Summary
Présenté ici est un protocole pour construire des nomogrammes basés sur le modèle de régression des risques proportionnels Cox et le modèle de régression du risque concurrent. La méthode concurrente est une méthode plus rationnelle à appliquer lorsque des événements concurrents sont présents dans l’analyse de survie.
Abstract
La méthode Kaplan-Meier et le modèle de régression des risques proportionnels Cox sont les analyses les plus courantes dans le cadre de survie. Ceux-ci sont relativement faciles à appliquer et à interpréter et peuvent être représentés visuellement. Toutefois, lorsque des événements concurrents (p. ex., accidents cardiovasculaires et cérébrovasculaires, décès liés au traitement, accidents de la circulation) sont présents, les méthodes de survie standard doivent être appliquées avec prudence, et les données du monde réel ne peuvent pas être correctement interprétées. Il peut être souhaitable de distinguer différents types d’événements qui peuvent mener à l’échec et de les traiter différemment dans l’analyse. Ici, les méthodes se concentrent sur l’utilisation du modèle de régression concurrent pour identifier des facteurs pronostiques significatifs ou des facteurs de risque lorsque des événements concurrents sont présents. De plus, des nomogrammes basés sur un modèle de régression proportionnelle des risques et un modèle de régression concurrent sont établis pour aider les cliniciens à effectuer des évaluations individuelles et des stratifications des risques afin d’expliquer l’impact des facteurs controversés sur le pronostic.
Introduction
Le temps d’analyse de survie d’événement est assez commun dans les études cliniques. Les données de survie mesurent la durée entre l’heure de début et l’occurrence de l’événement d’intérêt, mais l’événement d’intérêt est souvent exclu par un autre événement. Si plusieurs types de points d’extrémité sont présents, on les appelle des points de départ concurrents. Dans ce cas, l’analyse standard des dangers (c.-à-d. le modèle des risques proportionnels à la cause) de Cox ne fonctionne souvent pas bien parce que les personnes qui vivent un autre type d’événement sont censurées. Les personnes qui vivent un événement concurrent restent souvent dans l’ensemble de risques, car les risques concurrents ne sont généralement pas indépendants. Par conséquent, Fine et Gray1 ont étudié l’estimation du modèle de régression pour la sous-distribution d’un risque concurrent. Dans un contexte de risque concurrent, trois types d’événements différents peuvent être discriminés.
On mesure la survie globale (OS) en démontrant un avantage clinique direct de nouvelles méthodes de traitement pour une maladie. L’OS mesure le temps de survie entre le moment de l’origine (c.-à-d. le moment du diagnostic ou du traitement) jusqu’au moment du décès pour quelque cause que ce soit et évalue généralement le risque absolu de décès, ne faisant pas de distinction entre les causes de décès (p. ex., décès spécifique au cancer (CSD) ou de décès non spécifique au cancer (non CSD))2. OS est donc considéré comme le point de terminaison le plus important. Les événements d’intérêt sont souvent liés au cancer, tandis que les événements non spécifiques au cancer, qui comprennent les maladies cardiaques, les accidents de la circulation ou d’autres causes non liées, sont considérés comme des événements concurrents. Les patients malins présentant un pronostic favorable, qui sont censés survivre plus longtemps, sont souvent à un plus grand risque de non-CSD. Autrement dit, le système d’exploitation sera dilué par d’autres causes de décès et ne parvient pas à interpréter correctement l’efficacité réelle du traitement clinique. Par conséquent, l’OS n’est peut-être pas la mesure optimale pour accéder aux résultats de la maladie3. De tels biais pourraient être corrigés par le modèle de régression du risque concurrent.
