Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
Click here for the English version

Cancer Research

Создание модели номограммы регрессии конкурирующих рисков для данных о выживании

doi: 10.3791/60684 Published: October 23, 2020

Summary

Здесь представлен протокол для построения номограмм на основе модели регрессии пропорциональных опасностей Cox и конкурирующей модели регрессии риска. Конкурирующий метод является более рациональным методом применения, когда конкурирующие события присутствуют в анализе выживания.

Abstract

Метод Каплан-Мейер и модель регрессии пропорциональных опасностей Кокса являются наиболее распространенными анализами в рамках выживания. Они относительно просты в применении и интерпретации и могут быть изображены визуально. Однако при участии конкурирующих событий (например, сердечно-сосудистых и цереброваскулярных аварий, связанных с лечением смертей, дорожно-транспортных происшествий) стандартные методы выживания следует применять с осторожностью, а реальные данные не могут быть правильно интерпретированы. Может быть желательно различать различные виды событий, которые могут привести к сбою, и относиться к ним по-разному в анализе. Здесь методы сосредоточены на использовании модели конкурирующих регрессий для выявления значительных прогностические факторы или факторы риска при участии конкурирующих событий. Кроме того, номограммы, основанные на пропорциональной модели регрессии опасности и конкурирующей модели регрессии, созданы для того, чтобы помочь врачам провести индивидуальные оценки и стратификации рисков, с тем чтобы объяснить влияние спорных факторов на прогноз.

Introduction

or Start trial to access full content. Learn more about your institution’s access to JoVE content here

Время для анализа выживаемости событий довольно распространено в клинических исследованиях. Данные о выживании измеряют промежуток времени от времени начала до возникновения события, представляющие интерес, но возникновение события, представляющие интерес, часто исключается другим событием. Если присутствует несколько типов конечных точек, они называются конкурирующими конечной точкой риска. В этом случае стандартный анализ опасности (т.е. модель пропорциональной причинности опасностей Кокса) часто не работает хорошо, потому что люди, испытывающие другой тип событий, подвергаются цензуре. Лица, которые испытывают конкурирующие события часто остаются в наборе рисков, так как конкурирующие риски, как правило, не являются независимыми. Поэтому Fine и Gray1 изучили оценку регрессионные модели для субраспределения конкурирующих рисков. В условиях конкурирующих рисков три различных типа событий могут быть дискриминированы.

Один из них измеряет общую выживаемость (ОС), демонстрируя прямую клиническую выгоду от новых методов лечения заболевания. ОС измеряет время выживания от времени происхождения (т.е. время постановки диагноза или лечения) до времени смерти по какой-либо причине и в целом оценивает абсолютный риск смерти, тем самым не различая причины смерти (например, смерть от рака (CSD) или неспецифическую смерть (не-CSD))2. Поэтому ОС считается наиболее важной конечной точкой. События, представляющие интерес, часто связаны с раком, в то время как не связанные с раком события, которые включают болезни сердца, дорожно-транспортные происшествия или другие не связанные с этим причины, считаются конкурирующими событиями. Злокачественные пациенты с благоприятным прогнозом, которые, как ожидается, выжить дольше, часто находятся на больший риск, не-CSD. То есть ОС будет разбавлена другими причинами смерти и не сможет правильно интерпретировать реальную эффективность клинического лечения. Таким образом, ОС не может быть оптимальной мерой для доступа к исходам болезни3. Такие предубеждения могут быть исправлены с помощью конкурирующей модели регрессии рисков.

Существует два основных метода конкурирующих данных о рисках: модели опасности, характерные для конкретных причин (модели Кокса) и модели опасности субраспределения (конкурирующие модели). В следующем протоколе мы представляем два метода генерации номограмм на основе модели опасности, специфичной для причин, и модели опасности субраспределения. Модель опасности, специфичная для конкретных причин, может быть вписана в модель пропорциональных опасностей Cox, которая рассматривает субъектов, которые испытывают конкурирующие события, как цензуре в момент, когда произошло событие конкуренции. В модели опасности субраспределения, которая была введена Fine and Gray1 в 1999 году, три различных типа событий могут быть дискриминированы, и лица, которые испытывают конкурирующие события остаются в опасности, установленной навсегда.

