Summary
यहां प्रस्तुत कॉक्स आनुपातिक खतरों प्रतिगमन मॉडल और प्रतिस्पर्धी जोखिम प्रतिगमन मॉडल के आधार पर नोमोग्राम बनाने के लिए एक प्रोटोकॉल है । प्रतिस्पर्धी विधि अस्तित्व विश्लेषण में मौजूद होने पर लागू करने के लिए एक अधिक तर्कसंगत तरीका है।
Abstract
कयोजना-मेयर विधि और कॉक्स आनुपातिक खतरों प्रतिगमन मॉडल अस्तित्व के ढांचे में सबसे आम विश्लेषण कर रहे हैं । ये लागू करने और व्याख्या करने के लिए अपेक्षाकृत आसान हैं और नेत्रहीन चित्रित किया जा सकता है। हालांकि, जब प्रतिस्पर्धी घटनाओं (जैसे, हृदय और मस्तिष्क दुर्घटनाओं, उपचार से संबंधित मौतें, यातायात दुर्घटनाएं) मौजूद हैं, तो मानक अस्तित्व के तरीकों को सावधानी के साथ लागू किया जाना चाहिए, और वास्तविक दुनिया के डेटा की सही व्याख्या नहीं की जा सकती है। विभिन्न प्रकार की घटनाओं को अलग करना वांछनीय हो सकता है जो विफलता का कारण बन सकते हैं और विश्लेषण में उन्हें अलग ढंग से व्यवहार कर सकते हैं। यहां, प्रतिस्पर्धी प्रतिगमन मॉडल का उपयोग करने के लिए महत्वपूर्ण शकुन कारकों या जोखिम कारकों की पहचान करने पर ध्यान केंद्रित जब प्रतिस्पर्धी घटनाओं मौजूद हैं । इसके अतिरिक्त, एक आनुपातिक खतरा प्रतिगमन मॉडल और एक प्रतिस्पर्धी प्रतिगमन मॉडल के आधार पर नोमोग्राम चिकित्सकों व्यक्तिगत आकलन और जोखिम स्तरीकरण करने में मदद करने के लिए पूर्वानुमान पर विवादास्पद कारकों के प्रभाव की व्याख्या करने के लिए स्थापित कर रहे हैं ।
Introduction
नैदानिक अध्ययनों में घटना अस्तित्व विश्लेषण का समय काफी आम है। अस्तित्व डेटा ब्याज की घटना की घटना तक शुरू समय से समय अवधि को मापने, लेकिन ब्याज की घटना की घटना अक्सर एक और घटना से पहले से ही है । यदि एक से अधिक प्रकार के अंत बिंदु मौजूद हैं, तो उन्हें प्रतिस्पर्धी जोखिम अंत बिंदु कहा जाता है। इस मामले में, मानक जोखिम विश्लेषण (यानी, कॉक्स आनुपातिक कारण-विशिष्ट खतरों मॉडल) अक्सर अच्छी तरह से काम नहीं करता है क्योंकि किसी अन्य प्रकार की घटना का अनुभव करने वाले व्यक्तियों को सेंसर किया जाता है। जो व्यक्ति एक प्रतिस्पर्धी घटना का अनुभव अक्सर जोखिम सेट में रहते हैं, क्योंकि प्रतिस्पर्धी जोखिम आमतौर पर स्वतंत्र नहीं होते हैं। इसलिए, फाइन और ग्रे 1 नेप्रतिस्पर्धी जोखिम के उप वितरण के लिए प्रतिगमन मॉडल अनुमान का अध्ययन किया। एक प्रतिस्पर्धी जोखिम सेटिंग में, तीन विभिन्न प्रकार की घटनाओं के साथ भेदभाव किया जा सकता है ।
एक रोग के लिए नए उपचार विधियों से प्रत्यक्ष नैदानिक लाभ का प्रदर्शन करके समग्र अस्तित्व (ओएस) का उपाय करता है। ओएस किसी भी कारण से मृत्यु के समय मूल (यानी निदान या उपचार का समय) से जीवित रहने के समय को मापता है और आम तौर पर मृत्यु के पूर्ण जोखिम का मूल्यांकन करता है, जिससे मृत्यु के कारणों (जैसे, कैंसर-विशिष्ट मृत्यु (सीएसडी) या गैर-कैंसर-विशिष्ट मृत्यु (गैर-सीएसडी)2में अंतर करने में विफल रहा