Login processing...

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

Cancer Research

إنشاء نموذج Nomogram لتراجع المخاطر المتنافسة لبيانات البقاء على قيد الحياة

doi: 10.3791/60684 Published: October 23, 2020

Summary

يُعرض هنا بروتوكول لبناء صور نوم تستند إلى نموذج تراجع المخاطر النسبية في كوكس ونموذج تراجع المخاطر المتنافس. الأسلوب المنافس هو طريقة أكثر عقلانية لتطبيق عندما تكون الأحداث المتنافسة موجودة في تحليل البقاء على قيد الحياة.

Abstract

طريقة كابلان - ماير ونموذج كوكس انحدار المخاطر النسبية هي التحليلات الأكثر شيوعا في إطار البقاء على قيد الحياة. هذه هي سهلة نسبيا لتطبيق وتفسير ويمكن تصويرها بصريا. ومع ذلك، عندما تكون هناك أحداث متنافسة (مثل الحوادث القلبية الوعائية والحوادث الدماغية الوعائية، والوفيات المرتبطة بالعلاج، وحوادث المرور)، ينبغي تطبيق أساليب البقاء القياسية بحذر، ولا يمكن تفسير البيانات في العالم الحقيقي تفسيراً صحيحاً. قد يكون من المستحسن التمييز بين أنواع مختلفة من الأحداث التي قد تؤدي إلى الفشل ومعاملتها بشكل مختلف في التحليل. وهنا، تركز الأساليب على استخدام نموذج الانحدار المتنافس لتحديد العوامل التكهنية الهامة أو عوامل الخطر عند وجود أحداث متنافسة. بالإضافة إلى ذلك، يتم إنشاء مخططات نوموغرامية تستند إلى نموذج انحداري نسبي للمخاطر ونموذج تراجع منافس لمساعدة الأطباء على إجراء تقييمات فردية وطبقات مخاطر من أجل شرح تأثير العوامل المثيرة للجدل على التكهن.

Introduction

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

الوقت المناسب لتحليل البقاء على قيد الحياة الحدث هو شائع جدا في الدراسات السريرية. تقيس بيانات البقاء مدى الوقت من وقت البدء حتى حدوث الحدث الذي يهمه، ولكن غالباً ما يحول حدث الاهتمام عن طريق حدث آخر. إذا كان هناك أكثر من نوع من نقطة النهاية، يطلق عليهم نقاط نهاية المخاطر المتنافسة. وفي هذه الحالة، فإن تحليل المخاطر المعياري (أي نموذج كوكس للأخطار المتعلقة بالسبب المحدد) لا يعمل بشكل جيد في كثير من الأحيان لأن الأفراد الذين يعانون من نوع آخر من الأحداث يخضعون للرقابة. فالأفراد الذين يتعرضون لحدث منافس غالباً ما يظلون في مجموعة المخاطر، لأن المخاطر المتنافسة عادة ما تكون غير مستقلة. لذلك، 1 Fine و Grayدرس تقدير نموذج الانحدار للتوزيع الفرعي للمخاطرة المنافسة. في سياق المخاطرة المتنافسة، يمكن التمييز بين ثلاثة أنواع مختلفة من الأحداث.