Номограмма является математическим представлением взаимосвязи между тремя или более переменными4. Медицинские номограммы рассматривают биологическое и клиническое событие как переменные (например, сорт опухоли и возраст пациента) и генерируют вероятности клинического события (например, рецидива рака или смерти), который графически изображается как статистическая прогностический модель для данного человека. Как правило, номограмма формулируется на основе результатов Кокспропорциональной модели опасностей 5,,6,,7,,8,,9,,10.

Однако при конкурирующих рисках номограмма, основанная на модели Cox, может не работать хорошо. Хотя несколько предыдущихисследований 11,12,13,14 применили конкурирующие номограммы риска для оценки вероятности CSD, несколько исследований описали, как установить номограмму на основе конкурирующих регрессии риска модели, и нет существующего пакета для достижения этой цели. Таким образом, метод, представленный ниже, обеспечит пошаговый протокол для создания конкретной номограммы конкурирующих рисков на основе конкурирующей модели регрессии риска, а также оценки оценки риска для оказания помощи врачам в принятии решений по лечению.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

or Start trial to access full content. Learn more about your institution’s access to JoVE content here

Протокол исследования был одобрен Комитетом по этике больницы Цзиньхуа, Медицинской школы Университета Чжэцзяна. В ходе этого эксперимента эти случаи были получены из базы данных эпиднадзора, эпидемиологии и конечных результатов (SEER). SEER — это база данных с открытым доступом, которая включает демографические данные, данные о заболеваемости и выживаемости из 18 регистров онкологических заболеваний населения. Мы зарегистрировались на сайте SEER и подписали гарантийное письмо о приобретении данных исследований (12296-Nov2018).

1. Источник данных

  1. Получение случаев из баз данных, а также разрешение (если таковые имеются) на использование случаев из реестров.
    ПРИМЕЧАНИЕ: данные когорты загружаются в дополнительный файл 1. Читатели, которые уже имеют данные о выживании с конкурирующими рисками, могут пропустить этот раздел.

2. Установка и загрузка пакетов и импорт данных

ПРИМЕЧАНИЕ: Выполните следующие процедуры на основе программного обеспечения R (версия 3.5.3) с использованием пакетов rms 15 и cmprsk16 (http://www.r-project.org/).

  1. Установка rms и cmprsk R пакетов.
    (gt;install.packages)
    (gt;install.packages("cmprsk")
  2. Загрузите пакеты R.
    Библиотека ("rms")
    Библиотека ("Кмпрск")
  3. Импорт данных когорты.
    В качестве примера будут приведены данные по когорте

3. Номограмма, основанная на модели регрессии коксовой пропорциональной опасности

  1. Создание модели регрессии пропорциональной опасности Кокса.
    ПРИМЕЧАНИЕ: Независимые переменные (X) включают категоричные переменные (пустые переменные, такие как раса) и непрерывные переменные (например, возраст). Факторы, значимые в неимутивном анализе, будут отобраны для использования в многовариантном анализе.
    1. Подготовь к данным модель пропорциональных опасностей Кокса. Установить Кокс пропорциональной жесткой регрессии модели с помощью функции cph. Упрощенный формат в R показан ниже:
      (gt; f0 lt;- cph(Surv(Survivalmonths, статус)
      x'T, y'T, surv'T, data-Dataset)
      ПРИМЕЧАНИЕ: Смерть была установлена в качестве статуса в примере кода.
  2. Разработайте номограмму Cox Regression с использованием команд, описанных ниже.
    Nom lt;- nomogram (f0, fun'list (функция (x) surv(24, x)...), funlabel'c ("2-летний прогнозируемый показатель выживаемости"...), maxscale-100, fun.at)
    Сюжет (nom)
    ПРИМЕЧАНИЕ: Возьмем в качестве примера 2-летний прогнозируемый показатель выживаемости.

