Login processing...

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

Cancer Research

Etablering af en konkurrerende risiko regression nomogram model for overlevelse data

doi: 10.3791/60684 Published: October 23, 2020

Summary

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.

Abstract

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.

Introduction

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

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.

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

Forskningsprotokollen blev godkendt af den etiske komité på Jinhua Hospital, Zhejiang University School of Medicine. Til dette eksperiment blev sagerne indhentet fra databasen overvågning, epidemiologi og slutresultater (SEER). SEER er en open-access database, der omfatter demografiske, incidens og overlevelse data fra 18 befolkningsbaserede kræftregistre. Vi registrerede os på SEER's hjemmeside og underskrev en revisionsskrivelse for at erhverve forskningsdataene (12296-november 2018).

1. Datakilde

  1. Få sager fra databaserne samt tilladelse (hvis nogen) til at bruge sagerne fra registrene.
    BEMÆRK: Kohortedataene uploades i supplerende fil 1. Læsere, der allerede har overlevelsesdata med konkurrerende risici, kan springe dette afsnit over.

2. Installation og indlæsning af pakker og import af data

BEMÆRK: Udfør følgende procedurer baseret på R-software (version 3.5.3) ved hjælp af pakkerne rms15 og cmprsk16 (http://www.r-project.org/).

  1. Installer rms og cmprsk R pakker.
    >install.packages("rms")
    >install.packages("cmprsk")
  2. Læg R-pakkerne.
    >bibliotek("rms")
    >bibliotek("cmprsk")
  3. Importer kohortedataene.
    >Dataset<-read.csv(".../Kohorte Data.csv") # kohortedata er eksemplet

3. Nomogram baseret på Cox Proportional Hazards Regression model

  1. Opret Cox Proportional Hazards Regression-modellen.
    BEMÆRK: De uafhængige variabler (X) omfatter kategoriske variabler (dummy variabler, såsom race) og kontinuerlige variabler (såsom alder). De faktorer, der er væsentlige i den ensrettede analyse, udvælges til brug i multivariabel analyse.
    1. Monter Cox proportional hazards-modellen på dataene. Opret Cox proportional hard regression-modellen ved hjælp af funktionen cph. Det forenklede format i R er vist nedenfor:
      > f0 <- cph(Surv(Overlevelsesmåneder, status) ~ faktor1+ factor2+...,
      x=T, y=T, surv=T, data=Datasæt)
      BEMÆRK: Døden blev angivet som status i eksempelkoden.
  2. Udvikle en Cox Regression Nomogram ved hjælp af kommandoerne beskrevet nedenfor.
    > nom <- nomogram(f0, fun=list(funktion(x) surv(24, x)...), funlabel=c("2-årig forudsagt overlevelsesrate"...), maxscale=100, fun.at)
    > plot (nom)
    BEMÆRK: Tag den 2-årige forventede overlevelsesrate som et eksempel.

