Waiting
Login processing...

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

Cancer Research

Etablere en konkurrerende risiko regresjon Nomogram modell for overlevelse data

Published: October 23, 2020 doi: 10.3791/60684

Summary

Presentert her er en protokoll for å bygge nomograms basert på Cox proporsjonale farer regresjon modell og konkurrerende risiko regresjon modell. Den konkurrerende metoden er en mer rasjonell metode for å søke når konkurrerende hendelser er til stede i overlevelsesanalysen.

Abstract

Kaplan-Meier-metoden og Cox proporsjonale farer regresjonsmodell er de vanligste analysene i overlevelsesrammeverket. Disse er relativt enkle å bruke og tolke og kan avbildet visuelt. Men når konkurrerende hendelser (f.eks. kardiovaskulære og cerebrovaskulære ulykker, behandlingsrelaterte dødsfall, trafikkulykker) er til stede, bør standard overlevelsesmetoder brukes med forsiktighet, og virkelige data kan ikke tolkes riktig. Det kan være ønskelig å skille mellom ulike typer hendelser som kan føre til svikt og behandle dem annerledes i analysen. Her fokuserer metodene på å bruke den konkurrerende regresjonsmodellen til å identifisere betydelige prognostiske faktorer eller risikofaktorer når konkurrerende hendelser er til stede. I tillegg er nomograms basert på en proporsjonal fareregresjonsmodell og en konkurrerende regresjonsmodell etablert for å hjelpe klinikere med å gjøre individuelle vurderinger og risikostratifiseringer for å forklare virkningen av kontroversielle faktorer på prognosen.

Introduction

Tiden for å hendelsesoverlevelsesanalyse er ganske vanlig i kliniske studier. Overlevelsesdata måler tidsperioden fra starttiden til forekomsten av hendelsen av interesse, men forekomsten av hendelsen av interesse er ofte utelukket av en annen hendelse. Hvis mer enn én type sluttpunkt er til stede, kalles de konkurrerende risikosluttpunkter. I dette tilfellet fungerer standard fareanalyse (det vil vil vil at Cox proporsjonal årsaksspesifikke farer modell) ofte ikke fungerer bra fordi personer som opplever en annen type hendelse er sensurert. Personer som opplever en konkurrerende hendelse forblir ofte i risikosettet, da de konkurrerende risikoene vanligvis ikke er uavhengige. Derfor studerte Fine og Gray1 regresjonsmodellestimering for underfordelingen av en konkurrerende risiko. I en konkurrerende risikosetting kan tre ulike typer hendelser diskrimineres.

Man måler total overlevelse (OS) ved å demonstrere en direkte klinisk fordel ved nye behandlingsmetoder for en sykdom. OS måler overlevelsestiden fra opprinnelsestidspunktet (f.eks. tidspunktet for diagnose eller behandling) til dødstidspunktet på grunn av enhver årsak og vurderer generelt den absolutte risikoen for død, og dermed unnlater å differensiere dødsårsakene (f.eks. kreftspesifikk død (CSD) eller ikke-kreftspesifikk død (ikke-CSD))2. OS anses derfor som det viktigste endepunktet. Hendelsene av interesse er ofte kreftrelaterte, mens de ikke-kreftspesifikke hendelsene, som inkluderer hjertesykdom, trafikkulykker eller andre urelaterte årsaker, anses som konkurrerende hendelser. Ondartede pasienter med en gunstig prognose, som forventes å overleve lenger, har ofte større risiko for ikke-CSD. Det vil si at operativsystemet vil bli fortynnet av andre dødsårsaker og unnlater å tolke den virkelige effektiviteten av klinisk behandling på riktig måte. Derfor kan OS ikke være det optimale tiltaket for å få tilgang til resultatene av sykdom3. Slike skjevheter kan korrigeres av den konkurrerende risikoregresjonsmodellen.

Det finnes to hovedmetoder for konkurrerende risikodata: årsaksspesifikke faremodeller (Cox-modeller) og modeller for subdistribusjonsfare (konkurrerende modeller). I følgende protokoll presenterer vi to metoder for å generere nomograms basert på årsaksspesifikk faremodell og subdistribusjonsfaremodellen. Den årsaksspesifikke faremodellen kan gjøres for å passe inn i Cox proporsjonal faremodell, som behandler personer som opplever den konkurrerende hendelsen som sensurert på det tidspunktet den konkurrerende hendelsen skjedde. I subdistribusjonsfaremodellen som ble introdusert av Fine og Gray1 i 1999, kan tre forskjellige typer hendelser diskrimineres, og personer som opplever en konkurrerende hendelse forblir i faresettet for alltid.