4. Номограмма, основанная на модели регрессии конкурирующих рисков

  1. Создание модели регрессии конкурирующих рисков.
    1. Подходит для конкурирующих моделей регрессии риска. Читатели могут включать факторы, которые они считают важными, этот шаг может быть пропущен. В качестве примера приведены факторы, существенные в невыгодном анализе.
      ПРИМЕЧАНИЕ: Переменная цензуры кодируется как 1 для события, представляющих интерес, и как 2 для конкурирующих событий риска. Чтобы облегчить анализ, Scrucca et al.17 обеспечивают R-функцию factor2ind(), которая создает матрицу переменных индикаторов из фактора.
    2. Для категориальных переменных тщательно кодировать их численно при их включения в конкурирующей модели. То есть для категорической переменной, сделанной из уровней J, создайте фиктивные переменные J-1 или переменные индикатора.
    3. Чтобы создать конкурирующая модель регрессии риска, в первую очередь прогностические переменные в матрицу. Используйте функцию cbind () для конкатенации переменных столбцами и вписать их в конкурирующей модели регрессии.
      х х х;-cbind (фактор2ind(фактор1, "1"), factor2ind (фактор2, "1").
      (Выживаниеmonths, fstatus, failcode-1 или 2, cov1'x)
  2. Участок конкурирующих номограмма
    ПРИМЕЧАНИЕ: Бета-β (значение) является регрессивным коэффициентом вариата (X) в формуле регрессии пропорциональных опасностей Кокса. X.score (всеобъемлющий эффект зависимой переменной) и X.real (в специальных точках времени, например, 60 месяцев, чтобы предсказать кумулятивную функцию заболеваемости) вычисляются из модели регрессии Кокса, а затем устанавливается номограмма.
    1. Используйте функцию номограммы для построения Cox nom (как у перечислено в шаге 3.2).
    2. Замените X.beta и X.point, а также total.points, X.real и X.score конкурирующей модели регрессии риска.
      1. Получить базовый cif, то есть cif (мин). Подробнее об этом читайте в дополнительном файле 2.
        х0х
        х0 lt;- as.matrix (x0)
        хт; lhat lt;- матрица (0, nrow - длина (mod$uftime), ncol и nrow (x0))
        для (j в 1:nrow (x0)) lhat, j'lt;- cumsum (экс (сумма (x0'j, й mod$coef))
        хт; lhat lt;- cbind (mod$uftime, 1 - exp (-lhat))
        (сув-лт;-as.data.frame)(lhat)
        Колнамы (suv)lt;- c ("время")
        (gt; line24'lt;-который (suv$time'"24")
        (gt; cif.min24'lt;-suv-line24,which.min(suv-line24, )
      2. Замените X.beta и X.point.
        хт; lmaxbeta'lt;-which.max(abs (mod$coef))
        «gt; maxbeta'lt;-abs (mod$coef'lmaxbeta))
        (gt; race0'lt;-0)
        Имена (гонки0)lt;-"гонка:1"
        «gt; race.beta»lt;-c (гонка0,mod$coef'c(«гонка:2»,«гонка:3»)»)
        «Gt; race.beta.min»lt;-race.beta,which.min (race.beta)»
        (gt; race.beta1'lt;-race.beta-race.beta.min)
        «Gt; race.scale»lt;-(race.beta1/maxbeta)) - как рассчитывается шкала
        Nom$Race$Xbeta'lt;-race.beta1
        Nom$Race$points-lt;-race.scale
        ПРИМЕЧАНИЕ: Возьмите расы в качестве примера.
      3. Замените общее количество X.point и X.real.
        Nom$total.points$x'lt;c (0,50,100, ...)
        в реальном выражении (0,01,0,0,0,0,2,...)
        ПРИМЕЧАНИЕ: Замены в соответствии с значением minimax.
      4. Рассчитайте X.score и свяйте номограмму.
        Nogt; score.2y'lt;-log (((1-real.2y),(1-cif.min24))))/(maxbeta/100)
        Nom$'2-летняя выживаемость $x;-score.2y
        Nom$'2-летняя выживаемость $x.real'lt;-real.2y
        Nom$'2-летняя выживаемость $fat;-as.character (real.2y)
        Сюжет (ном)
        ПРИМЕЧАНИЕ: X.score'log (журнал((1-X.real),(1-cif0))))/(maxbeta/100). Уравнения для X.score и X.real отношения могут быть рассчитаны в соответствии с внутренней атрибуции конкурирующих моделей (crr). Cif0 означает базовый cif, который будет рассчитываться по функции predict.crr.