4. Nomogram baseret på den konkurrerende risiko regression model

  1. Opret den konkurrerende risiko regression model.
    1. Tilpas den konkurrerende risikoregressionsmodel. Læsere kan omfatte de faktorer, som de anser for vigtige, kan dette trin springes over. I eksemplet medtages de faktorer, der er væsentlige i den ikke-glig analyse.
      BEMÆRK: Censurvariablen er kodet som 1 for interessebegivenheden og som 2 for den konkurrerende risikobegivenhed. For at lette analysen giver Scrucca et al.17 en R-funktionsfaktor2ind(), som skaber en matrix af indikatorvariabler ud fra en faktor.
    2. For kategoriske variabler, omhyggeligt kode dem numerisk, når du medsende dem i den konkurrerende model. Det vil sige, for en kategorisk variabel lavet af J niveauer, skabe J-1 dummy variabler eller indikator variabler.
    3. For at etablere en konkurrerende risiko regressionsmodel, første sted prognostiske variabler i en matrix. Brug funktionen cbind() til at sammenkæde variablerne efter kolonner og indfà lyk dem i den konkurrerende regressionsmodel.
      >x <-cbind(factor2ind(faktor1, "1"), factor2ind(faktor2, "1")...)
      > mod<- crr (Survivalmonths, fstatus, failcode=1 eller 2, cov1=x)
  2. Plot den konkurrerende nomogram
    BEMÆRK: Betaværdien (β) er regressionskoefficienten for et variat (X) i formlen for Cox proportional hazards regression. X.score (omfattende effekt af den afhængige variabel) og X.real (f.eks. på særlige tidspunkter, 60 måneder, for at forudsige den kumulative incidensfunktion) beregnes ud fra Cox-regressionsmodellen, og derefter oprettes et nomogram.
    1. Brug funktionen nomogram til at konstruere Cox nom (som anført i trin 3.2).
    2. Erstat X.beta og X.point samt total.points, X.real og X.score for den konkurrerende risikoregressionsmodel.
      1. Få baseline cif, der er cif (min). Yderligere oplysninger i sag 2.
        > x0=x
        > x0 <- as.matrix(x0)
        > lhat <- matrix(0, nrow = længde(mod$uftime), ncol = nrow(x0))
        > for (j i 1:nrow(x0)) lhat[, j] <- cumsum(exp(sum(x0[j, ] * mod$koef)) * mod$bfitj)
        > lhat <- cbind(mod$uftime, 1 - exp(-lhat))
        > suv<-as.data.frame(lhat)
        > colnames(suv)<- c("tid")
        > line24<-which(suv$time=="24")
        > cif.min24<-suv[line24,which.min(suv[line24,])]
      2. Erstat X.beta og X.point.
        > lmaxbeta<-which.max(abs(mod$coef))
        > maxbeta<-abs(mod$coef[lmaxbeta])
        > løb0<-0
        > navne(race0)<-"race:1"
        > race.beta<-c(race0,mod$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) # hvordan skalaen beregnes
        > nom$Race$Xbeta<-race.beta1
        > nom$Race$points<-race.scale
        BEMÆRK: Tag race som et eksempel.
      3. Erstat det samlede X.point og X.real.
        > nom$total.points$x<-c(0,50,100, ...)
        > real.2y<-c(0,01,0,1,0,2,...)
        BEMÆRK: Udskiftninger er i henhold til minimax-værdien.
      4. Beregn X.score og plot nomogram.
        > score.2y<-log(log((1-real.2y),(1-cif.min24))/(maxbeta/100)
        > nom$'2-års overlevelsesstink $x<-score.2y
        > nom$'2-års overlevelses $x.real<-real.2y
        > nom$'2-års overlevelsesstink $fat<-as.character(real.2y)
        > plot(nom)
        BEMÆRK: X.score=log(log((1-X.real),(1-cif0)))/(maxbeta/100). Ligningerne for X.score og X.real forholdet kan beregnes i henhold til den iboende tilskrivning af den konkurrerende model (crr). Cif0 betyder baseline cif, som beregnes af predict.crr-funktionen.

5. Undergruppeanalyse baseret på koncernens risikoscore (GRS)

  1. Beregn risikoscoren (RS)
    BEMÆRK: Beregn risikoscoren for hver patient ved at sammentælle pointene for hver variabel. Cut-off værdier bruges til at klassificere kohorten. Med 3 undergrupper som eksempel skal du bruge pakkemetamet til at tegne et skovplot.
    1. Installer og ilæs R-pakkerne
      > install.packages("meta")
      > bibliotek("meta")
    2. Hent GRS og opdel kohorten i 3 undergrupper.
      > d1<-Datasæt
      > d1$X<-nom$X$points
      > #For eksempel, d1$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$RS, seq(0, 1,1/3)), include.lowest = TRUE, labels = 1:3)
    3. Tegn skovplottet. Få HR, LCI og UCI via funktions-crr.
      > undergruppe<-crr(ftime, fstatus, cov1, failcode=1)
      > HR<- oversigt(undergruppe)$conf.int[1]
      > LCI<- oversigt(undergruppe)$conf.int[3]
      > UCI<- oversigt(undergruppe)$conf.int[4]
      > LABxx<-c("Lav risiko", "Medianrisiko", "Høj risiko")
      > xx<-metagen(log(HR), lavere = log(LCI), øvre = log(UCI), studlab = LABxx, sm = "HR")
      > skov(xx, col.square = "sort", hetstat =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

Overlevelseskarakteristika for eksempelkohorten
I eksempelkohorten blev i alt 8.550 egnede patienter inkluderet i analysen, og medianopfølgerstiden var 88 måneder (interval, 1 til 95 måneder). I alt 679 (7.94%) patienter var yngre end 40 år og 7.871 (92,06 %) patienter var ældre end 40. Ved forsøgets afslutning var 7.483 (87,52 %) patienter stadig var i live, var 662 (7,74 %) døde på grund af brystkræft, og 405 (4,74 %) patienter døde på grund af andre årsager (konkurrerende risici).