يقيس المرء البقاء على قيد الحياة بشكل عام (OS) من خلال إظهار فائدة سريرية مباشرة من طرق العلاج الجديدة للمرض. يقيس نظام التشغيل وقت البقاء على قيد الحياة من وقت المنشأ (أي وقت التشخيص أو العلاج) إلى وقت الوفاة لأي سبب من الأسباب ويقيّم بشكل عام الخطر المطلق للوفاة ، وبالتالي عدم التمييز بين أسباب الوفاة (مثل الوفاة الخاصة بالسرطان (CSD) أو الوفاة غير المحددة بالسرطان (غير CSD))2. ولذلك، يعتبر نظام التشغيل نقطة النهاية الأكثر أهمية. وغالبا ما تكون الأحداث ذات الاهتمام تتعلق بالسرطان، في حين أن الأحداث غير المحددة للسرطان، والتي تشمل أمراض القلب وحوادث المرور أو غيرها من الأسباب غير ذات الصلة، تعتبر أحداثا متنافسة. المرضى الخبيثة مع تشخيص مواتية، الذين من المتوقع أن البقاء على قيد الحياة لفترة أطول، وغالبا ما تكون في خطر أكبر من غير CSD. وهذا هو، سيتم تخفيف نظام التشغيل من قبل أسباب أخرى للوفاة وتفشل في تفسير الفعالية الحقيقية للعلاج السريري بشكل صحيح. ولذلك، قد لا يكون نظام التشغيل المقياس الأمثل للوصول إلى نتائج المرض3. ويمكن تصحيح هذه التحيزات من خلال نموذج تراجع المخاطر المتنافس.

وهناك طريقتان رئيسيتان لتنافس بيانات المخاطر: نماذج المخاطر الخاصة بسبّب معيّن (نماذج كوكس) ونماذج مخاطر التوزيع الفرعي (النماذج المنافسة). في البروتوكول التالي، نقدم طريقتين لإنشاء nomograms استناداً إلى نموذج الخطر سبب محدد ونموذج مخاطر التوزيع الفرعي. يمكن إجراء نموذج المخاطر الخاص بالسبب المحدد ليتناسب مع نموذج كوكس للمخاطر النسبية ، الذي يتعامل مع الأشخاص الذين يختبرون الحدث المنافس على أنه يخضع للرقابة في وقت وقوع الحدث المنافس. في نموذج خطر التوزيع الفرعي الذي تم تقديمه من قبل Fine وGray 1 في عام 1999 ، يمكن التمييز بين ثلاثة أنواع مختلفة من الأحداث ، ويظل الأفراد الذين يختبرون حدثًا منافسًا في خطر إلى الأبد.

الرسم البياني هو تمثيل رياضي للعلاقة بين ثلاثة أو أكثر من المتغيرات4. تعتبر الصور الطبية المتغيرة في الأحداث البيولوجية والسريرية متغيرات (على سبيل المثال، درجة الورم وعمر المريض) وتولد احتمالات حدوث حدث سريري (مثل تكرار السرطان أو الوفاة) يصور بيانياً كنموذج تشخيص إحصائي لفرد معين. عموما، يتم صياغة الرسم البياني على أساس نتائج نموذج المخاطر النسبية كوكس5،6،7،8،9،10.

ومع ذلك، عندما تكون هناك مخاطر منافسة، قد يفشل الرسم البياني nomogram يستند إلى نموذج كوكس في الأداء الجيد. على الرغم من أن العديد من الدراسات السابقة11،12،13،14 طبقت nomogram المخاطر المتنافسة لتقدير احتمال CSD ، فقد وصفت دراسات قليلة كيفية إنشاء nomogram على أساس نموذج تراجع المخاطر المتنافسة ، وليس هناك حزمة موجودة متاحة لتحقيق ذلك. ولذلك، فإن الطريقة المعروضة أدناه ستوفر بروتوكول خطوة بخطوة لإنشاء مخطط نومي محدد قائم على المخاطر المتنافسة استناداً إلى نموذج تراجع المخاطر المتنافسة، فضلاً عن تقدير درجة المخاطر لمساعدة الأطباء في اتخاذ القرارات المتعلقة بالعلاج.

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

وافقت لجنة الاخلاق بمستشفى جينهوا بكلية الطب بجامعة تشجيانغ على بروتوكول الابحاث . للحصول على هذه التجربة، تم الحصول على الحالات من قاعدة بيانات المراقبة وعلم الأوبئة والنتائج النهائية (SEER). وال SEER هي قاعدة بيانات مفتوحة تشمل البيانات الديمغرافية وبيانات الإصابة والبقاء على قيد الحياة من 18 سجلاً للسرطان على أساس السكان. لقد سجلنا على موقع SEER ووقعنا خطاب ضمان للحصول على بيانات البحث (12296-Nov2018).