5. Анализ подгрупп, основанный на оценке группового риска (GRS)

  1. Рассчитайте балл риска (RS)
    ПРИМЕЧАНИЕ: Рассчитайте балл риска для каждого пациента, общая количество баллов каждой переменной. Значения выреза используются для классификации когорты. Взяв в качестве примера 3 подгруппы, используйте мета-пакет для нарисовки лесного участка.
    1. Установка и загрузка пакетов R
      Установка.пакеты ("мета")
      Библиотека ("мета")
    2. Получить GRS и разделить когорту на 3 подгруппы.
      (gt; d1'lt;-Dataset)
      йgt; d1$X'lt;-nom$X$points
      Например, #For, d1$race,d1$race;1'lt;-nom$race$point
      «gt; d1$RS»lt;-d1$race , d1$marry , d1$гистология , d1$grademodify , d1$Tclassification
      «gt; d1$GRS'lt;- cut(d1$RS, квантиль (d1$RS, seq (0, 1,1/3)), include.lowest и TRUE, этикетки 1:3)
    3. Нарисуйте лесной участок. Получить HR, LCI и UCI через функцию crr.
      «gt; подгруппа»lt;-crr (ftime, fstatus, cov1, failcode-1)
      «GT; HR»lt;- резюме (подгруппа)$conf.int
      (gt; LCI'lt;- резюме (подгруппа)$conf.int
      (gt; UCI'lt;- резюме (подгруппа)$conf.int
      «LABxx»lt;-c(«Низкий риск», «Средний риск», «Высокий риск»)
      хх-лт;-метаген (журнал(HR), нижний журнал (LCI), верхний журнал (UCI), стадлаб и LABxx, sm - "HR")
      Лес (xx, col.square - "черный", гестат "TRUE", leftcols - "studlab")

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

or Start trial to access full content. Learn more about your institution’s access to JoVE content here

Характеристики выживания примерной когорты
В примере когорты в анализ было включено в общей сложности 8550 пациентов, имеющих право на участие в анализе, а среднее время последующей деятельности составило 88 месяцев (диапазон от 1 до 95 месяцев). В общей сложности 679 (7.94%) пациенты были моложе 40 лет и 7871 (92,06%) пациентов было старше 40 лет. В конце судебного разбирательства, 7483 (87,52%) пациенты были еще живы, 662 (7.74%) умер из-за рака молочной железы, и 405 (4,74%) пациенты умерли по другим причинам (конкурирующие риски).

Сравнение двух моделей выживания
Совокупные частоты смерти опухоли/нет смерти опухоли и конкурирующих событий были рассчитаны методом Каплан-Мейера и конкурирующей функцией регрессии риска, соответственно (представлено на рисунке 1). Как показано на рисунке 1, сумма кумулятивных случаев смерти опухоли и не смерть опухоли, как рассчитывается методом Каплан-Мейер был выше, чем сумма оценок всех причин смерти, которая была равна кумулятивной заболеваемости CSD, когда конкурирующий метод был использован. Очевидно, что метод Каплан-Мейера переоценил кумулятивную частоту смерти опухоли и отсутствие смерти от опухоли. Конкурирующий метод может исправить его завышение вероятности смерти.

Номограмма на основе модели регрессии пропорциональных опасностей Кокса
Номограмма была построена на основе значительных факторов, как показано на рисунке 2A и таблице 1. Это включало семейное положение, расу, гистологический тип, дифференцированный класс, классификацию T и классификацию N.

Номограмма на основе конкурирующей модели регрессии риска
Была построена конкурирующая номограмма, основанная на нескольких факторах, включая расу, семейное положение, гистологический тип, дифференциальный класс, классификацию T и N(рисунок 2B). Бета-коэффициенты модели использовались для распределения шкалы (таблица1).

Анализ стратификации по оценке риска
Основываясь на оценке риска, когорта была классифицирована на три подгруппы: низкий балл риска: 0-44; средний балл риска: 45-85; и высокий балл риска: 86-299. Лесной участок может четко представлять взаимодействие между ГРБ и конкретным фактором (возраст)(рисунок 3). На основе классификации ГРБ худший прогноз молодых женщин появился только в подгруппе низкого риска, и молодой возраст может выступать в качестве защитного фактора прогноза в подгруппах со средним и высоким риском.

Figure 1
Рисунок 1: Сложенный кумулятивный участок заболеваемости. K-M: Совокупные заболеваемости на основе оценок Каплан-Мейер; CR: Совокупные заболеваемость на основе кумулятивных оценок риска заболеваемости; Смерть от опухоли - отсутствие смерти от опухоли (K-M): сумма оценок совокупной заболеваемости раком конкретной смерти и не-рака конкретной смерти; CSD - non-CSD (CR): сумма оценок смерти от рака и смерти, не от рака, когда использовался метод CR. Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.