Il existe deux méthodes principales pour concurrencer les données sur les risques : les modèles de risque spécifiques à la cause (modèles Cox) et les modèles de risque de sous-distribution (modèles concurrents). Dans le protocole suivant, nous présentons deux méthodes pour générer des nomogrammes basés sur le modèle de danger spécifique à la cause et le modèle de risque de sous-distribution. Le modèle de danger spécifique à la cause peut être fait pour s’adapter au modèle des risques proportionnels Cox, qui traite les sujets qui vivent l’événement concurrent comme censurés au moment où l’événement concurrent s’est produit. Dans le modèle de risque de sous-distribution qui a été introduit par Fine et Gray1 en 1999, trois types différents d’événements peuvent être discriminés, et les personnes qui vivent un événement concurrent restent à risque pour toujours.
Un nomogramme est une représentation mathématique de la relation entre trois variables ou plus4. Les nomogrammes médicaux considèrent l’événement biologique et clinique comme des variables (p. ex., grade tumoral et âge du patient) et génèrent des probabilités d’un événement clinique (p. ex., récidive ou décès du cancer) qui est graphiquement décrit comme un modèle pronostique statistique pour un individu donné. En général, un nomogramme est formulé sur la base des résultats du modèle de risques proportionnels Cox5,6,7,8,9,10.
Toutefois, lorsque des risques concurrents sont présents, un nomogramme basé sur le modèle Cox peut ne pas fonctionner bien. Bien que plusieurs études antérieures11,12,13,14 aient appliqué le nomogramme de risque concurrent pour estimer la probabilité de la DSC, peu d’études ont décrit comment établir le nomogramme basé sur un modèle de régression du risque concurrent, et il n’existe aucun paquet existant disponible pour accomplir ceci. Par conséquent, la méthode présentée ci-dessous fournira un protocole étape par étape pour établir un nomogramme spécifique de risque concurrent basé sur un modèle concurrent de régression du risque ainsi qu’une estimation de score de risque pour aider les cliniciens à prendre des décisions en matière de traitement.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Le protocole de recherche a été approuvé par le comité d’éthique de l’hôpital Jinhua, Zhejiang University School of Medicine. Pour cette expérience, les cas ont été obtenus à partir de la base de données surveillance, épidémiologie et résultats finaux (SEER). SEER est une base de données en libre accès qui comprend les données démographiques, d’incidence et de survie de 18 registres du cancer basés sur la population. Nous nous sommes inscrits sur le site Web de SEER et avons signé une lettre d’assurance pour acquérir les données de recherche (12296-Nov2018).
1. Source de données
- Obtenez des cas à partir des bases de données ainsi que l’autorisation (le cas échéant) d’utiliser les cas des registres.
REMARQUE : Les données de cohorte sont téléchargées dans le fichier supplémentaire 1. Les lecteurs qui ont déjà des données de survie avec des risques concurrents peuvent sauter cette section.
2. Installation et chargement de colis et importation de données
REMARQUE : Effectuez les procédures suivantes en fonction du logiciel R (version 3.5.3) à l’aide des packages rms15 et cmprsk16 (http://www.r-project.org/).
- Installez des paquets rms et cmprsk R.
>install.packages(« rms »)
>install.packages(« cmprsk ») - Chargez les paquets R.
>bibliothèque(« rms »)
>bibliothèque(« cmprsk ») - Importer les données de cohorte.
>Dataset<-read.csv(« .../Cohort Data.csv ») # les données de cohorte sont l’exemple
3. Nomogramme basé sur le modèle de régression des risques proportionnels Cox
- Établir le modèle de régression des risques proportionnels Cox.
REMARQUE : Les variables indépendantes (X) comprennent les variables catégoriques (variables factices, telles que la race) et les variables continues (telles que l’âge). Les facteurs importants dans l’analyse univariable seront sélectionnés pour l’utilisation dans l’analyse multivariable.- Adaptez le modèle de risques proportionnels Cox aux données. Établir le modèle de régression dure proportionnelle cox à l’aide de la fonction cph. Le format simplifié en R est indiqué ci-dessous :
> f0 <- cph(Surv(Survivalmonths, status) ~ factor1+ factor2+...,
x=T, y=T, surv=T, data=Dataset)
REMARQUE : La mort a été définie comme l’état dans le code d’exemple.