Et nomogram er en matematisk representasjon av forholdet mellom tre eller flere variabler4. Medisinske nomograms anser biologisk og klinisk hendelse som variabler (f.eks. tumorgrad og pasientalder) og genererer sannsynligheten for en klinisk hendelse (f.eks. tilbakefall av kreft eller død) som er grafisk avbildet som en statistisk prognostisk modell for en gitt person. Vanligvis er et nomogram formulert basert på resultatene av Cox proporsjonale farer modell5,6,77,8,9,10.

Men når konkurrerende risiko er til stede, kan et nomogram basert på Cox-modellen mislykkes i å fungere bra. Selv om flere tidligerestudier 11,12,13,14 har brukt konkurrerende risiko nomogram for å estimere sannsynligheten for CSD, få studier har beskrevet hvordan å etablere nomogram basert på en konkurrerende risiko regresjon modell, og det er ingen eksisterende pakke tilgjengelig for å oppnå dette. Derfor vil metoden som presenteres nedenfor, gi en trinnvis protokoll for å etablere et bestemt konkurrerende risikonmogram basert på en konkurrerende risikoregresjonsmodell, samt en risikovurdering for å hjelpe klinikere i behandlingsbeslutninger.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Forskningsprotokollen ble godkjent av etikkkomiteen ved Jinhua Hospital, Zhejiang University School of Medicine. For dette eksperimentet ble sakene hentet fra databasen Overvåking, epidemiologi og sluttresultater (SEER). SEER er en åpen tilgang database som inkluderer demografiske, forekomst og overlevelse data fra 18 befolkningsbaserte kreftregistre. Vi registrerte oss på SEER-nettstedet og signerte et sikkerhetsbrev for å innhente forskningsdataene (12296-nov2018).

1. Datakilde

  1. Få saker fra databasene samt tillatelse (hvis noen) til å bruke sakene fra registrene.
    MERK: Kohortdataene lastes opp i tilleggsfil 1. Lesere som allerede har overlevelsesdata med konkurrerende risiko, kan hoppe over denne delen.

2. Installere og laste inn pakker og importere data

MERK: Utfør følgende prosedyrer basert på R-programvare (versjon 3.5.3) ved hjelp av pakkene rms15 og cmprsk16 (http://www.r-project.org/).

  1. Installer rms og cmprsk R pakker.
    >install.packages("rms")
    >install.packages("cmprsk")
  2. Last inn R-pakkene.
    >bibliotek("rms")
    >bibliotek("cmprsk")
  3. Importer kohortdataene.
    >Datasett<-read.csv(".../Kohortdata.csv") # kohortdata er eksemplet

3. Nomogram basert på Cox Proporsjonal Hazards Regresjon modell

  1. Etablere Cox Proporsjonal Farer Regresjon modell.
    MERK: De uavhengige variablene (X) inkluderer kategoriske variabler (dummyvariabler, for eksempel rase) og kontinuerlige variabler (for eksempel alder). Faktorene som er viktige i den envariable analysen vil bli valgt for bruk i multivarierbar analyse.
    1. Sett Cox proporsjonale farer modellen til dataene. Etablere Cox proporsjonal hard regresjon modell ved hjelp av funksjonen cph. Det forenklede formatet i R vises nedenfor:
      > f0 <- cph(Surv(Survivalmonths, status) ~ faktor1 + faktor2 +...,
      x=T, y=T, surv=T, data=Datasett)
      MERK: Døden ble angitt som status i eksempelkoden.
  2. Utvikle en Cox Regresjon Nomogram ved hjelp av kommandoene som er beskrevet nedenfor.
    > nom <- nomogram(f0, fun=list(function(x) surv(24, x)...), funlabel=c("2-års forventet overlevelse"...), maxscale=100, fun.at)
    > tomt (nom)
    MERK: Ta 2-års forventet overlevelse som et eksempel.