Figure 2
Рисунок 2: Номограммы модели регрессии пропорциональных опасностей Cox и конкурирующей модели регрессии риска. (A)Номограмма, основанная на модели регрессии пропорциональных опасностей Кокса. (B)Номограмма, основанная на конкурирующей модели регрессии риска. Для применения номограмм каждая переменная ось показывает индивидуальный фактор риска, а линия, обращенная вверх, используется для определения точек каждой переменной. Затем, общие баллы рассчитываются для получения вероятности 2-, 3- и 5-летнего рака конкретных выживания или кумулятивной функции заболеваемости (CIF). Гонка: 1 'белый, 2'черный, 3'other; Семейное положение: 1"замужем, 2" одинокий (никогда не женатый или домашний партнер), 3 "разведенный (разлученный, разведенный, овдовеный); Гистологический тип: 1 "инфильтративный рак протока, 2" проникающий лобкулярный рак, 3 "проникновение протока и лобкулярной карциномы; Опухоль класса: 1 "хорошо дифференциации, 2" умеренной дифференциации; 3 "плохая дифференциация. Классификация T и N была в соответствии с 7-й промежуточной системой AJCC TNM. Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.

Figure 3
Рисунок 3: Лесной участок анализа стратификации по оценке риска вероятности смерти от рака молочной железы у молодых и пожилых женщин с раком молочной железы. Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.

(HR: коэффициент опасности)

Переменные Оценка по
(Кокс Модель)
Ориентировочная прокородство Оценка по
(Конкурирующая модель)
Ориентировочная прокородство
Гонки
1:Белый 10 4
2:Черный 32 31
3:Другие 0 0
Семейное положение
1:Замужем 0 0
2: Не состоящий в браке 9 5
3:Разведенный 37 15
Гистологии
1:Аденокарцинома 10 12
2: Муцинозная аденокарцинома 8 5
3: Singet кольцо клеточной карциномы 0 0
Дифференциальный сорт
1: I класс 0 0
2:II класс 6 36
3:III класс 37 77
Tклассификация a
1:T1 0 0
2:T2 41 50
3:T3 59 68
4:T4 100 98
Nклассификация a
00:00 0 0
1:0-3 17 42
2:3-6 43 65
3:6-12 74 100
Общий балл
(2-летнее выживание)
278 0.6 Общий балл
(2-летний CIF)
95 0.01
254 0.7 233 0.1
223 0.8 277 0.2
173 0.9 305 0.3
125 0.95 326 0.4
344 0.5
Общий балл
(3-летнее выживание)
281 0.4 Общий балл
(3-летний CIF)
62 0.01
242 0.6 245 0.2
218 0.7 293 0.4
187 0.8 311 0.5
137 0.9 328 0.6
89 0.95 344 0.7
Общий балл
(5-летнее выживание)
303 0.1 Общий балл
(5-летний CIF)
29 0.01
279 0.2 212 0.2
241 0.4 260 0.4
203 0.6 295 0.6
179 0.7 328 0.8
148 0.8 349 0.9
98 0.9
50 0.95
a Классификация T и N по7-й промежуточной системе AJCC
CIF: Совокупная функция заболеваемости

Таблица 1: Назначение тока и прогностический балл в номограмме, основанной на модели регрессии пропорциональных опасностей и конкурирующей модели регрессии риска.

Дополнительный файл 1. Пожалуйста, нажмите здесь, чтобы загрузить этот файл. 

Дополнительный файл 2. Пожалуйста, нажмите здесь, чтобы загрузить этот файл. 

Дополнительный файл 3. Пожалуйста, нажмите здесь, чтобы загрузить этот файл. 

Subscription Required. Please recommend JoVE to your librarian.

Discussion

or Start trial to access full content. Learn more about your institution’s access to JoVE content here

Общая цель нынешнего исследования состояла в том, чтобы создать конкретную номограмму конкурирующих групп риска, которая могла бы описать реальные заболевания, и разработать удобную индивидуальную модель оценки для врачей, чтобы приблизиться к решениям лечения. Здесь мы предоставляем пошаговую основу для создания номограмм на основе модели регрессии Кокса и конкурирующих моделей регрессии рисков и дальнейшего выполнения анализа подгрупп. Чжан и др.18 внедрили подход к созданию номограммы конкурирующих рисков, однако основная концепция методологии, описанной в документе, совершенно иная. Методы Чжан и др. сначала преобразовали исходные данные в взвешенные данные по функции crprep () в пакете mstate 19,а затем нарисовали номограмму пакетом rms. Тем не менее, основная концепция метода полностью отличается от этого. Проще говоря, мы заменяем параметры, генерируемые cph с результатом crr функции, а затем сделать конкурирующий риск номограммы в кадре Кокс номограммы. В этом методе номограмма Кокса больше похожа на рамку.