- Adaptez le modèle de risques proportionnels Cox aux données. Établir le modèle de régression dure proportionnelle cox à l’aide de la fonction cph. Le format simplifié en R est indiqué ci-dessous :
- Développez un nomogramme de régression Cox à l’aide des commandes détaillées ci-dessous.
> nom <- nomogramme(f0, fun=list(funment(x) surv(24, x)...), funlabel=c(« taux de survie prévu à 2 ans »..., maxscale=100, fun.at)
> parcelle (nom)
REMARQUE : Prenons l’exemple du taux de survie prévu à 2 ans.
4. Nomogramme basé sur le modèle de régression des risques concurrents
- Établir le modèle de régression des risques concurrents.
- Adapter le modèle de régression des risques concurrent. Les lecteurs pourraient inclure les facteurs qu’ils considèrent importants, cette étape pourrait être ignorée. Dans l’exemple, les facteurs importants dans l’analyse univariable sont inclus.
REMARQUE : La variable de censure est codée comme 1 pour l’événement d’intérêt et comme 2 pour l’événement à risque concurrent. Pour faciliter l’analyse, Scrucca et coll.17 fournissent un facteur de fonction R2ind(), qui crée une matrice de variables indicateurs à partir d’un facteur. - Pour les variables catégoriques, codez-les soigneusement numériquement lorsque vous les inclure dans le modèle concurrent. C’est-à-dire, pour une variable catégorique faite de niveaux J, créer des variables factices J-1 ou des variables indicateurs.
- Pour établir un modèle de régression du risque concurrent, placez d’abord des variables pronostiques dans une matrice. Utilisez la fonction cbind() pour concaténer les variables par colonnes et les insérer dans le modèle de régression concurrent.
>x <-cbind(factor2ind(factor1, « 1 »), factor2ind(factor2, « 1 »)...)
> mod<- crr (Survivalmonths, fstatus, failcode=1 ou 2, cov1=x)
- Adapter le modèle de régression des risques concurrent. Les lecteurs pourraient inclure les facteurs qu’ils considèrent importants, cette étape pourrait être ignorée. Dans l’exemple, les facteurs importants dans l’analyse univariable sont inclus.
- Tracer le nomogramme concurrent
REMARQUE : La valeur bêta (β valeur) est le coefficient de régression d’un variable (X) dans la formule de la régression des risques proportionnels Cox. Le X.score (effet complet de la variable dépendante) et X.real (à des délais spéciaux, par exemple, 60 mois, pour prédire la fonction d’incidence cumulative) sont calculés à partir du modèle de régression Cox, puis, un nomogramme est établi.- Utilisez le nomogramme de fonction pour construire le nom Cox (tel qu’il est indiqué à l’étape 3.2).
- Remplacez X.beta et X.point ainsi que total.points, X.real et X.score du modèle de régression des risques concurrent.
- Obtenez le cif de base, c’est cif(min). Voir Dossier supplémentaire 2 pour plus de détails.
> x0=x
> x0 <- as.matrix(x0)
> lhat <- matrice(0, nrow = longueur(mod$uftime), ncol = nrow(x0))
> pour (j in 1:nrow(x0)) lhat[, j] <- cumsum(exp(sum(x0[j, ] * mod$coef)) * mod$bfitj)
> lhat <- cbind(mod$uftime, 1 - exp(-lhat))
> suv<-as.data.frame(lhat)
> colnames(suv)<- c(« temps »)
> line24<-which(suv$time=="24 »)
> cif.min24<-suv[line24,which.min(suv[line24,])] - Remplacez x.beta et x.point.
> lmaxbeta<-which.max(abs(mod$coef))
> maxbeta<-abs(mod$coef[lmaxbeta])
> course0<-0
> noms(race0)<-« race:1 »
> race.beta<-c(race0,mod$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) # comment l’échelle est calculée
> nom$Race$Xbeta<-race.beta1
> nom$Race$points<-race.scale
REMARQUE : Prenons l’exemple de la course. - Remplacez le total X.point et X.real.