4. Nomogram basert på den konkurrerende risikoregresjonsmodellen

  1. Etablere den konkurrerende risikoregresjonsmodellen.
    1. Monter den konkurrerende risikoregresjonsmodellen. Leserne kan inkludere faktorene de anser som viktige, dette trinnet kan hoppes over. I eksemplet er faktorene som er viktige i den univariable analysen inkludert.
      MERK: Sensurvariabelen er kodet som 1 for tilfelle av interesse og som 2 for den konkurrerende risikohendelsen. For å lette analysen gir Scrucca et al.17 en R-funksjonsfaktor2ind() , som skaper en matrise av indikatorvariabler fra en faktor. factor2ind()
    2. For kategoriske variabler, nøye kode dem numerisk når du inkluderer dem i konkurrerende modell. Det vil si, for en kategorisk variabel laget av J-nivåer, opprette J-1 dummy variabler eller indikatorvariabler.
    3. For å etablere en konkurrerende risikoregresjonsmodell, første plass prognostiske variabler i en matrise. Bruk funksjonen cbind() til å sammenkoble variablene med kolonner og passe dem inn i den konkurrerende regresjonsmodellen.
      >x <-cbind(faktor2ind(faktor1, "1"), faktor2ind (faktor2, "1")...)
      > mod<- crr (Survivalmonths, fstatus, failcode=1 eller 2, cov1=x)
  2. Plott det konkurrerende nomogram
    MERK: Betaverdien (β) er regresjonskoeffisienten til en variat (X) i formelen til Cox proporsjonal fareregresjon. X.score (omfattende effekt av den avhengige variabelen) og X.real (på spesielle tidspunkter, for eksempel 60 måneder, for å forutsi den kumulative insidensfunksjonen) beregnes fra Cox regresjonsmodellen, og deretter opprettes et nomogram.
    1. Bruk funksjonen nomogram til å konstruere Cox nom (som oppført i trinn 3.2).
    2. Erstatt X.beta og X.point samt total.points, X.real og X.score av konkurrerende risiko regresjon modell.
      1. Få baseline cif, det vil si cif (min). Se Tilleggsfil 2 for mer informasjon.
        > x0=x
        > x0 <- as.matrix(x0)
        > lhat <- matrix(0, nrow = lengde (mod$ uftime), ncol = nrow (x0))
        > for (j i 1:nrow(x0)) lhat[, j] <- cumsum(exp(sum(x0[j, ] * mod$coef)) * mod$bfitj)
        > lhat <- cbind (mod $ uftime, 1 - exp (-lhat))
        > suv<-as.data.frame(lhat)
        > colnames(suv)<- c("tid")
        > linje24<-which(suv$time=="24")
        > cif.min24<-suv[linje24,which.min(suv[linje24,])]
      2. Erstatt X.beta og X.point.
        > lmaxbeta<-which.max(abs(mod$coef))
        > maxbeta<-abs(mod$coef[lmaxbeta])
        > løp0<-0
        > navn(race0)<-"rase:1"
        > race.beta<-c(race0,mod$coef[c("race:2","race:3")])
        > race.beta.min<-race.beta[which.min(race.beta)]
        > race.beta1<-race.beta-race.beta.min
        > race.scale<-(race.beta1/maxbeta*100) # hvordan skalaen beregnes
        > nom$Race$Xbeta<-race.beta1
        > nom$Race$poeng<-race.scale
        MERK: Ta rase som et eksempel.
      3. Erstatt den totale X.point og X.real.
        > nom$total.points$x<-c(0,50,100, ...)
        > real.2y<-c(0.01,0.1,0.2,...)
        MERK: Erstatninger er i henhold til minimax-verdien.
      4. Beregn X.score og plott nomogram.
        > score.2y<-log(log((1-real.2y),(1-cif.min24)))/(maxbeta/100)
        > nom $'2-års overlevelse'$x<-score.2y
        > nom $'2-års overlevelse'$x.real<-real.2y
        > nom$'2-års overlevelse'$fat<-as.character(real.2y)
        > tomt (nom)
        MERK: X.score=log(log((1-X.real),(1-cif0))))/(maxbeta/100). Ligningene for X.score og X.real forholdet kan beregnes i henhold til den iboende attribusjonen til den konkurrerende modellen (crr). Cif0 betyr baseline cif, som vil bli beregnet av predict.crr-funksjonen.