Злокачественные пациенты с благоприятным прогнозом, которые, как ожидается, дольше выжить с раком находятся на больший риск не-рак конкретных смерти. Их ОС будет в значительной степени разбавлена заболеваемостью не-CSD, как показано на рисунке 1. Принимая пациентов с раком толстойкишки II стадии 13 в качестве примера, если мы не принимаем во внимание причины рака в генерации кривых всех причин смерти в соответствии с методом Каплан-Мейер, такие кривые будут в значительной степени зависит от кумулятивной заболеваемости не-CSD, а не кумулятивной заболеваемости КУР.

Стандартная модель Кокса для оценки ковариатов, безусловно, приведет к неправильным и предвзятым результатам (например, для химиотерапии в стадии II рака толстойкишки 13, химиотерапия была защитным фактором для ОС). Предубеждение может быть исправлено конкурирующим методом регрессии риска, особенно для старейшей подгруппы (химиотерапия будет определена как вредный фактор для КУР). Не-CSD событие является неразгладимым конкурирующим риском у пациентов с раком, особенно для тех, кто с благоприятным прогнозом.

Затем, после того, как мы установили номограмму, вероятность смерти в связи с каждой переменной была представлена в качестве точки на номограмме. Оценка риска для каждого пациента была рассчитана на общую сумму баллов всех переменных. Основываясь на общем балле, мы можем еще больше разделить когорту на три подгруппы (низкие, средние, высокие) для стратификации влияния спорных факторов на прогноз, что может быть полезно для клиницистов для решения клинических проблем. Возьмем влияние возраста на рак молочной железы в качестве примера20. Влияние возраста на исходы пациентов с ранним раком молочной железы не было клинически установлено и является спорным. На основе классификации ГРБ худший прогноз молодых женщин появился только в подгруппах с низким и средним риском, и молодой возраст может выступать в качестве защитного фактора прогноза.

С точки зрения ограничений, конкурирующая оценка риска может привести к чрезмерной конкуренции в некоторыхситуациях 21. Например, болезни с плохим прогнозом (такие как прогрессические злокачественные опухоли или плохо дифференцированный рак поджелудочной железы) и большие токсичности неизбежно будут иметь преобладающее воздействие на не-CSD. Следует тщательно рассмотреть вопрос о том, следует ли применять модель Кокса или модель пропорциональной регрессии субраспределения (конкурирующий риск). При оценке выживаемости следует тщательно решать как вопросы, не связаны с КУР, так и с конкуренцией. Основываясь на результатах, мы предлагаем, что для заболеваний с хорошим прогнозом и пациентов с старостью, влияние не-CSD на ОС должны быть тщательно рассмотрены в будущих клинических испытаниях. CSD, который основан на конкурирующей модели риска, может быть альтернативной конечной точкой вместо того, чтобы всегда использовать традиционную ОС.

В заключение мы предлагаем, что не только злокачественные опухоли с разным прогнозом, но и одно и то же заболевание с различными стадиями может потребовать индивидуального выбора соответствующей конечной точки. Кроме того, эта методология может быть использована для создания номограммы на основе надлежащей модели (Кокс или конкурирующая регрессионная модель) для количественной оценки риска, которая может быть дополнительно использована для индивидуального руководства, а также лучше объяснить клинические явления в клинической практике.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Ни один

Acknowledgments

Исследование было поддержано грантами от общей программы Фонда естественных наук провинции Чжэцзян (грант номер LY19H160020) и ключевой программы Муниципального научно-технологического бюро провинции Цзиньхуа (номер гранта 2016-3-005, 2018-3-001d и 2019-3-013).

