

Uma validação de cenário baseada em R de um modelo de risco concorrente

The Cox proportional hazard model is widely applied for survival analyses in clinical settings, but it is not able to cope with multiple survival ...

Nosso protocolo apresenta diferentes métodos de avaliação e validação de nomograma de risco competitivo, que considera a presença de eventos competitivos na análise de sobrevida. Este protocolo serve como um complemento ao pacote de regressão de risco em R.Tal como o cálculo do índice C e a validação interna, usando o método bootstrap. Para começar pela discriminação do índice C, ajuste a espiga da matriz no modelo de risco concorrente mod CRR e obtenha um SUV de matriz prevista executando o comando.Obtenha as incidências acumuladas em um determinado mês do SUV e calcule o índice C com a função R-core envia. Para a discriminação da AUC, escore o desempenho preditivo do modelo de risco competitivo, usando o escore de função, pacote de regressão de risco. Em seguida, extraia a AUC da pontuação executando o comando.Para obter curvas de calibração com intervalo de confiança de 95% do modelo de risco concorrente, obtenha-se um quadro de dados com as incidências cumulativas de cada indivíduo em um determinado tempo de falha. Em seguida, divida a coorte de acordo com as incidências cumulativas estimadas em cinco subgrupos e calcule as incidências cumulativas médias previstas de cada subgrupo. Calcule as incidências cumulativas observadas, ou seja, as incidências cumulativas reais usando a função cuminc.E, em seguida, obtenha as incidências cumulativas observadas com um intervalo de confiança de 95% em um determinado tempo de falha executando o comando. Plotar a curva de calibração com as incidências cumulativas previstas como o eixo X e as incidências cumulativas observadas como o eixo Y. Usando a função gg plot.Para curva de calibração com escores de risco do modelo de risco concorrente, avalie cada nível de todas as variáveis e obtenha o RS total executando o comando. Contar as frequências e calcular as incidências cumulativas observadas dos diferentes escores de risco total. Defina o intervalo do eixo X e calcule as incidências cumulativas previstas dos escores de risco totais.Em seguida, plote a curva de calibração com pontuações de risco executando o comando. Para obter as incidências cumulativas médias previstas usando o método bootstrap, faça uma nova amostra do conjunto de dados original, conjunto de dados com substituição, para gerar o conjunto de dados bootstrap. Conjunto de dados em.Em seguida, estabeleça um modelo de risco concorrente:mod NCRR com o conjunto de dados bootstrap e use a função predict CRR para prever mod NCRR em tempos de loop B para gerar SUV all in. Em seguida, obtenha a média de incidências acumuladas previstas em um determinado mês. Calcule o índice C usando validação cruzada de intervalo com a função R-core envia.Para calibração, usando validação externa, obtenha as incidências cumulativas previstas usando dados externos e incidências cumulativas com a matriz de variáveis de dados externos:Code-X executando o comando. Em seguida, calcule o índice C usando validação externa executando o comando. Foram obtidos dois nomogramas pelo método direto e pelo método ponderado, demonstrando que os pontos de cada nível das variáveis e as probabilidades correspondentes ao total de pontos foram praticamente os mesmos.Enquanto algumas pequenas diferenças foram observadas. A curva de calibração para o modelo de risco competitivo aproximou-se da linha de equivalência e o intervalo de confiança de 95% da frequência observada situou-se na linha de equivalência em cada grupo. Indicando a capacidade de calibração precisa do modelo.Curvas de calibração por validação interna e externa foram apresentadas, indicando que o modelo construído apresentou boa capacidade de calibração na validação interna, mas pobre na validação externa. Os resultados da análise da curva de decisão do nomograma de risco competitivo foram obtidos. Demonstrar as mudanças no benefício líquido com probabilidade de limiar crescente.A reamostragem do conjunto de dados original foi substituída para gerar o conjunto de dados bootstrap como importante na realização da validação interna do nomograma de risco concorrente. Além do método bootstrap, o método de exibição aleatória e o método K4 também podem ser realizados para gerar conjuntos de dados utilizados para validação interna. Usando nossa validação de paisagem baseada em R do modelo de risco competitivo, os médicos podem realizar uma análise de prognóstico no mundo real, considerando o risco competitivo mais facilmente.

an-r-based-landscape-validation-of-a-competing-risk-model

Research

JoVE Journal

Cancer Research

Pesquisa sobre o Câncer

Há uma necessidade crítica de ferramentas e metodologias capazes de gerir sistemas aquáticos em face das condições de futuro incerto. Nós fornecemos métodos para a realização de uma avaliação de bacias hidrográficas alvejado que permite aos gestores de recursos para produzir modelos de efeitos cumulativos à base de paisagem para uso dentro de um quadro de gestão de análise de cenários.