1- مصدر البيانات

  1. الحصول على الحالات من قواعد البيانات وكذلك إذن (إن وجد) لاستخدام الحالات من السجلات.
    ملاحظة: يتم تحميل بيانات المجموعة في الملف التكميلي 1. يمكن للقراء الذين لديهم بالفعل بيانات البقاء على قيد الحياة مع مخاطر منافسة تخطي هذا القسم.

2. تركيب وتحميل حزم واستيراد البيانات

ملاحظة: تنفيذ الإجراءات التالية استناداً إلى R البرامج (الإصدار 3.5.3) باستخدام الحزم rms15 و cmprsk16 (http://www.r-project.org/).

  1. تثبيت rms وحزم cmprsk R.
    >install.packages("rms")
    >install.packages("cmprsk")
  2. تحميل حزم R.
    >المكتبة ("rms")
    >المكتبة ("cmprsk")
  3. استيراد بيانات المجموعة.
    > Dataset<-read.csv(".../Cohort Data.csv") # بيانات مجموعة هو المثال

3. Nomogram على أساس نموذج كوكس الانحدار المخاطر النسبية

  1. إنشاء نموذج كوكس انحدار المخاطر النسبية.
    ملاحظة: تتضمن المتغيرات المستقلة (X) متغيرات الفئوية (متغيرات وهمية مثل العرق) ومتغيرات مستمرة (مثل العمر). وسيتم اختيار العوامل الهامة في التحليل المتغيرة للاستخدام في التحليل متعدد المتغيرات.
    1. تناسب نموذج كوكس المخاطر النسبية للبيانات. إنشاء نموذج الانحدار الثابت النسبي Cox باستخدام cphالدالة . ويرد أدناه الشكل المبسط في R:
      > f0 <- cph (سورف(بقاءmonths، الحالة) ~ factor1+ factor2+......
      x= T، y=T، surv=T، بيانات = مجموعة بيانات)
      ملاحظة: تم تعيين الموت كحالة في التعليمات البرمجية المثال.
  2. تطوير صورة رقمية كوكس الانحدار باستخدام الأوامر المفصلة أدناه.
    > nom <- nomogram(f0, fun=list(function(x) surv(24, x)...), funlabel=c("معدل البقاء المتوقع لمدة سنتين"...), maxscale=100, fun.at)
    > مؤامرة (نوم)
    ملاحظة: خذ معدل البقاء المتوقع لمدة عامين كمثال.