Sammenligning af to overlevelsesmodeller
De kumulative forekomster af tumordød/ingen tumordød og konkurrerende hændelser blev beregnet ved henholdsvis Kaplan-Meier-metoden og den konkurrerende risikoregressionsfunktion (præsenteret i figur 1). Som vist i figur 1var summen af de kumulative forekomster af tumordød og ingen tumordød som beregnet ved Kaplan-Meier-metoden højere end summen af skøn over alle dødsårsager, hvilket svarede til den kumulative forekomst af CSD, når den konkurrerende metode blev anvendt. Det er klart, kaplan-Meier metode overvurderet den kumulative forekomst af tumordød og ingen tumor død. Den konkurrerende metode kunne korrigere sin overvurdering af sandsynligheden for død.

Nomogram baseret på Cox proportional hazards regression model
Der blev fremstillet et nomogram på grundlag af væsentlige faktorer som vist i figur 2A og tabel 1. Dette omfattede civilstand, race, histologisk type, differentieret kvalitet, T-klassificering og N-klassificering.

Nomogram baseret på den konkurrerende risikoregressionsmodel
Et konkurrerende nomogram baseret på flere faktorer, herunder race, civilstand, histologisk type, differentialkvalitet, T-klassificering og N-klassificering, blev konstrueret (figur 2B). Betakoefficienterne fra modellen blev anvendt til fordeling af skalaen (tabel 1).

Stratificeringsanalyse efter risikoscore
Baseret på risikoscoren blev kohorten klassificeret i tre undergrupper: lav risikoscore: 0-44; middelrisikoscore: 45-85; og højrisikoscore: 86-299. Skovområdet kunne tydeligt præsentere samspillet mellem GRS og den specifikke faktor (alder) (figur 3). På grundlag af GRS-klassificeringen fremkom den værre prognose for unge kvinder kun i undergruppen med lav risiko, og unge kan fungere som en beskyttende prognosefaktor i mellem- og højrisikoundergrupper.

Figure 1
Figur 1: Stablet kumulativt incidensplot. K-M: Kumulative forekomster baseret på Kaplan-Meier skøn; CR: Kumulative incidenser baseret på kumulative incidens konkurrerende risikoestimater Tumordød + ingen tumordød (KM): summen af skøn over den kumulative forekomst af kræft specifikke død og ikke-kræft specifikke død; CSD + ikke-CSD (CR): summen af skøn over kræft-specifikke død og ikke-kræft-specifikke dødsfald, når CR-metoden blev anvendt. Klik her for at se en større version af dette tal.

Figure 2
Figur 2: Nomograms af Cox proportional hazards regression model og konkurrerende risiko regression model. (A) Nomogram baseret på Cox proportional hazards regression model. bB) Nomogram baseret på den konkurrerende risikoregressionsmodel. Til anvendelse af nomograms viser hver variabel akse en individuel risikofaktor, og den linje, der trækkes opad, anvendes til bestemmelse af punkterne for hver variabel. Derefter beregnes de samlede point for at opnå sandsynligheden for 2-, 3- og 5-års kræftspecifik overlevelse eller kumulativ incidensfunktion (CIF). Løb: 1=hvid, 2=sort, 3=andet; Civilstand: 1=gift, 2= enlige (aldrig gift eller huslig partner), 3= skilt (separeret, skilt, enkemand); Histologisk type: 1=infiltrativ kanalkræft, 2= infiltrativ lobular cancer, 3= infiltrerende kanal og lobular karcinom; Tumor kvalitet: 1 = godt differentiering, 2 = moderat differentiering; 3= dårlig differentiering. T og N klassificering var i henhold til 7th AJCC TNM iscenesættelse system. Klik her for at se en større version af dette tal.

Figure 3
Figur 3: Skovplot af stratificeringsanalyse efter risikoscore for sandsynligheden for brystkræftspecifik død hos yngre og ældre kvinder med brystkræft. Klik her for at se en større version af dette tal.

(HR: fareforhold)

Variabler Score
(Cox Model)
Anslået probilitet Score
(Konkurrerende model)
Anslået probilitet
Race
1:Hvid 10 4
2:Sort 32 31
3:Andet 0 0
Civilstand
1:Gift 0 0
2:Ugift 9 5
3:Skilt 37 15
Histologi
1:Adenocarcinom 10 12
2:Mucinous adenocarcinom 8 5
3:Singet ringcelle karcinom 0 0
Differentialkvalitet
1:Lønklasse I 0 0
2:Grad II 6 36
3:Grad III 37 77
T-klassifikationa
1:T1 0 0
2:T2 41 50
3:T3 59 68
4:T4 100 98
N klassificeringa
00:00 0 0
1:0-3 17 42
2:3-6 43 65
3:6-12 74 100
Samlet score
(2 års overlevelse)
278 0.6 Samlet score
(2-årig 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
Samlet score
(3 års overlevelse)
281 0.4 Samlet 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
Samlet score
(5 års overlevelse)
303 0.1 Samlet score
(5-årig 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 klassificering i henhold til 7th AJCC iscenesættelse system
CIF: Kumulativ incidensfunktion

Tabel 1: Pointtildeling og prognostisk score i nomogram baseret på Cox den proportionale fare regression model og konkurrerende risiko regression model.