Materials

Name Company Catalog Number Comments
no no no

DOWNLOAD MATERIALS LIST

References

  1. Fine, J. P., Gray, R. J. A proportional hazards model for the subdistribution of a competing risk. Journal of the American Statistical Association. 94, (446), 496-509 (1999).
  2. Fu, J., et al. Real-world impact of non-breast cancer-specific death on overall survival in resectable breast cancer. Cancer. 123, (13), 2432-2443 (2017).
  3. Kim, H. T. Cumulative incidence in competing risks data and competing risks regression analysis. Clinical Cancer Research. 13, 2 Pt 1 559-565 (2007).
  4. Balachandran, V. P., Gonen, M., Smith, J. J., DeMatteo, R. P. Nomograms in oncology: more than meets the eye. Lancet Oncology. 16, (4), 173-180 (2015).
  5. Han, D. S., et al. Nomogram predicting long-term survival after d2 gastrectomy for gastric cancer. Journal of Clinical Oncology. 30, (31), 3834-3840 (2012).
  6. Karakiewicz, P. I., et al. Multi-institutional validation of a new renal cancer-specific survival nomogram. Journal of Clinical Oncology. 25, (11), 1316-1322 (2007).
  7. Liang, W., et al. Development and validation of a nomogram for predicting survival in patients with resected non-small-cell lung cancer. Journal of Clinical Oncology. 33, (8), 861-869 (2015).
  8. Valentini, V., et al. Nomograms for predicting local recurrence, distant metastases, and overall survival for patients with locally advanced rectal cancer on the basis of European randomized clinical trials. Journal of Clinical Oncology. 29, (23), 3163-3172 (2011).
  9. Iasonos, A., Schrag, D., Raj, G. V., Panageas, K. S. How to build and interpret a nomogram for cancer prognosis. Journal of Clinical Oncology. 26, (8), 1364-1370 (2008).
  10. Chisholm, J. C., et al. Prognostic factors after relapse in nonmetastatic rhabdomyosarcoma: a nomogram to better define patients who can be salvaged with further therapy. Journal of Clinical Oncology. 29, (10), 1319-1325 (2011).
  11. Brockman, J. A., et al. Nomogram Predicting Prostate Cancer-specific Mortality for Men with Biochemical Recurrence After Radical Prostatectomy. European Urology. 67, (6), 1160-1167 (2015).
  12. Zhou, H., et al. Nomogram to Predict Cause-Specific Mortality in Patients With Surgically Resected Stage I Non-Small-Cell Lung Cancer: A Competing Risk Analysis. Clinical Lung Cancer. 19, (2), 195-203 (2018).
  13. Fu, J., et al. De-escalating chemotherapy for stage II colon cancer. Therapeutic Advances in Gastroenterology. 12, 1756284819867553 (2019).
  14. Chen, D., Li, J., Chong, J. K. Hazards regression for freemium products and services: a competing risks approach. Journal of Statistical Computation and Simulation. 87, (9), 1863-1876 (2017).
  15. Frank, E., H, J. rms: Regression Modeling Strategies. R package version 5.1-2. Available from: https://CRAN.R-project.org/package=rms (2018).
  16. Gray, B. cmprsk: Subdistribution Analysis of Competing Risks. R package version 2.2-7. Available from: https://CRAN.R-project.org/package=cmprsk (2014).
  17. Scrucca, L., Santucci, A., Aversa, F. Regression modeling of competing risk using R: an in depth guide for clinicians. Bone Marrow Transplantation. 45, (9), 1388-1395 (2010).
  18. Zhang, Z., Geskus, R. B., Kattan, M. W., Zhang, H., Liu, T. Nomogram for survival analysis in the presence of competing risks. Annals in Translational Medicine. 5, (20), 403 (2017).
  19. Geskus, R. B. Cause-specific cumulative incidence estimation and the fine and gray model under both left truncation and right censoring. Biometrics. 67, (1), 39-49 (2011).
  20. Fu, J., et al. Young-onset breast cancer: a poor prognosis only exists in low-risk patients. Journal of Cancer. 10, (14), 3124-3132 (2019).
  21. de Glas, N. A., et al. Performing Survival Analyses in the Presence of Competing Risks: A Clinical Example in Older Breast Cancer Patients. Journal of the National Cancer Institute. 108, (5), (2016).
Создание модели номограммы регрессии конкурирующих рисков для данных о выживании
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Wu, L., Ge, C., Zheng, H., Lin, H., Fu, W., Fu, J. Establishing a Competing Risk Regression Nomogram Model for Survival Data. J. Vis. Exp. (164), e60684, doi:10.3791/60684 (2020).More

Wu, L., Ge, C., Zheng, H., Lin, H., Fu, W., Fu, J. Establishing a Competing Risk Regression Nomogram Model for Survival Data. J. Vis. Exp. (164), e60684, doi:10.3791/60684 (2020).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
simple hit counter