> nom$total.points$x<-c(0,50,100, ...)
> real.2y<-c(0.01,0.1,0.2,...)
REMARQUE : Les remplacements sont en fonction de la valeur minimax. - Calculez le X.score et tracez le nomogramme.
> score.2y<-log(log((1-real.2y),(1-cif.min24))/(maxbeta/100)
> nom$'2 ans survival'$x<-score.2y
> nom$'2 ans survival'$x.real<-real.2y
> nom$'2 ans survival'$fat<-as.character(real.2y)
> parcelle(nom)
REMARQUE : X.score=log(log((1-X.real),(1-cif0)))/(maxbeta/100). Les équations de la relation X.score et X.real peuvent être calculées en fonction de l’attribution intrinsèque du modèle concurrent(crr). Cif0 signifie cif de base, qui sera calculé par la fonction predict.crr.
- Obtenez le cif de base, c’est cif(min). Voir Dossier supplémentaire 2 pour plus de détails.
5. Analyse du sous-groupe basée sur le score de risque du groupe (GRS)
- Calculer le score de risque (RS)
REMARQUE : Calculez le score de risque pour chaque patient en totalisant les points de chaque variable. Les valeurs limites sont utilisées pour classer la cohorte. Si l’on prend 3 sous-groupes à titre d’exemple, utilisez le méta de package pour dessiner une parcelle de forêt.- Installer et charger les packages R
> install.packages(« meta »)
> bibliothèque(« meta ») - Obtenez le SRG et divisez la cohorte en 3 sous-groupes.
> d1<-Jeu de données
> d1$X<-nom$X$points
> #For exemple, d1$race[d1$race==1]<-nom$race$point[1]
> d1$RS<-d1$race + d1$marry + d1$histologie + d1$grademodify + d1$Tclassification + d1$Nclassification
> d1$GRS<- cut(d1$RS, quantile(d1$RS, seq(0, 1,1/3)), include.lowest = TRUE, labels = 1:3) - Dessinez la parcelle forestière. Obtenez les RESSOURCES HUMAINES, LCI et UCI via la fonction crr.
> sous-groupe<-crr(ftime, fstatus, cov1, failcode=1)
> HR<- résumé(sous-groupe)$conf.int[1]
> LCI<- résumé(sous-groupe)$conf.int[3]
> UCI<- résumé(sous-groupe)$conf.int[4]
> LABxx<-c(« Faible risque », « Risque médian », « Risque élevé »)
> xx<-metagen(log(HR), inférieur = log(LCI), supérieur = log(UCI), studlab = LABxx, sm = « HR »)
> forêt(xx, col.square = « noir », hetstat =TRUE, leftcols = « studlab »)
- Installer et charger les packages R
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Caractéristiques de survie de la cohorte d’exemples
Dans la cohorte d’exemples, un total de 8 550 patients admissibles ont été inclus dans l’analyse et le temps médian de suivi était de 88 mois (fourchette, 1 à 95 mois). Un total de 679 (7,94 %) patients avaient moins de 40 ans et 7 871 (92,06 %) patients avaient plus de 40 ans. A la fin du procès, 7 483 (87,52 %) patients étaient encore en vie, 662 (7,74 %) cancer du sein, et 405 (4,74 %) patients sont morts à cause d’autres causes (risques concurrents).
Comparaison de deux modèles de survie
Les incidences cumulatives de la mort tumorale/pas de mort tumorale et des événements concurrents ont été calculées par la méthode Kaplan-Meier et la fonction concurrente de régression du risque, respectivement (présentée à la figure 1). Comme indiqué dans la figure 1, la somme des incidences cumulatives de la mort tumorale et aucune mort tumorale telle que calculée par la méthode Kaplan-Meier était plus élevée que la somme des estimations de toutes les causes de décès, ce qui était égal à l’incidence cumulative de CSD lorsque la méthode concurrente a été utilisée. De toute évidence, la méthode Kaplan-Meier a surestimé l’incidence cumulative de la mort tumorale et aucune mort tumorale. La méthode concurrente pourrait corriger sa surestimation de la probabilité de décès.