5. Analyse av undergrupper basert på konsernets risikovurdering (GRS)

  1. Beregn risikopoengsummen (RS)
    MERK: Beregn risikopoengsummen for hver pasient ved å summere poengene for hver variabel. Cut-off verdier brukes til å klassifisere kohorten. Bruk pakkemetaen til å tegne meta en skogstomt med tre undergrupper som et eksempel.
    1. Installere og laste R-pakkene
      > install.packages ("meta")
      > bibliotek("meta")
    2. Få GRS og del kohorten i 3 undergrupper.
      > d1<-Datasett
      > d1$X<-nom$X$poeng
      > #For eksempel d1$race[d1$race==1]<-nom$race$point[1]
      > d1$RS<-d1$race + d1$marry + d1$histologi + d1$grademodify + d1$Tclassification + d1$Nclassification
      > d1$GRS<- cut(d1$RS, quantile(d1$RS, seq(0, 1,1/3)), include.lowest = TRUE, etiketter = 1:3)
    3. Tegn skogstomten. Få HR, LCI og UCI via funksjonen crr.
      > undergruppe<-crr(ftime, fstatus, cov1, failcode=1)
      > HR<- sammendrag(undergruppe)$conf.int[1]
      > LCI<- sammendrag(undergruppe)$conf.int[3]
      > UCI<- sammendrag(undergruppe)$conf.int[4]
      > LABxx<-c("Lav risiko", "Median risiko", "Høy risiko")
      > xx<-metagen(log(HR), lavere = log(LCI), øvre = log (UCI), studlab = LABxx, sm = "HR")
      > skog(xx, col.square = "svart", hetstat =TRUE, leftcols = "studlab")

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Overlevelsesegenskaper for eksempelkohorten
I eksempelkohorten ble totalt 8550 kvalifiserte pasienter inkludert i analysen, og median oppfølgingstid var 88 måneder (område, 1 til 95 måneder). Totalt 679 (7,94 %) pasienter var yngre enn 40 år og 7871 (92,06 %) pasienter var eldre enn 40. Ved slutten av studien var 7483 (87,52 %) pasientene fortsatt var i live, var 662 (7,74 %) døde på grunn av brystkreft, og 405 (4,74 %) pasienter døde på grunn av andre årsaker (konkurrerende risiko).

Sammenligning av to overlevelsesmodeller
De kumulative forekomstene av tumordød/ingen tumordød og konkurrerende hendelser ble beregnet ved Kaplan-Meier-metoden og den konkurrerende risikoregresjonsfunksjonen (presentert i figur 1). Som vist i figur 1var summen av de kumulative forekomstene av tumordød og ingen tumordød som beregnet ved Kaplan-Meier-metoden høyere enn summen av estimatene for alle dødsårsaker, noe som var lik den kumulative forekomsten av CSD når den konkurrerende metoden ble brukt. Kaplan-Meier-metoden overvurderte tydeligvis den kumulative forekomsten av tumordød og ingen tumordød. Den konkurrerende metoden kan korrigere sin overvurdering av sannsynligheten for død.

Nomogram basert på Cox proporsjonal fare regresjon modell
Et nomogram ble konstruert basert på betydelige faktorer som vist i figur 2A og tabell 1. Dette inkluderte sivilstand, rase, histologisk type, differensiert karakter, T-klassifisering og N-klassifisering.

Nomogram basert på den konkurrerende risikoregresjonsmodellen
Et konkurrerende nomogram basert på flere faktorer, inkludert rase, sivilstand, histologisk type, differensialkarakter, T-klassifisering ogN-klassifiseringble konstruert ( figur 2B ). Betakoeffisientene fra modellen ble brukt til tildeling av skala (tabell 1).

Stratifiseringsanalyse av risikoscoren
Basert på risikoscoren ble kohorten klassifisert i tre undergrupper: lav risikoscore: 0-44; middels risikoscore: 45-85; og høy risikoscore: 86-299. Skogstomten kunne tydelig presentere samspillet mellom GRS og den spesifikke faktoren (alder) (figur 3). Basert på GRS-klassifiseringen, kan den dårligere prognosen for unge kvinner bare dukket opp i lavrisikoundergruppen, og ung alder kan fungere som en beskyttende risikofaktor for prognose i mellomstore og høyrisikoundergrupper.