4. مخطط نومي يستند إلى نموذج تراجع المخاطر المتنافسة

  1. إنشاء نموذج تراجع المخاطر المتنافسة.
    1. احتواء نموذج تراجع المخاطر المتنافس. يمكن أن تتضمن القراء العوامل التي يعتبرونها مهمة ، يمكن تخطي هذه الخطوة. في المثال، يتم تضمين العوامل الهامة في تحليل أحادي المتغير.
      ملاحظة: يتم ترميز متغير الرقابة كـ 1 لحدث الاهتمام و 2 لحدث المخاطرة المنافس. ولتيسير التحليل، يوفر Scrucca etal. 17 عامل دالة R2ind()، الذي ينشئ مصفوفة من متغيرات المؤشر من عامل.
    2. بالنسبة للمتغيرات الفئوية، قم بتكفرها بدقة عددية عند إدراجها في النموذج المنافس. وهذا يعني، بالنسبة لمتغير قاطع مصنوع من مستويات J، إنشاء متغيرات وهمية J-1 أو متغيرات المؤشر.
    3. لإنشاء نموذج تراجع المخاطر المتنافسة، مكان أول المتغيرات التكهن في مصفوفة. استخدم الدالة cbind() لسَلسَلة المتغيرات بواسطة الأعمدة واحتواءها في نموذج الانحدار المنافس.
      > x <-cbind(factor2ind(factor1, "1"), factor2ind(factor2, "1")...)
      > وزارة الدفاع
  2. رسم الرسم البياني المناجز المتنافس
    ملاحظة: قيمة بيتا (قيمة β) هي معامل الانحدار لمتغيرات (X) في صيغة الانحدار المخاطر النسبية Cox. يتم حساب نقاط X.score (التأثير الشامل للمتغير التابع) وX.real (في نقاط زمنية خاصة، على سبيل المثال، 60 شهراً، للتنبؤ بوظيفة الإصابة التراكمية) من نموذج كوكس الانحداري ومن ثم يتم إنشاء مخطط نوموغرام.
    1. استخدم الدالة nomogram لبناء نوم كوكس (كما هو موضح في الخطوة 3.2).
    2. استبدال X.beta وX.point بالإضافة إلى total.point وX.real و X.score لنموذج تراجع المخاطر المتنافسة.
      1. الحصول على سيف الأساس، وهذا هو سيف (دقيقة). راجع الملف التكميلي 2 للحصول على التفاصيل.
        > x0 = x
        > x0 <- as.matrix(x0)
        > lhat <- مصفوفة(0، نورو = طول(mod$uftime)، ncol = nrow(x0))
        > ل(ي في 1:nrow(x0)) lhat [, ي] <- cumsum(exp(sum(x0[j,] * وزارة الدفاع $coef)) * وزارة الدفاع $bfitj)
        > lhat <- cbind (وزارة الدفاع $ uftime، 1 - exp (-lhat))
        > سيارات الدفع الرباعي<-as.data.frame(lhat)
        > colnames(suv)<- ج("الوقت")
        > line24 <-الذي(suv$time=="24")
        > cif.min24 <-suv[line24,which.min(suv[line24,])]
      2. استبدال X.beta و X.point.
        > lmaxbeta <-which.max(abs(mod$coef))
        > maxbeta < --abs(mod$coef [lmaxbeta])
        > السباق0 <-0
        > الأسماء (race0) <-"السباق:1"
        > race.beta<-c(race0, mod$coef[c("السباق: 2","السباق:3")])
        > race.beta.min<-race.beta[الذي.min(race.beta)]
        > race.beta1 <-race.beta-race.beta.min
        > race.scale<-(race.beta1/maxbeta*100) # كيف يتم حساب المقياس
        > NOM $سباق $Xbeta<-race.beta1
        > NOM $سباق$نقاط<-race.scale
        ملاحظة: خذ السباق كمثال.
      3. استبدال مجموع X.point وX.real.
        > nom$total.points$x<-c(0,50,100, ...)
        > real.2y<-c(0.01,0.1,0.2,...)
        ملاحظة: تكون عمليات الاستبدال وفقًا لقيمة minimax.
      4. حساب نقاط X.score و رسم مخطط نوموجرام.
        > score.2y <-log((((1-real.2y)،(1-cif.min24)))/(maxbeta/100)
        > nom$'2 البقاء على قيد الحياة لمدة عامين'$x<-score.2y
        > nom$'2 البقاء على قيد الحياة لمدة عامين'$x.real<-real.2y
        > nom$'2 البقاء على قيد الحياة لمدة عامين'$fat<-as.character (real.2y)
        > مؤامرة (نوم)
        ملاحظة: X.score = log(log(((1-X.real))(1-cif0))))/(maxbeta/100). ويمكن حساب المعادلات الخاصة بعلامة X.score والعلاقة X.real وفقاً للإسناد الجوهري للنموذج المنافس(crr). يعني Cif0 سيف الأساس، والتي سيتم حسابها بواسطة الدالة predict.crr.