है । इसलिए ओएस को सबसे महत्वपूर्ण एंडपॉइंट माना जाता है। ब्याज की घटनाओं अक्सर कैंसर से संबंधित हैं, जबकि गैर कैंसर विशिष्ट घटनाओं, जो हृदय रोग, यातायात दुर्घटनाओं या अंय असंबंधित कारणों में शामिल हैं, प्रतिस्पर्धी घटनाओं माना जाता है । एक अनुकूल पूर्वानुमान के साथ घातक रोगियों, जो लंबे समय तक जीवित रहने की उम्मीद कर रहे हैं, अक्सर गैर सीएसडी का एक बड़ा खतरा है । यही है, ओएस मौत के अन्य कारणों से पतला हो जाएगा और नैदानिक उपचार की वास्तविक प्रभावशीलता की सही व्याख्या करने में विफल रहेगा। इसलिए, ओएस रोग3के परिणामों तक पहुंचने के लिए इष्टतम उपाय नहीं हो सकता है। इस तरह के पूर्वाग्रहों को प्रतिस्पर्धी जोखिम प्रतिगमन मॉडल द्वारा ठीक किया जा सकता है ।
प्रतिस्पर्धी जोखिम डेटा के लिए दो मुख्य तरीके हैं: कारण-विशिष्ट जोखिम मॉडल (कॉक्स मॉडल) और उपवितरण जोखिम मॉडल (प्रतिस्पर्धी मॉडल)। निम्नलिखित प्रोटोकॉल में, हम कारण-विशिष्ट जोखिम मॉडल और उपवितरण जोखिम मॉडल के आधार पर नोमोग्राम उत्पन्न करने के लिए दो तरीके पेश करते हैं। कारण विशिष्ट खतरा मॉडल कॉक्स आनुपातिक खतरों मॉडल है, जो विषयों जो समय है कि प्रतिस्पर्धी घटना हुई पर सेंसर के रूप में प्रतिस्पर्धी घटना का अनुभव व्यवहार करता है में फिट किया जा सकता है । 1999 में फाइन और ग्रे1 द्वारा पेश किए गए उप-वितरण जोखिम मॉडल में, तीन अलग-अलग प्रकार की घटनाओं के साथ भेदभाव किया जा सकता है, और जो व्यक्ति प्रतिस्पर्धी घटना का अनुभव करते हैं, वे हमेशा के लिए जोखिम पर बने रहते हैं।
नोमोग्राम तीन या अधिक चरों के बीच संबंधों का गणितीय प्रतिनिधित्व है4. मेडिकल नोमोग्राम जैविक और नैदानिक घटना को चर (जैसे, ट्यूमर ग्रेड और रोगी आयु) के रूप में मानते हैं और एक नैदानिक घटना (जैसे, कैंसर पुनरावृत्ति या मृत्यु) की संभावनाएं उत्पन्न करते हैं जिसे किसी दिए गए व्यक्ति के लिए सांख्यिकीय शकुन मॉडल के रूप में चित्रित किया गया है। आम तौर पर, कॉक्स आनुपातिक खतरों मॉडल5,6, 7,8,,7,,9,10के परिणामों के आधार पर एक नोमोग्राम तैयार किया जाता है।,,
हालांकि, जब प्रतिस्पर्धी जोखिम मौजूद हैं, कॉक्स मॉडल पर आधारित एक नोमोग्राम अच्छा प्रदर्शन करने में विफल हो सकता है । हालांकि पिछले कईअध्ययनों 11,,12,,13,,14 ने सीएसडी की संभावना का अनुमान लगाने के लिए प्रतिस्पर्धी जोखिम नोमोग्राम लागू किया है, कुछ अध्ययनों ने बताया है कि प्रतिस्पर्धी जोखिम प्रतिगमन मॉडल के आधार पर नोमोग्राम कैसे स्थापित किया जाए, और इसे पूरा करने के लिए कोई मौजूदा पैकेज उपलब्ध नहीं है। इसलिए, नीचे प्रस्तुत विधि एक प्रतिस्पर्धी जोखिम प्रतिगमन मॉडल के साथ-साथ उपचार निर्णय लेने में चिकित्सकों की सहायता के लिए जोखिम स्कोर अनुमान के आधार पर एक विशिष्ट प्रतिस्पर्धी जोखिम नोमोग्राम स्थापित करने के लिए एक कदम-दर-कदम प्रोटोकॉल प्रदान करेगी।
Subscription Required. Please recommend JoVE to your librarian.