Figure 1
Figur 1: Stablet kumulativ forekomstplott. K-M: Kumulative forekomster basert på Kaplan-Meier estimater; CR: Kumulative forekomster basert på kumulativ forekomst av konkurrerende risikoestimater; Tumordød + ingen tumordød (K-M): summen av estimater av den kumulative forekomsten av kreftspesifikk død og ikke-kreftspesifikk død; CSD + ikke-CSD (CR): summen av estimater av kreftspesifikk død og ikke-kreftspesifikk død når CR-metoden ble brukt. Vennligst klikk her for å se en større versjon av denne figuren.

Figure 2
Figur 2: Nomograms av Cox proporsjonale farer regresjonsmodell og konkurrerende risikoregresjonsmodell. (A) Nomogram basert på Cox proporsjonal fare regresjon modell. (B) Nomogram basert på den konkurrerende risikoregresjonsmodellen. For påføring av nomograms viser hver variabel akse en individuell risikofaktor, og linjen trukket oppover brukes til fastsettelse av punktene for hver variabel. Deretter beregnes de totale poengene for å oppnå sannsynligheten for 2-, 3- og 5-års kreftspesifikk overlevelse eller kumulativ insidensfunksjon (CIF). Løp: 1 = hvit, 2 = svart, 3 = andre; Sivilstand: 1=gift, 2= singel (aldri gift eller husmboer), 3= skilt (separert, skilt, enke); Histologisk type: 1 =infiltrativ kanalkreft, 2= infiltrativ lobularkreft, 3= infiltrerende kanal og lobulært karsinom; Tumorklasse: 1 = godt differensiering, 2 = moderat differensiering; 3 = dårlig differensiering. T og N klassifisering var i henhold til 7th AJCC TNM staging system. Vennligst klikk her for å se en større versjon av denne figuren.

Figure 3
Figur 3: Skogsplott for stratifiseringsanalyse etter risikoscoren for sannsynligheten for brystkreftspesifikk død hos yngre og eldre kvinner med brystkreft. Vennligst klikk her for å se en større versjon av denne figuren.

(PULS: fareforhold)

Variabler Score
(Cox Modell)
Estimert probility Score
(Konkurrerende modell)
Estimert probility
Rase
1:Hvit 10 4
2:Svart 32 31
03:Andre 0 0
Sivilstand
1:Gift 0 0
2:Ugift 9 5
3:Skilt 37 15
Histologi
1:Adenokarsinom 10 12
2:Mucinous adenokarsinom 8 5
3:Singet ring celle karsinom 0 0
Differensialkarakter
1:Klasse I 0 0
2:Klasse II 6 36
3:Klasse III 37 77
T-klassifiseringen
01:T1 0 0
02:T2 41 50
03:T3 59 68
04:T4 100 98
N klassifiseringa
00:00 0 0
1:0-3 17 42
2:3-6 43 65
3:6-12 74 100
Total score
(2-års overlevelse)
278 0.6 Total score
(2-års 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
Total score
(3-års overlevelse)
281 0.4 Total score
(3-årig 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
Total score
(5-års overlevelse)
303 0.1 Total score
(5-års 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. T- og N-klassifisering i henhold til7 th AJCC oppsamlingssystem
CIF: Kumulativ insidensfunksjon

Tabell 1: Punkttilordning og prognosescore i nomogram basert på Cox den proporsjonale fareregresjonsmodellen og konkurrerende risikoregresjonsmodell.

Tilleggsfil 1. Vennligst klikk her for å laste ned denne filen. 

Tilleggsfil 2. Vennligst klikk her for å laste ned denne filen. 

Tilleggsfil 3. Vennligst klikk her for å laste ned denne filen. 

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Det overordnede målet med den nåværende studien var å etablere et bestemt konkurrerende risikonogram som kunne beskrive virkelige sykdommer og å utvikle en praktisk individuell vurderingsmodell for klinikere å nærme seg behandlingsbeslutninger. Her gir vi en trinnvis veiledning for å etablere nomograms basert på Cox regresjonsmodell og konkurrerende risikoregresjonsmodell og ytterligere utføre undergruppeanalyse. Zhang et al.18 introduserte en tilnærming for å skape et konkurrerende risikonogram, men hovedkonseptet for metodikken som er beskrevet i papiret er helt annerledes. Metodene til Zhang et al. først forvandlet de opprinnelige dataene til vektede data av crprep() -funksjonen i mstate pakken19, og deretter trakk nomogram av rms pakken. Imidlertid er kjernekonseptet for metoden helt forskjellig fra det. Enkelt sagt, vi erstatter parametrene generert av cph med utfallet av funksjonen crr og deretter trekke en konkurrerende risiko nomogram i rammen av Cox nomogram. I denne metoden er Cox nomogram mer som en ramme.