5- تحليل الفئات الفرعية استناداً إلى درجة المخاطرة بالمجموعة

  1. حساب درجة المخاطرة (RS)
    ملاحظة: حساب درجة المخاطر لكل مريض من خلال تجميع نقاط كل متغير. وتستخدم قيم القطع لتصنيف المجموعة. مع أخذ 3 مجموعات فرعية كمثال، استخدم الحزمة ميتا لرسم قطعة أراضي الغابات.
    1. تثبيت وتحميل حزم R
      > install.packages("meta")
      > المكتبة ("meta")
    2. الحصول على GRS وتقسيم الفوج إلى 3 مجموعات فرعية.
      > d1<-مجموعة البيانات
      > D1 $X <-نوم $X نقاط
      > #For المثال، سباق d1$[d1$سباق ==1]<-نوم$سباق نقطة$[1]
      > D1 $RS < -d1 $سباق + d1 $الزواج + d1 $histology + d1 $الصف المعدل + d1 $Tclassification + d1$ Nclassification
      > D1 $GRS <- قطع (d1$ RS، quantile (d1$RS، seq(0، 1،1/3))، include.lowest = TRUE، تسميات = 1:3)
    3. رسم قطعة الأرض الغابات. احصل على الموارد البشرية وLCI وUCI عبر crr الوظيفي.
      > مجموعة فرعية <-crr(ftime, fstatus, cov1, failcode=1)
      > HR<- ملخص(مجموعة فرعية)$conf.int[1]
      > LCI<- ملخص(مجموعة فرعية)$conf.int[3]
      > UCI<- ملخص(مجموعة فرعية) $conf.int[4]
      > LABxx<-c("منخفضة المخاطر", "متوسط المخاطر", "مخاطر عالية")
      > xx<-metagen(سجل(HR)، أقل = سجل (LCI)، أعلى = سجل (UCI)، studlab = LABxx، sm = "HR")
      > الغابات (xx، col.square = "أسود"، hetstat = TRUE، اليسار = "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

خصائص البقاء على قيد الحياة من الفوج المثال
وفي الفوج المثال، أُدرج في التحليل ما مجموعه 550 8 مريضاً مؤهلاً، وبلغ متوسط وقت المتابعة 88 شهراً (يتراوح بين شهر و95 شهراً). و 679 (7.94%) وكان عمر المرضى أقل من 40 عاماً و7,871 مريضاً (92.06%) كان المرضى أكبر من 40. وفي نهاية المحاكمة، بلغ عدد الذين بلغوا 483 7 (87.52 في المائة) من النساء 15 في المائة من النساء 19 في المائة من النساء 19 في المائة من النساء الزُهَرِيَة. وكان المرضى لا يزالون على قيد الحياة، 662 (7.74%) توفي بسبب سرطان الثدي، و405 (4.74%) توفي المرضى لأسباب أخرى (مخاطر متنافسة).

مقارنة بين نموذجين للبقاء على قيد الحياة
تم حساب الحوادث التراكمية للوفيات الورم / لا وفاة الورم والأحداث المتنافسة من قبل طريقة كابلان ماير و وظيفة الانحدار المخاطر المتنافسة، على التوالي (المقدمة في الشكل 1). كما هو مبين في الشكل 1، فإن مجموع الحوادث التراكمية للوفاة الورمية وعدم وجود وفيات الورم كما حسبت من قبل طريقة كابلان ماير كان أعلى من مجموع تقديرات جميع أسباب الوفاة ، والتي كانت مساوية للوقوع التراكمي ل CSD عند استخدام الطريقة المتنافسة. من الواضح أن طريقة كابلان ماير بالغت في تقدير معدل حدوث موت الورم المتراكم ولا موت الورم. ويمكن للطريقة المتنافسة أن تصحح تقديرها في تقدير احتمال الوفاة.

Nomogram على أساس نموذج كوكس الانحدار المخاطر النسبية
تم بناء مخطط نومي على أساس عوامل هامة كما هو موضح في الشكل 2A والجدول 1. وشمل ذلك الحالة الاجتماعية، والعرق، والنوع النسيجي، والدرجة المتمايزة، والتصنيف T، والتصنيف N.