Bacias hidrográficas Planejamento dentro de uma Análise Quantitativa Framework Cenário

Apresentado aqui é um protocolo para construir nomogramas baseados no modelo de regressão de riscos proporcionais de Cox e modelo de regressão de risco concorrente. O método concorrente é um método mais racional para aplicar quando eventos concorrentes estão presentes na análise de sobrevivência.

Estabelecendo um modelo de nomograma de regressão de risco concorrente para dados de sobrevivência

Demonstramos como implantar um sistema de alerta e cálculo de risco de psicose em tempo real baseado no CogStack, uma plataforma de recuperação e extração de informações para registros eletrônicos de saúde.

Implementação de um sistema de detecção e alerta de risco de psicose em tempo real com base em registros eletrônicos de saúde usando o CogStack

O estudo descobriu que o sexo masculino, o baixo grau do tumor e o estágio avançado de metástase do linfonodo tumoral foram associados a uma pior sobrevida específica do câncer (CSS) em pacientes com câncer colorretal primário múltiplo (MPCC) após a cirurgia. Desenvolvemos um nomograma para prever a CSS de pacientes com MPCC e contribuir para a tomada de decisão do tratamento clínico.

Nomograma de risco competitivo para prever a sobrevida específica do câncer em pacientes com câncer colorretal primário múltiplo após cirurgia

Este estudo avalia sistemas prognósticos para pacientes com carcinoma de células em anel de sinete colorretal usando modelos de aprendizado de máquina e análises de risco concorrentes. Ele identifica as chances logarítmicas de linfonodos positivos como um preditor superior em comparação com o estadiamento pN, demonstrando forte desempenho preditivo e auxiliando na tomada de decisões clínicas por meio de ferramentas robustas de previsão de sobrevida.

Comparação do desempenho preditivo de três sistemas de estadiamento linfonodal no carcinoma colorretal de células do anel de sinete com base no modelo de aprendizado de máquina

Descrevemos o estabelecimento de tumores colorretais ortotópicos através da injeção de células tumorais ou organoides no ceco de camundongos e o subsequente isolamento de células tumorais circulantes (CTCs) deste modelo.

Isolamento de células tumorais circulantes em um modelo de rato ortotópico de câncer colorretal

Descrevemos no vivo modelo murino de invasão perineural injetando células de câncer pancreático syngeneic no nervo ciático. O modelo permite a quantificação da extensão da invasão do nervo e apoia a investigação dos mecanismos celulares e moleculares de invasão perineural.

Um modelo murino de nervo ciático na Vivo de invasão Perineural

O procedimento experimental sobre o immunophenotyping de stent de murino ortotópico PDAC visa perfilação a imuno-microambiente do tumor. Os tumores são orthotopically implantado através de cirurgia. Tumores de 200-600 mm3 no tamanho foram colhidos e dissociados para preparar suspensões de célula única, seguidas de análise multi imune marcador FACS usando diferentes anticorpos fluorescente-etiquetadas.

Immunophenotyping de ortotópico Homograft (Syngeneic) de murino KPC primário de Adenocarcinoma Ductal do pâncreas por citometria de fluxo

Aqui, nós fornecemos um fluxo de trabalho que permite a identificação de células saudáveis e patológicas, com base em sua forma 3-dimensional. Descrevemos o processo de usar contornos 2D projeção com base nas superfícies 3D para treinar um mapa auto-organizável que fornecerá a clusterização objetiva das populações investigadas célula.

Baseado na morfologia distinção entre saudável e patológico células utilizando transformações de Fourier e auto-organização mapas

O kit de DNA de DIAGNÓSTICO apresentado é um método de economia de tempo e fácil de usar para determinar a probabilidade confiável da presença de lesões de câncer colorretal.

Avaliação do Risco e Prevalência de Câncer Colorretal por Detecção de Integridade do DNA das fezes

Aprenda a validar modelos de riscos concorrentes em análise de sobrevivência usando códigos R. Este protocolo demonstra cálculo de C-index, AUC e métodos bootstrap para avaliação de desempenho preditivo.

Uma validação de cenário baseada em R de um modelo de risco concorrente

Explorar mais vídeos