Nomogramme basé sur le modèle de régression des risques proportionnels Cox
Un nomogramme a été construit en fonction de facteurs importants tels que indiqués à la figure 2A et au tableau 1. Cela comprenait l’état matrimonial, la race, le type histologique, la note différenciée, la classification T et la classification N.
Nomogramme basé sur le modèle de régression du risque concurrent
Un nomogramme concurrent basé sur de multiples facteurs, y compris la race, l’état matrimonial, le type histologique, la classification différentielle, la classification T et la classification N a été construit (figure 2B). Les bêta-coefficients du modèle ont été utilisés pour l’attribution de l’échelle (Tableau 1).
Analyse de stratification par le score de risque
D’après le score de risque, la cohorte a été classée en trois sous-groupes : score à faible risque : 0-44; score à risque moyen : 45-85; et score à haut risque: 86-299. La parcelle forestière pourrait clairement présenter l’interaction entre le GRS et le facteur spécifique (âge) (figure 3). D’après la classification de GRS, le pronostic le plus mauvais des jeunes femmes n’est apparu que dans le sous-groupe à faible risque et le jeune âge peut agir comme facteur protecteur du pronostic dans les sous-groupes à risque moyen et élevé.
Figure 1 : Parcelle d’incidence cumulative empilée. K-M: Incidences cumulatives basées sur les estimations de Kaplan-Meier; CR: Incidences cumulatives fondées sur des estimations de risque s’mententant sur l’incidence cumulative; Mort tumorale + pas de mort tumorale (K-M): somme des estimations de l’incidence cumulative de la mort spécifique au cancer et de la mort spécifique non-cancer; CSD + non-CSD (CR) : somme des estimations de décès spécifiques au cancer et de décès non cancéreux lorsque la méthode de CR a été utilisée. Veuillez cliquer ici pour voir une version plus grande de ce chiffre.
Figure 2 : Nomogrammes du modèle de régression des risques proportionnels Cox et modèle de régression des risques concurrent. (A) Nomogramme basé sur le modèle de régression des risques proportionnels Cox. (B) Nomogramme basé sur le modèle de régression du risque concurrent. Pour l’application des nomogrammes, chaque axe variable montre un facteur de risque individuel, et la ligne tracée vers le haut est utilisée pour la détermination des points de chaque variable. Ensuite, le total des points est calculé pour obtenir la probabilité d’une survie spécifique au cancer de 2, 3 et 5 ans ou d’une fonction d’incidence cumulative (CIF). Race: 1=blanc, 2=noir, 3=autre; État matrimonial : 1=marié, 2= célibataire (jamais marié ou partenaire domestique), 3 = divorcé (séparé, divorcé, veuf); Type histologique : 1=cancer des conduits infiltrés, 2= cancer lobulaire infiltré, 3= conduit d’infiltration et carcinome lobulaire; Grade de tumeur : 1= différenciation de puits, 2= différenciation modérée ; 3= mauvaise différenciation. La classification T et N était conforme au 7e système d’stadification de l’AJCC TNM. Veuillez cliquer ici pour voir une version plus grande de ce chiffre.
Figure 3 : Parcelle forestière de l’analyse de stratification par le score de risque pour la probabilité de décès spécifique au cancer du sein chez les femmes plus jeunes et plus âgées atteintes d’un cancer du sein. Veuillez cliquer ici pour voir une version plus grande de ce chiffre.