Ondartede pasienter med en gunstig prognose som forventes å ha en lengre overlevelse med kreft, har større risiko for ikke-kreftspesifikk død. Deres OS vil i stor grad bli fortynnet av forekomsten av ikke-CSD, som vist i figur 1. Tar pasienter med stadium II tykktarmskreft13 som et eksempel, hvis vi ikke tar hensyn til årsaker til kreft i å generere kurver av alle dødsårsaker i henhold til Kaplan-Meier-metoden, vil slike kurver i stor grad bli påvirket av den kumulative forekomsten av ikke-CSD i stedet for den kumulative forekomsten av CSD.

Standard Cox-modellen for vurdering av kovariater ville definitivt føre til feil og partisk resultater (for eksempel for kjemoterapi i stadium II tykktarmskreft13,kjemoterapi var en beskyttende faktor for OS). Skjevheten kan korrigeres ved den konkurrerende risikoregresjonsmetoden, spesielt for den eldste undergruppen (kjemoterapi vil bli definert som en skadelig faktor for CSD). Ikke-CSD-hendelsen er en ikke-forståelig konkurrerende risiko hos pasienter med kreft, spesielt for de med gunstig prognose.

Deretter, etter at vi etablerte et nomogram, ble sannsynligheten for død i forbindelse med hver variabel presentert som et punkt på nomogram. Risikoscoren for hver pasient ble beregnet ved å summere poengene til alle variablene. Basert på den totale poengsummen kan vi videre dele kohorten i tre undergrupper (lav, middels, høy) for å stratifisere virkningen av kontroversielle faktorer på prognose, noe som kan være nyttig for klinikere å løse kliniske problemer. Ta effekten av alder på brystkreft som et eksempel20. Virkningen av alder på resultatene av pasienter med tidlig brystkreft er ikke klinisk etablert og er kontroversiell. Basert på GRS-klassifiseringen dukket den dårligere prognosen for unge kvinner bare opp i lav- og middels risikoundergruppene, og ung alder kan fungere som en beskyttende faktor for prognose.

Når det gjelder begrensninger, kan det konkurrerende risikoestimatet føre til over konkurranse i enkelte situasjoner21. For eksempel vil sykdommer med dårlig prognose (som avanserte ondartede svulster eller dårlig differensiert kreft i bukspyttkjertelen) og stor toksisitet uunngåelig ha dominerende effekter på ikke-CSD. Hvorvidt Cox-modellen eller subdistribusjonsproporsjonsmodellen (konkurrerende risiko) bør brukes i overlevelsesanalyse bør vurderes nøye. Både ikke-CSD og over konkurranse bør tas opp nøye når overlevelse blir estimert. Basert på resultatene foreslår vi at for sykdommer med god prognose og pasienter med alderdom, bør virkningen av ikke-CSD på OS vurderes nøye i fremtidige kliniske studier. CSD, som er basert på en konkurrerende risikomodell, kan være et alternativt endepunkt i stedet for alltid å bruke tradisjonelt operativsystem.

Til slutt foreslår vi at ikke bare ondartede svulster med forskjellig prognose, men også den samme sykdommen med forskjellige stadier, kan kreve det individuelle valget av et passende endepunkt. I tillegg kan denne metodikken brukes til å etablere et nomogram basert på riktig modell (Cox eller konkurrerende regresjonsmodell) for å kvantifisere risiko, som kan brukes videre til individualisert veiledning, samt bedre forklare kliniske fenomener i klinisk praksis.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Ingen

Acknowledgments

Studien ble støttet av tilskudd fra det generelle programmet til Zhejiang Province Natural Science Foundation (stipendnummer LY19H160020) og nøkkelprogram for Jinhua Municipal Science & Technology Bureau (tilskuddsnummer 2016-3-005, 2018-3-001d og 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).

Tags

Kreftforskning utgave 164 Overlevelsesanalyse Kreftspesifikk død Total overlevelse Cox Regresjonsmodell Konkurrerende risiko Nomogram
Etablere en konkurrerende risiko regresjon Nomogram modell for overlevelse data
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Wu, L., Ge, C., Zheng, H., Lin, H.,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