Nomogram استناداً إلى نموذج تراجع المخاطر المتنافسة
تم بناء مخطط نومي منافس يستند إلى عوامل متعددة، بما في ذلك العرق والحالة الاجتماعية والنوع النسيجي والصف التفاضلي وتصنيف T والتصنيف N(الشكل 2B). واستخدمت معاملات بيتا من النموذج لتوزيع المقياس(الجدول 1).

تحليل التقسيم الطبقي حسب درجة المخاطر
واستناداً إلى درجة المخاطر، صُنِّفت المجموعة إلى ثلاث مجموعات فرعية: درجة الخطر المنخفض: صفر إلى 44؛ 0-44؛ 0-44؛ 0-44؛ 0-44؛ 0-44؛ 0-44؛ 0-44؛ 0- متوسط درجة المخاطر: 45-85؛ ودرجة عالية المخاطر: 86-299. ويمكن أن تعرض قطعة الأرض للغابات بوضوح التفاعل بين النظام العام للخرابة والعامل المحدد (العمر)(الشكل 3). واستناداً إلى تصنيف نظام GRS، فإن سوء التكهن بالشابات الذي ظهر فقط في المجموعة الفرعية المنخفضة الخطورة، وقد يكون صغار السن عاملاً وقائياً للتشخيص في المجموعات الفرعية المتوسطة والعالية الخطورة.

Figure 1
الشكل 1: مخطط معدل حدوث تراكمي مكدس. K-M: الحوادث التراكمية استنادا إلى تقديرات كابلان ماير؛ CR: الحوادث التراكمية استناداً إلى تقديرات المخاطر المتنافسة التراكمية؛ موت الورم + لا وفاة الورم (K-M): مجموع تقديرات الإصابة التراكمية للوفيات السرطان محددة وغير سرطان وفاة محددة; CSD + غير CSD (CR): مجموع تقديرات الوفاة الخاصة بالسرطان والوفاة غير الخاصة بالسرطان عند استخدام طريقة CR. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

Figure 2
الشكل 2: الرسوم البيانية Nomograms لنموذج تراجع المخاطر النسبية كوكس ونموذج تراجع المخاطر المتنافسة. (أ) Nomogram على أساس نموذج كوكس الانحدار المخاطر النسبية. (ب) Nomogram استناداً إلى نموذج تراجع المخاطر المتنافسة. بالنسبة لتطبيق المخططات، كل محور متغير يظهر عامل خطر فردي، والخط المرسوم لأعلى يستخدم لتحديد نقاط كل متغير. ثم يتم حساب مجموع النقاط للحصول على احتمال 2-, 3- و 5 سنوات السرطان محددة أو وظيفة الإصابة التراكمية (CIF). السباق: 1= أبيض، 2= أسود، 3=آخر؛ الحالة الاجتماعية: 1=متزوج، 2= أعزب (غير متزوج أو شريك منزلي)، 3= مطلق (منفصل، مطلق، أرمل)؛ نوع النسيج: 1= سرطان القناة المتسللية، 2= سرطان الفصيص المتسلل، 3= اختراق القناة وسرطان الفصي؛ درجة الورم: 1= تمايز جيد، 2= تمايز معتدل؛ 3 = التمايز الفقير. T و N التصنيف وفقا لنظام التدريج 7 AJCC TNM. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

Figure 3
الشكل 3: قطعة الأرض الحرجية لتحليل الطبقات حسب درجة المخاطر لاحتمال الوفاة في حالات سرطان الثدي لدى النساء الأصغر سنا وكبار السن المصابات بسرطان الثدي. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

(الموارد البشرية: نسبة الخطر)

