Præsenteret her er en protokol til at bygge nomograms baseret på Cox proportional farer regression model og konkurrerende risiko regression model. Den konkurrerende metode er en mere rationel metode til at anvende, når konkurrerende begivenheder er til stede i overlevelsesanalysen.
Kaplan-Meier-metoden og Cox proportional hazards regressionsmodellen er de mest almindelige analyser i overlevelsesrammen. Disse er relativt nemme at anvende og fortolke og kan afbildes visuelt. Når konkurrerende hændelser (f.eks. kardiovaskulære og cerebrovaskulære ulykker, behandlingsrelaterede dødsfald, trafikulykker) er til stede, bør standardlevemetoderne anvendes med forsigtighed, og data fra den virkelige verden kan ikke fortolkes korrekt. Det kan være ønskeligt at skelne mellem forskellige former for begivenheder, der kan føre til fiasko og behandle dem forskelligt i analysen. Her fokuserer metoderne på at bruge den konkurrerende regressionsmodel til at identificere væsentlige prognostiske faktorer eller risikofaktorer, når der er konkurrerende begivenheder til stede. Derudover er der etableret nomograms baseret på en proportional fareregressionsmodel og en konkurrerende regressionsmodel for at hjælpe klinikere med at foretage individuelle vurderinger og risikostratificeringer for at forklare kontroversielle faktorers indvirkning på prognosen.
Tiden til hændelse overlevelse analyse er ganske almindelig i kliniske undersøgelser. Overlevelsesdata måler tidsfrist fra starttidspunkterne til forekomsten af begivenheden af interesse, men forekomsten af begivenheden af interesse er ofte udelukket af en anden begivenhed. Hvis der findes mere end én type slutpunkt, kaldes de konkurrerende risikoslutpunkter. I dette tilfælde fungerer standardfareanalysen (dvs. Cox proportional årsagsspecifikke faremodel) ofte ikke godt, fordi personer, der oplever en anden type hændelse, censureres. Personer, der oplever en konkurrerende begivenhed, forbliver ofte i risikosættet, da de konkurrerende risici normalt ikke er uafhængige. Derfor undersøgte Fine og Gray1 regressionsmodellens skøn for underfordelingen af en konkurrerende risiko. I en konkurrerende risikoindstilling kan tre forskellige typer hændelser diskrimineres.
Den ene måler den samlede overlevelse (OS) ved at påvise en direkte klinisk fordel af nye behandlingsmetoder for en sygdom. OS måler overlevelsestiden fra oprindelsestidspunktet (dvs. tidspunktet for diagnose eller behandling) til dødstidspunktet på grund af enhver årsag og vurderer generelt den absolutte risiko for dødsfald og undlader at skelne dødsårsagerne (f.eks. kræftspecifik død (CSD) eller ikke-kræftspecifik død (ikke-CSD))2. OS betragtes derfor som det vigtigste endepunkt. Begivenheder af interesse er ofte kræft relateret, mens de ikke-kræft-specifikke begivenheder, som omfatter hjertesygdomme, trafikulykker eller andre uafhængige årsager, betragtes som konkurrerende begivenheder. Maligne patienter med en gunstig prognose, der forventes at overleve længere, er ofte en større risiko for ikke-CSD. Det vil sige, at OS vil blive fortyndet af andre dødsårsager og undlader at korrekt fortolke den reelle effektivitet af klinisk behandling. Derfor er OS muligvis ikke den optimale foranstaltning til at få adgang til resultaterne af sygdom3. Sådanne skævheder kan korrigeres ved hjælp af den konkurrerende risikoregressionsmodel.
Der findes to hovedmetoder til konkurrerende risikodata: årsagsspecifikke faremodeller (Cox-modeller) og risikomodeller for underdistribution (konkurrerende modeller). I den følgende protokol præsenterer vi to metoder til at generere nomograms baseret på årsagsspecifik faremodel og underdistributionsfaremodellen. Den årsagsspecifikke faremodel kan gøres til at passe ind i Cox proportional hazards-modellen, som behandler emner, der oplever den konkurrerende begivenhed, som censureret på det tidspunkt, hvor den konkurrerende begivenhed fandt sted. I den subdistributionsfaremodel, der blev introduceret af Fine og Gray1 i 1999, kan tre forskellige typer af begivenheder diskrimineres, og personer, der oplever en konkurrerende begivenhed, forbliver på den risiko, der er sat for evigt.
Et nomogram er en matematisk repræsentation af forholdet mellem tre eller flere variabler4. Medicinske nomograms overveje biologiske og kliniske begivenhed som variabler (f.eks tumor kvalitet og patientens alder) og generere sandsynligheder for en klinisk begivenhed (f.eks kræft tilbagefald eller død), der er grafisk afbildet som en statistisk prognostisk model for en given person. Generelt formuleres et nomogram på grundlag af resultaterne af Cox proportional hazards model5,6,7,8,9,10.
Men når konkurrerende risici er til stede, en nomogram baseret på Cox model kan undlade at klare sig godt. Selv om flere tidligereundersøgelser 11,12,13,14 har anvendt den konkurrerende risiko nomogram at vurdere sandsynligheden for CSD, få undersøgelser har beskrevet, hvordan man kan etablere nomogram baseret på en konkurrerende risiko regression model, og der er ingen eksisterende pakke til rådighed til at opnå dette. Den metode, der præsenteres nedenfor, vil derfor udgøre en trinvis protokol til etablering af et specifikt nomogram med konkurrerende risici baseret på en konkurrerende risikoregressionsmodel samt en risikovurderingsvurdering til klinikere i beslutningstagningen om behandling.
Det overordnede mål med den nuværende undersøgelse var at etablere et specifikt konkurrerende risiko nomogram, der kunne beskrive sygdomme i den virkelige verden og at udvikle en bekvem individuel vurderingsmodel for klinikere til at nærme sig behandlingsbeslutninger. Her giver vi en trin-for-trin tutorial til oprettelse af nomograms baseret på Cox regression model og konkurrerende risiko regression model og yderligere udfører undergruppe analyse. Zhang et al.18 indført en tilgang til at sk…
The authors have nothing to disclose.
Undersøgelsen blev støttet af tilskud fra det generelle program af Zhejiang Province Natural Science Foundation (tilskud nummer LY19H160020) og nøgleprogram af Jinhua Municipal Science & Technology Bureau (tilskud nummer 2016-3-005, 2018-3-001d og 2019-3-013).