(RH : rapport de risque)
| Variables | Score (Modèle Cox) |
Probilité estimée | Score (Modèle concurrent) |
Probilité estimée | |
| Course | |||||
| 1:Blanc | 10 | 4 | |||
| 2:Noir | 32 | 31 | |||
| 3:Autres | 0 | 0 | |||
| Matrimonial | |||||
| 1:Marié | 0 | 0 | |||
| 2:Célibataire | 9 | 5 | |||
| 3:Divorcé | 37 | 15 | |||
| Histologie | |||||
| 1:Adénocarcinome | 10 | 12 | |||
| 2:Mucinous adénocarcinome | 8 | 5 | |||
| 3:Carcinome à cellules d’anneau de Singet | 0 | 0 | |||
| Catégorie différentielle | |||||
| 1: Grade I | 0 | 0 | |||
| 2:Grade II | 6 | 36 | |||
| 3:Grade III | 37 | 77 | |||
| Classification Ta | |||||
| 1:T1 | 0 | 0 | |||
| 2:T2 | 41 | 50 | |||
| 3:T3 | 59 | 68 | |||
| 4:T4 | 100 | 98 | |||
| N classificationa | |||||
| 00:00 | 0 | 0 | |||
| 1:0-3 | 17 | 42 | |||
| 2:3-6 | 43 | 65 | |||
| 3:6-12 | 74 | 100 | |||
| Score total (Survie de 2 ans) |
278 | 0.6 | Score total (CIF de 2 ans) |
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 | ||||
| Score total (Survie de 3 ans) |
281 | 0.4 | Score total (CIF de 3 ans) |
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 | ||
| Score total (Survie à 5 ans) |
303 | 0.1 | Score total (CIF de 5 ans) |
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 | ||||
|
un Classification T et N selon le système de mise en scène de l’AJCC7e CIF : Fonction d’incidence cumulative |
|||||
Tableau 1 : Affectation des points et score pronostique dans le nomogramme basé sur Cox, le modèle de régression des risques proportionnels et le modèle de régression du risque concurrent.
Fichier supplémentaire 1. Veuillez cliquer ici pour télécharger ce fichier.
Fichier supplémentaire 2. Veuillez cliquer ici pour télécharger ce fichier.
Fichier supplémentaire 3. Veuillez cliquer ici pour télécharger ce fichier.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
L’objectif global de la présente étude était d’établir un nomogramme spécifique à risque concurrent qui pourrait décrire les maladies du monde réel et d’élaborer un modèle d’évaluation individuel pratique pour que les cliniciens puissent aborder les décisions de traitement. Ici, nous fournissons un tutoriel étape par étape pour établir des nomogrammes basés sur le modèle de régression Cox et le modèle de régression des risques concurrents et d’effectuer davantage l’analyse de sous-groupe. Zhang et coll.18 ont introduit une approche pour créer un nomogramme à risque concurrent, mais le concept principal de la méthodologie décrite dans l’article est totalement différent. Les méthodes de Zhang et coll. ont d’abord transformé les données originales en données pondérées par la fonction crprep() dans le paquet mstate 19, puis ont dessiné le nomogramme par le paquet rms. Cependant, le concept de base de la méthode est totalement différent de cela. Autrement dit, nous remplaçons les paramètres générés par cph par le résultat de la fonction crr, puis tirons un nomogramme de risque concurrent dans le cadre du nomogramme Cox. Dans cette méthode, le nomogramme Cox est plus comme un cadre.
Les patients malins avec un pronostic favorable qui sont censés avoir une survie plus longue avec le cancer sont à un plus grand risque de mort non-cancer-spécifique. Leur système d’exploitation sera en grande partie dilué par l’incidence des non-CSD, comme le montre la figure 1. Prenant les patients atteints du cancer du côlon de stade II13 comme exemple, si nous ne prenons pas en compte les causes du cancer dans la génération de courbes de toutes les causes de décès selon la méthode Kaplan-Meier, ces courbes seraient largement affectées par l’incidence cumulative de non-CSD plutôt que l’incidence cumulative de CSD.