المتغيرات نقاط
(كوكس النموذجي)
البرونبل المقدر نقاط
(نموذج منافس)
البرونبل المقدر
سباق
1: أبيض 10 4
2: أسود 32 31
3: أخرى 0 0
الحالة الاجتماعية
1: متزوج 0 0
2: غير متزوج 9 5
3: مطلق 37 15
علم الأنسجة
1: غدوكارسينوما 10 12
2: غدية Mucinous 8 5
3: Singet سرطان الخلايا حلقة 0 0
الدرجة التفاضلية
1: الصف الأول 0 0
2: الصف الثاني 6 36
3: الصف الثالث 37 77
T تصنيفa
1: T1 0 0
2: T2 41 50
3: T3 59 68
4: T4 100 98
N تصنيفa
00:00 0 0
1:0-3 17 42
2:3-6 43 65
3:6-12 74 100
مجموع النقاط
(البقاء لمدة عامين)
278 0.6 مجموع النقاط
(2- السنة الثانية من 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
مجموع النقاط
(البقاء على قيد الحياة لمدة 3 سنوات)
281 0.4 مجموع النقاط
(3 سنوات 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
مجموع النقاط
(5 سنوات البقاء على قيد الحياة)
303 0.1 مجموع النقاط
(5 سنوات 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
(أ) T وN تصنيف وفقا لنظام التدريج7 AJCC
CIF: دالة الإصابة التراكمية

الجدول 1: تعيين النقاط والنقاط التنبؤية في الرسم البياني بالاستناد إلى كوكس نموذج تراجع المخاطر النسبية ونموذج تراجع المخاطر المتنافسة.

ملف إضافي 1. الرجاء النقر هنا لتحميل هذا الملف. 

ملف إضافي 2. الرجاء النقر هنا لتحميل هذا الملف. 

ملف إضافي 3. الرجاء النقر هنا لتحميل هذا الملف. 

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

وكان الهدف العام للدراسة الحالية هو وضع مخطط نومي محدد ينطوي على مخاطر منافسة يمكن أن يصف الأمراض في العالم الحقيقي وتطوير نموذج تقييم فردي ملائم للأطباء من أجل الاقتراب من قرارات العلاج. هنا، نحن نقدم خطوة بخطوة تعليمي لإنشاء nomograms استناداً إلى نموذج كوكس الانحدار وتنافس نموذج تراجع المخاطر ومواصلة إجراء تحليل المجموعات الفرعية. وقد أدخل تشانغ وآخرون18 نهجاً لإنشاء مخطط تخطيطي مُنافس للمخاطر، ولكن المفهوم الرئيسي للمنهجية الموصوفة في الورقة مختلف تماماً. طرق تشانغ وآخرون أولاً تحويل البيانات الأصلية إلى بيانات مرجحة بواسطة الدالة crprep() في الحزمة mstate 19، ثم رسم nomogram بواسطة الحزمة rms. ومع ذلك، فإن المفهوم الأساسي للأسلوب يختلف تماما عن ذلك. ببساطة، نحن استبدال المعلمات التي تم إنشاؤها بواسطة cph مع نتيجة crr الدالة ثم رسم nomogram منافسة المخاطر في إطار nomogram كوكس. في هذه الطريقة، يكون مخطط كوكس التخطيطي أكثر شبهاً بالإطار.

المرضى الخبيثين مع تشخيص مواتية الذين من المتوقع أن يكون البقاء على قيد الحياة لفترة أطول مع السرطان هم في خطر أكبر من الموت غير السرطان محددة. سيتم تخفيف نظام التشغيل إلى حد كبير من قبل حدوث غير CSD ، كما هو مبين في الشكل 1. أخذ المرضى الذين يعانون من سرطان القولون المرحلة الثانية13 كمثال, إذا أخذنا أي اعتبار لأسباب السرطان في توليد منحنيات لجميع أسباب الوفاة وفقا لطريقة كابلان ماير, هذه المنحنيات سوف تتأثر إلى حد كبير من وقوع المتراكمة من غير CSD بدلا من حدوث تراكمي من CSD.