Protocol
इस रिसर्च प्रोटोकॉल को जिन्हुआ अस्पताल की एथिक्स कमेटी, झेजियांग यूनिवर्सिटी स्कूल ऑफ मेडिसिन ने मंजूरी दी थी । इस प्रयोग के लिए, मामलों को निगरानी, महामारी विज्ञान, और अंत परिणाम (SEER) डेटाबेस से प्राप्त किया गया । SEER एक ओपन-एक्सेस डेटाबेस है जिसमें 18 जनसंख्या-आधारित कैंसर रजिस्ट्रियों से जनसांख्यिकीय, घटना और अस्तित्व डेटा शामिल है। हमने सीर वेबसाइट पर पंजीकरण कराया और अनुसंधान डेटा (12296-Nov2018) प्राप्त करने के लिए आश्वासन पत्र पर हस्ताक्षर किए।
1. डेटा स्रोत
- रजिस्ट्रियों से मामलों का उपयोग करने के लिए डेटाबेस के साथ-साथ अनुमति (यदि कोई हो) से मामले प्राप्त करें।
नोट: पलटन डेटा अनुपूरक फ़ाइल 1में अपलोड कर रहे हैं । जिन पाठकों के पास पहले से ही प्रतिस्पर्धी जोखिमों के साथ अस्तित्व डेटा है, वे इस अनुभाग को छोड़ सकते हैं।
2. पैकेज स्थापित करना और लोड करना और डेटा आयात करना
नोट: आर सॉफ्टवेयर (संस्करण 3.5.3) के आधार पर निम्नलिखित प्रक्रियाओं का प्रदर्शन संकुल आरएमएस15 और cmprsk16 (http://www.r-project.org/) का उपयोग कर.
- आरएमएस और सीएमपीआर पैकेज स्थापित करें।
>स्थापित संकुल ("rms")
>स्थापित संकुल ("cmprsk") - आर पैकेज लोड करें।
और जीटी; पुस्तकालय ("आरएमएस")
और जीटी;लाइब्रेरी ("सीएमपीआरस्क") - पलटन डेटा आयात करें।
>Dataset<-read.csv(".../पलटन Data.csv") # पलटन डेटा इसका उदाहरण है
3. कॉक्स आनुपातिक खतरों प्रतिगमन मॉडल पर आधारित Nomogram
- कॉक्स आनुपातिक खतरों प्रतिगमन मॉडल की स्थापना।
नोट: स्वतंत्र चर (एक्स) में स्पष्ट चर (डमी चर, जैसे दौड़) और निरंतर चर (जैसे उम्र) शामिल हैं। एक्यीय विश्लेषण में महत्वपूर्ण कारकों को बहुविधीय विश्लेषण में उपयोग के लिए चुना जाएगा।- डेटा के लिए कॉक्स आनुपातिक खतरों मॉडल फिट करें। समारोह सीपीएचका उपयोग कर कॉक्स आनुपातिक कठिन प्रतिगमन मॉडल की स्थापना । आर में सरलीकृत प्रारूप नीचे दिखाया गया है:
>f0<-cph (Surv (Survivalmonths, स्थिति) ~ factor1 + factor2 +...,
x=T, y=T, surv =T, डेटा = डेटासेट)
नोट: मौत उदाहरण कोड में स्थिति के रूप में सेट किया गया था ।
- डेटा के लिए कॉक्स आनुपातिक खतरों मॉडल फिट करें। समारोह सीपीएचका उपयोग कर कॉक्स आनुपातिक कठिन प्रतिगमन मॉडल की स्थापना । आर में सरलीकृत प्रारूप नीचे दिखाया गया है:
- नीचे दिए गए आदेशों का उपयोग करके कॉक्स प्रतिगमन नोमोग्राम विकसित करें।
> nom &-नोमोग्राम (f0, fun=list (फंक्शन (एक्स) surv (24, x)...), funlabel =c ("2 साल की भविष्यवाणी की जीवित रहने की दर"...), maxscale =100, fun.at)
और जीटी; प्लॉट (nom)
नोट: एक उदाहरण के रूप में 2 साल की भविष्यवाणी की जीवित रहने की दर ले लो ।
