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

Nossa pesquisa se concentra na análise da sobrevida específica do câncer de pacientes com múltiplos cânceres colorretais primários. Exploramos os fatores que influenciam a sobrevida específica do câncer nesses pacientes e, em seguida, desenvolvemos um modelo para apoiar a tomada de decisões clínicas.

Em nossa pesquisa, utilizamos um modelo ReX concorrente em vez de um modelo de Cox para investigar os fatores que influenciam a sobrevida específica do câncer. Essa abordagem nos permite minimizar o impacto de eventos concorrentes e alcançar resultados mais precisos. No futuro, planejamos nos concentrar na pesquisa genômica em vários cânceres colorretais primários, com o objetivo de descobrir suas características genéticas distintas.

[Instrutor] Para começar, baixe o software SEERStat 8.4.3 no site do banco de dados SEER. Registre-se e faça login no SEERStat 8.4.3 para obter os dados relevantes do paciente. Após o login, clique na sessão e nos dados da listagem de casos. Em seguida, selecione os dados de pesquisa SEER de incidentes, 17 registros, sub de novembro de 2022, banco de dados de 2000 a 2020. Clique na seleção, edite e escolha raça, sexo, ano dx, ano do diagnóstico, 2004 a 2015 e local e morfologia, recodifique o local CID03 e OMS 2008 como cólon e reto. Escolha a confirmação diagnóstica do local e da morfologia como histologia positiva, e o número de sequência de vários campos primários não é apenas um primário. Agora clique em OK e salve a seleção. Em seguida, clique na tabela e, na interface de variáveis disponíveis, selecione a recodificação de idade com idades únicas e mais de 85 anos, sexo, recodificar o local CID03 e o tamanho do tumor CS da OMS 2008, recodificação de grau até 2017, sexta edição derivada do AJCCT, 2004 a 2015, sexta edição derivada do AJCCN, 2004 a 2015, sexta edição derivada do AJCCM, 2004 a 2015, recodificação de radiação, recodificação de quimioterapia, sim, não ou desconhecido. Classificação de morte específica por causa SEER, classificação de outra causa de morte SEER, meses de sobrevida, ID do paciente e cirurgia resumida de RX, local prim 1.998 mais. Depois disso, clique na coluna. Em seguida, clique em saída. Nomeie os dados e clique em executar para gerar e salvar os dados. Depois de concluir o download dos dados, use o ID do paciente para filtrar pacientes diagnosticados com duas ou mais ocorrências, indicando vários cânceres colorretais primários. Calcule o intervalo entre os diagnósticos de tumor com base em seus tempos de sobrevivência. Em seguida, classifique os pacientes em câncer colorretal primário múltiplo síncrono e câncer colorretal primário metacrônico, usando seis meses como ponto de corte. Com base na idade no momento do diagnóstico inicial, categorize as idades dos pacientes como 65 anos ou menos e mais de 65 anos. Classifique os graus do tumor como grau um para boa diferenciação, grau dois para diferenciação moderada, grau três para baixa diferenciação e grau quatro para indiferenciação. Em seguida, classifique a localização do tumor com base na distribuição de vários tumores, como cólon direito, colorreto esquerdo ou colorreto inteiro. Determine o tamanho do tumor selecionando o maior diâmetro do tumor entre vários tumores no mesmo paciente. Divida aleatoriamente todos os 8.931 pacientes em uma coorte de treinamento e uma coorte de validação em uma proporção de sete para três. Baixe o RStudio e o RSoftware. Abra o RStudio para executar o RSoftware. Em seguida, clique em novo arquivo e selecione RScript para criar uma nova interface RProgramming. Insira o código relevante no editor de código e clique em executar para executar o código. Use o código para executar a análise univariada e plotar a curva CIF. Depois de executar o código, clique em exportar, clique em salvar como imagem e, finalmente, clique em salvar para salvar a imagem. Substitua sexo no código por outros fatores para realizar a análise univariada para todos os fatores. Em seguida, use o código para executar a melhor regressão de subconjunto, análise multivariada e visualização. Em seguida, salve a imagem conforme mostrado anteriormente. Use o código para traçar o nomograma, a curva ROC, a curva de calibração e a curva DCA. Em seguida, use o pacote GGSCIDCA para plotar a curva DCA antes de salvar a imagem. As curvas ROC demonstraram que o modelo alcançou uma AUC de 0,762, 0,742 e 0,734 para previsões de um ano, três anos e cinco anos, respectivamente, na coorte de treinamento. E 0,801, 0,740 e 0,743 na coorte de verificação. As curvas de calibração indicaram uma alta concordância entre as probabilidades previstas e os resultados reais nas coortes de treinamento e verificação. O DCA mostrou que o modelo forneceu um bom benefício líquido em várias probabilidades de limiar.