Supplerende fil 1. Klik her for at downloade denne fil. 

Supplerende fil 2. Klik her for at downloade denne fil. 

Supplerende fil 3. Klik her for at downloade denne fil. 

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

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 skabe en konkurrerende risiko nomogram, men det vigtigste begreb i den metode, der er beskrevet i papiret er helt anderledes. Metoderne til Zhang et al. først omdannet de oprindelige data til vægtede data ved crprep () funktion i mstate pakke19, og derefter trak nomogram af rms pakken. Men det centrale begreb i metoden er helt anderledes end det. Kort sagt erstatter vi de parametre, der genereres af cph, med resultatet af funktions-crr'en og tegner derefter et konkurrerende risiko-nomogram i rammen af Cox-nomogrammet. I denne metode er Cox nomogram mere som en ramme.

Maligne patienter med en gunstig prognose, der forventes at have en længere overlevelse med kræft er en større risiko for ikke-kræft-specifikke død. Deres os vil blive i vid udstrækning fortyndet af forekomsten af ikke-CSD, som vist i figur 1. Under patienter med fase IItyktarmskræft 13 som et eksempel, hvis vi ikke tager hensyn til årsagerne til kræft i at generere kurver af alle dødsårsager i henhold til Kaplan-Meier metode, sådanne kurver ville i vid udstrækning blive påvirket af den kumulative forekomst af ikke-CSD snarere end den kumulative forekomst af CSD.

Standarden Cox model for vurdering af kovater ville helt sikkert føre til forkerte og forudindtaget resultater (for eksempel, for kemoterapi i fase II tyktarmskræft13, kemoterapi var en beskyttende faktor for OS). Biasen kan korrigeres ved hjælp af den konkurrerende risikoregressionsmetode, især for den ældste undergruppe (kemoterapi vil blive defineret som en skadelig faktor for CSD). Den ikke-CSD begivenhed er en ikke-berettiget konkurrerende risiko hos patienter med kræft, især for dem med gunstige prognose.

Så, efter at vi etablerede et nomogram, sandsynligheden for død i forbindelse med hver variabel blev præsenteret som et punkt på nomogram. Risikoscoren for hver patient blev beregnet ved at sammentælle pointene for alle variablerne. Baseret på den samlede score, kan vi yderligere opdele kohorten i tre undergrupper (lav, medium, høj) for at stratificere virkningen af kontroversielle faktorer på prognosen, hvilket kan være nyttigt for klinikere til at løse kliniske problemer. Tag virkningen af alder på brystkræft som et eksempel20. Alderens indvirkning på resultaterne af patienter med tidlig brystkræft er ikke klinisk fastslået og er kontroversiel. Baseret på GRS-klassificeringen fremkom den værre prognose for unge kvinder kun i undergrupperne lav- og mellemrisiko, og unge kan fungere som en beskyttende prognosefaktor.

Med hensyn til begrænsninger kan det konkurrerende risikoestimat føre til overkonkurrence i nogle situationer21. For eksempel, sygdomme med dårlig prognose (såsom avancerede maligne tumorer eller dårlig differentieret kræft i bugspytkirtlen) og store toksiciteter vil uundgåeligt have fremherskende virkninger på ikke-CSD. Om Cox-modellen eller den proportionale regressionsmodel for underfordeling (konkurrerende risiko) bør anvendes i overlevelsesanalysen, bør overvejes nøje. Både ikke-CSD og over konkurrence bør behandles nøje, når overlevelsen vurderes. På baggrund af resultaterne foreslår vi, at for sygdomme med god prognose og patienter med alderdom bør virkningen af ikke-CSD på OS overvejes nøje i fremtidige kliniske forsøg. CSD, som er baseret på en konkurrerende risikomodel, kan være et alternativt slutpunkt i stedet for altid at bruge traditionelle OS.

Afslutningsvis foreslår vi, at ikke kun ondartede tumorer med forskellige prognose, men også den samme sygdom med forskellige stadier kan kræve det individuelle valg af et passende endepunkt. Desuden kan denne metode anvendes til at etablere et nomogram baseret på den korrekte model (Cox eller konkurrerende regressionsmodel) til kvantificering af risici, som yderligere kan anvendes til individualiseret vejledning samt bedre forklare kliniske fænomener i klinisk praksis.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Ingen

Acknowledgments

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).

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).
Etablering af en konkurrerende risiko regression nomogram model for overlevelse data
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