4. प्रतिस्पर्धी जोखिम प्रतिगमन मॉडल के आधार पर नोमोग्राम
- प्रतिस्पर्धी जोखिम प्रतिगमन मॉडल स्थापित करें।
- प्रतिस्पर्धी जोखिम प्रतिगमन मॉडल फिट करें। पाठकों कारक है कि वे महत्वपूर्ण विचार शामिल हो सकते हैं, इस कदम को छोड़ दिया जा सकता है । उदाहरण में, एकविधेषय विश्लेषण में महत्वपूर्ण कारकों को शामिल किया गया है।
नोट: सेंसरिंग चर ब्याज की घटना के लिए 1 के रूप में और प्रतिस्पर्धी जोखिम घटना के लिए 2 के रूप में कोडित है । विश्लेषण को सुविधाजनक बनाने के लिए, स्क्रुका एट अल17 एक आर फ़ंक्शन फैक्टर 2इंड ()प्रदान करता है, जो एक कारक से संकेतक चर का मैट्रिक्स बनाता है। - स्पष्ट चर के लिए, उन्हें प्रतिस्पर्धी मॉडल में शामिल करते समय ध्यान से उन्हें संख्यात्मक रूप से कोड करें। यही है, जे स्तर से बने एक स्पष्ट चर के लिए, जे-1 डमी चर या संकेतक चर बनाएं।
- एक प्रतिस्पर्धी जोखिम प्रतिगमन मॉडल स्थापित करने के लिए, पहली जगह शकुन चर एक मैट्रिक्स में । कॉलम द्वारा चर को संक्षिप्त करने और उन्हें प्रतिस्पर्धी प्रतिगमन मॉडल में फिट करने के लिए फ़ंक्शन cbind () का उपयोग करें।
और एक्स और लेफ्टिनेंट;-cbind (factor2ind (factor1,1"), factor2ind (factor2, "1")...)
>mod<- सीआरआर (सर्वाइवलम, फस्टैटस, फेलकोड = 1 या 2, cov1=x)
- प्रतिस्पर्धी जोखिम प्रतिगमन मॉडल फिट करें। पाठकों कारक है कि वे महत्वपूर्ण विचार शामिल हो सकते हैं, इस कदम को छोड़ दिया जा सकता है । उदाहरण में, एकविधेषय विश्लेषण में महत्वपूर्ण कारकों को शामिल किया गया है।
- प्रतिस्पर्धी नोमोग्राम प्लॉट
नोट: बीटा मूल्य (β मूल्य) कॉक्स आनुपातिक खतरों प्रतिगमन के सूत्र में एक वेरिएट (एक्स) का प्रतिगमन गुणांक है। X.score (निर्भर चर का व्यापक प्रभाव) और X.real (विशेष समय बिंदुओं पर, उदाहरण के लिए, 60 महीने, संचयी घटना समारोह की भविष्यवाणी करने के लिए) की गणना कॉक्स प्रतिगमन मॉडल से की जाती है और फिर, एक नोमोग्राम स्थापित किया जाता है।- कॉक्स नोम (जैसा कि चरण 3.2 में सूचीबद्ध) का निर्माण करने के लिए फ़ंक्शन नोमोग्राम का उपयोग करें।
- X.बीटा और X.पॉइंट के साथ-साथ कुल अंक, X.real, और X.score को प्रतिस्पर्धी जोखिम प्रतिगमन मॉडल के स्थान पर लें।
- बेसलाइन सीआईएफ प्राप्त करें, जो सीआईएफ (न्यूनतम) है। विवरण के लिए अनुपूरक फाइल 2 देखें।
>x0=x
>x0 &-as.मैट्रिक्स (x0)
>lhat<- मैट्रिक्स (0, nrow = लंबाई (मॉड $uftime), ncol = nrow (x0))
> के लिए (1:nrow (x0) में) lhat [, j] और लेफ्टिनेंट;-cumsum (exp (राशि (x0 [j, ] * मॉड $coef)) * मॉड $bfitj)
1 - एलहट और लेफ्टिनेंट;- सीबीआइडी (मॉड $ यूफ़टाइम, 1 - एक्सपी (-एलएचटी))
और जीटी, एसयूवी और लेफ्टिनेंट;-as.data.frame (lhat)