Le modèle standard cox pour l’évaluation des covariates conduirait certainement à des résultats incorrects et biaisés (par exemple, pour la chimiothérapie dans le cancer du côlon de stade II13, la chimiothérapie était un facteur protecteur pour OS). Le biais pourrait être corrigé par la méthode concurrente de régression du risque, en particulier pour le sous-groupe le plus ancien (la chimiothérapie sera définie comme un facteur nocif pour la CSD). L’événement non-CSD est un risque concurrent non négligeable dans les patients présentant le cancer, particulièrement pour ceux avec le pronostic favorable.
Puis, après que nous ayons établi un nomogramme, la probabilité de décès associé à chaque variable a été présentée comme un point sur le nomogramme. Le score de risque pour chaque patient a été calculé en totalisant les points de toutes les variables. Sur la base du score total, nous pouvons diviser davantage la cohorte en trois sous-groupes (faible, moyen, élevé) pour stratifier l’impact des facteurs controversés sur le pronostic, ce qui pourrait être utile pour les cliniciens de résoudre des problèmes cliniques. Prenez l’effet de l’âge sur le cancer du sein comme exemple20. L’impact de l’âge sur les résultats des patientes atteintes d’un cancer du sein précoce n’a pas été cliniquement établi et est controversé. D’après la classification de GRS, le pronostic le plus mauvais des jeunes femmes n’est apparu que dans les sous-groupes à faible et moyen risque, et le jeune âge peut agir comme facteur protecteur du pronostic.
En termes de limitations, l’estimation du risque concurrent pourrait conduire à une concurrence excessive dans certaines situations21. Par exemple, les maladies avec un pronostic pauvre (comme les tumeurs malignes avancées ou un cancer du pancréas mal différencié) et de grandes toxicités auront inévitablement des effets prédominants sur les non-CSD. Il convient d’examiner attentivement la question de savoir si le modèle Cox ou le modèle de régression proportionnelle de la sous-distribution (risque concurrent) doit être appliqué avec soin. Les deux non-CSD et sur la concurrence doivent être traitées avec soin lorsque la survie est estimée. Sur la base des résultats, nous proposons que pour les maladies ayant un bon pronostic et les patients ayant une vieillesse, l’impact de la non-CSD sur l’OS devrait être soigneusement examiné dans les futurs essais cliniques. CSD, qui est basé sur un modèle de risque concurrent, peut être un point de terminaison alternatif au lieu de toujours utiliser le système d’exploitation traditionnel.
En conclusion, nous proposons que non seulement les tumeurs malignes avec le pronostic différent mais également la même maladie avec différents stades pourraient exiger le choix individuel d’un point final approprié. En outre, cette méthodologie pourrait être utilisée pour établir un nomogramme basé sur le modèle approprié (Cox ou modèle de régression concurrent) pour quantifier le risque, qui peut être utilisé plus loin pour des conseils individualisés ainsi que de mieux expliquer les phénomènes cliniques dans la pratique clinique.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Aucun
Acknowledgments
L’étude a été soutenue par des subventions du programme général de la Fondation des sciences naturelles de la province du Zhejiang (numéro de subvention LY19H160020) et du programme clé du Jinhua Municipal Science & Technology Bureau (numéro de subvention 2016-3-005, 2018-3-001d et 2019-3-013).
Materials
| Name | Company | Catalog Number | Comments |
| no | no | no |
References
- 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).
- 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).
- Kim, H. T. Cumulative incidence in competing risks data and competing risks regression analysis. Clinical Cancer Research. 13, 2 Pt 1 559-565 (2007).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- Fu, J., et al. De-escalating chemotherapy for stage II colon cancer. Therapeutic Advances in Gastroenterology. 12, 1756284819867553 (2019).
- 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).
- Frank, E., H, J. rms: Regression Modeling Strategies. R package version 5.1-2. , Available from: https://CRAN.R-project.org/package=rms (2018).
- Gray, B. cmprsk: Subdistribution Analysis of Competing Risks. R package version 2.2-7. , Available from: https://CRAN.R-project.org/package=cmprsk (2014).
- 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).
- 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).
- 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).
- 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).
- 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).