نموذج كوكس القياسية لتقييم covariates سيؤدي بالتأكيد إلى نتائج غير صحيحة ومتحيزة (على سبيل المثال، للعلاج الكيميائي في المرحلة الثانية سرطان القولون13، وكان العلاج الكيميائي عاملا وقائيا لنظام التشغيل). ويمكن تصحيح التحيز من خلال أسلوب تراجع المخاطر المتنافسة، وخاصة بالنسبة إلى أقدم مجموعة فرعية (سيتم تعريف العلاج الكيميائي كعامل ضار لـ CSD). الحدث غير CSD هو خطر منافس غير قابل للجلية في المرضى الذين يعانون من السرطان، وخاصة بالنسبة لأولئك الذين لديهم تشخيص مواتية.

ثم، بعد أن أنشأنا مخطط نوموغرام، تم عرض احتمال الوفاة المرتبطة بكل متغير كنقطة على الرسم البياني. تم حساب درجة المخاطر لكل مريض من خلال مجموع نقاط جميع المتغيرات. استناداً إلى مجموع النقاط، يمكننا تقسيم الفوج إلى ثلاث مجموعات فرعية (منخفضة، متوسطة، عالية) لتقسيم تأثير العوامل المثيرة للجدل على التكهن، والتي قد تكون مفيدة للأطباء لحل القضايا السريرية. خذ تأثير العمر على سرطان الثدي كمثال20. لم يتم تحديد تأثير العمر على نتائج المرضى الذين يعانون من سرطان الثدي في وقت مبكر سريرياً وهو مثير للجدل. واستنادا إلى تصنيف نظام GRS، لم يظهر التكهن بالأسوأ للشابات إلا في المجموعات الفرعية المنخفضة والمتوسطة الخطورة، وقد يكون السنّ الصغيرة عاملا وقائيا للتكهن.

ومن حيث القيود، فإن تقدير المخاطر المتنافسة قد يؤدي إلى تجاوز المنافسة في بعض الحالات21. على سبيل المثال، فإن الأمراض ذات التشخيص الضعيف (مثل الأورام الخبيثة المتقدمة أو سرطان البنكرياس المتمايزة) والسمية الكبيرة سيكون لها حتماً آثار سائدة على غير CSD. وينبغي النظر بعناية في ما إذا كان ينبغي تطبيق نموذج كوكس أو نموذج الانحدار النسبي (المخاطر المتنافسة) في تحليل البقاء على قيد الحياة. وينبغي معالجة كل من غير لجنة وضع السياسات ومدى المنافسة بعناية عند تقدير مدى البقاء على قيد الحياة. استنادا إلى النتائج، نقترح أنه بالنسبة للأمراض مع تشخيص جيد والمرضى الذين يعانون من الشيخوخة، وينبغي النظر في تأثير غير CSD على نظام التشغيل بعناية في التجارب السريرية في المستقبل. وقد تكون إدارة وضع السياسات، التي تستند إلى نموذج مخاطرة منافس، نقطة نهاية بديلة بدلاً من استخدام نظام التشغيل التقليدي دائماً.

في الختام، نقترح أن الأورام الخبيثة ليس فقط مع تشخيص مختلف ولكن أيضا نفس المرض مع مراحل مختلفة قد تتطلب اختيار الفردية من نقطة نهاية مناسبة. بالإضافة إلى ذلك، يمكن استخدام هذه المنهجية لإنشاء مخطط نومي يستند إلى النموذج الصحيح (كوكس أو نموذج الانحدار المنافس) لتحديد المخاطر، والتي يمكن استخدامها بشكل أكبر لتوجيهات فردية وكذلك شرح أفضل للظواهر السريرية في الممارسة السريرية.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

اي

Acknowledgments

وقد تم دعم الدراسة من خلال منح من البرنامج العام لمؤسسة العلوم الطبيعية لمقاطعة تشجيانغ (رقم المنحة LY19H160020) والبرنامج الرئيسي لمكتب العلوم والتكنولوجيا في بلدية جينهوا (منحة رقم 2016-3-005، 2018-3-001d و 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).
إنشاء نموذج Nomogram لتراجع المخاطر المتنافسة لبيانات البقاء على قيد الحياة
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
Waiting X
simple hit counter