> colnames (एसयूवी)<-c ("time")
और gt;line24<-कौन सी (एसयूवी$time==="24")
और gt;cif.min24<-suv[line24,जो.मिनट (एसयूवी[line24,])] - X.बीटा और X.बिंदु को बदलें।
>lmaxbeta<-जो.max (abs (mod$coef))
और जीटी; मैक्सबेटा<-abs (मॉड $coef[lmaxbeta])
रेस0 और एलटी;-0
और नाम (race0) & लेफ्टिनेंट;-"रेस:1"
>race.beta<-c (race0, mod$coef[c ("रेस:2", रेस:3")])
>race.beta.min<-race.beta [जो.मिनट (race.beta)]
>race.beta1<-race.beta-race.beta.min
>race.scale<-(race.beta1/maxbeta *100) # पैमाने की गणना कैसे की जाती है
> nom$रेस $Xbeta<-race.beta1
> nom$Race$अंक और लेफ्टिनेंट;-race.scale
नोट: एक उदाहरण के रूप में दौड़ ले लो । - कुल X.बिंदु और X.real को बदलें।
> nom $total.अंक$x<-c (0,50,100, ...)
0.01,0.1,0.2,...)
नोट: प्रतिस्थापन मिनीमैक्स मूल्य के अनुसार हैं। - X.score की गणना करें और नोमोग्राम की साजिश करें।
>score.2y<-log ((1-real.2y), (1-cif.min24))))/(maxbeta/100)
> nom '2 साल के अस्तित्व $x<-score.2y
> nom '2 साल के अस्तित्व $x real<-real.2y
> nom '2 साल के अस्तित्व के $fat<-as.character (real.2y)
और जीटी; प्लॉट (nom)
नोट: X.score=log ((1-X.real), (1-cif0))))/(maxbeta/100) । X.score और X.real रिश्ते के लिए समीकरणों की गणना प्रतिस्पर्धी मॉडल (सीआरआर) के आंतरिक रोपण के अनुसार की जा सकती है। Cif0 का अर्थ है बेसलाइन सीआईएफ, जिसकी गणना predict.crr फ़ंक्शन द्वारा की जाएगी।
- बेसलाइन सीआईएफ प्राप्त करें, जो सीआईएफ (न्यूनतम) है। विवरण के लिए अनुपूरक फाइल 2 देखें।
5. समूह जोखिम स्कोर (जीआरएस) के आधार पर उपसमूह विश्लेषण
- जोखिम स्कोर (RS) की गणना करें
नोट: हर चर के अंक कुल द्वारा प्रत्येक रोगी के लिए जोखिम स्कोर की गणना करें । पलटन को वर्गीकृत करने के लिए कट-ऑफ मानों का उपयोग किया जाता है। एक उदाहरण के रूप में 3 उपसमूहों ले, पैकेज मेटा का उपयोग करने के लिए एक वन साजिश आकर्षित ।- आर पैकेज स्थापित करें और लोड करें
> इंस्टॉल.पैकेज ("मेटा")
और जीटी; पुस्तकालय ("मेटा") - जीआरएस प्राप्त करें और पलटन को 3 उपसमूहों में विभाजित करें।
1 और एलटी,-डेटासेट
> d1 $X<-nom $X$अंक
उदाहरण #For d1$दौड़ [d1$दौड़==1]<-nom$race$बिंदु[1]
>d1$RS<-d1$रेस + d1$शादी + d1 $हशोलॉजी + d1 $grademodify + d1$Tclassification + d1 $Nclassification
>d1$GRS<- कट (D1 $RS, क्वांटाइल (D1$RS, seq (0, 1,1/3)), शामिल हैं.सबसे कम = ट्रू, लेबल = 1:3) - वन प्लॉट ड्रा करें। समारोह सीआरआर के माध्यम से मानव संसाधन, एलसीआई और यूसीआई प्राप्त करें।
और जीटी; उपसमूह और लेफ्टिनेंट;-सीआरआर (एफटाइम, एफएसटस, cov1, failcode=1)
और मानव संसाधन और लेफ्टिनेंट,सारांश (उपसमूह) $conf.int[1]
18.1 $conf 60000000000000000000000000000000
यूसीआई<- सारांश (उपसमूह) $conf.int[4]
> LABxx<-c ("कम जोखिम", "औसत जोखिम", "उच्च जोखिम")
> xx<-मेटाजेन (लॉग (एचआर), लोअर = लॉग (एलसीआई), अपर = लॉग (यूसीआई), स्टडलैब = LABxx, sm = "HR")
> वन (xx, col.square = "काला", हेटस्टेट =TRUE, leftcols = "स्टडलैब")
- आर पैकेज स्थापित करें और लोड करें
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
उदाहरण पलटन के अस्तित्व की विशेषताएं
उदाहरण पलटन में, विश्लेषण में कुल 8,550 पात्र रोगियों को शामिल किया गया था और औसत अनुवर्ती समय 88 महीने (सीमा, 1 से 95 महीने) था। कुल 679 (7.94%) रोगियों से छोटे थे 40 साल और 7,871 (92.06%) मरीज ४० से बड़े थे । परीक्षण के अंत में, 7,483 (87.52%) रोगियों को अभी भी जीवित थे, ६६२ (७.७४%) स्तन कैंसर की वजह से मृत्यु हो गई, और 405 (4.74%) अन्य कारणों (प्रतिस्पर्धी जोखिम) के कारण रोगियों की मृत्यु हो गई।
दो अस्तित्व मॉडल की तुलना
ट्यूमर की मौत की संचयी घटनाओं/कोई ट्यूमर मौत और प्रतिस्पर्धी घटनाओं Kaplan-Meier विधि और प्रतिस्पर्धी जोखिम प्रतिगमन समारोह, क्रमशः (चित्रा 1में प्रस्तुत) द्वारा गणना की गई । जैसा कि चित्रा 1में दिखाया गया है, ट्यूमर की मृत्यु की संचयी घटनाओं का योग और काप्लान-मेयर विधि द्वारा गणना की गई कोई ट्यूमर मृत्यु मृत्यु के सभी कारणों के अनुमानों के योग से अधिक थी, जो प्रतिस्पर्धी विधि का उपयोग किए जाने पर सीएसडी की संचयी घटनाओं के बराबर थी। जाहिर है, Kaplan-Meier विधि ट्यूमर मौत और कोई ट्यूमर मौत की संचयी घटना का अनुमान लगाया । प्रतिस्पर्धी विधि मृत्यु की संभावना के अपने अतिउन्साव को सही कर सकती है।
कॉक्स आनुपातिक खतरों प्रतिगमन मॉडल के आधार पर Nomogram
चित्रा 2 ए और तालिका 1में दिखाए गए महत्वपूर्ण कारकों के आधार पर एक नोमोग्राम का निर्माण किया गया था । इसमें वैवाहिक स्थिति, नस्ल, हिस्टोलॉजिकल प्रकार, विभेदित ग्रेड, टी वर्गीकरण और एन वर्गीकरण शामिल थे।
प्रतिस्पर्धी जोखिम प्रतिगमन मॉडल के आधार पर नोमोग्राम
दौड़, वैवाहिक स्थिति, हिस्टोलॉजिकल प्रकार, अंतर ग्रेड, टी वर्गीकरण, और एन वर्गीकरण सहित कई कारकों के आधार पर एक प्रतिस्पर्धी नोमोग्राम का निर्माण किया गया था(चित्रा 2B)। मॉडल से बीटा गुणांक पैमाने के आवंटन के लिए इस्तेमाल किया गया(तालिका 1)।
जोखिम स्कोर द्वारा स्तरीकरण विश्लेषण
जोखिम स्कोर के आधार पर, पलटन को तीन उपसमूहों में वर्गीकृत किया गया था: कम जोखिम स्कोर: 0-44; मध्यम जोखिम स्कोर: 45-85; और उच्च जोखिम स्कोर: 86-299 । वन प्लॉट स्पष्ट रूप से जीआरएस और विशिष्ट कारक (आयु)(चित्र 3)के बीच बातचीत पेश कर सकता है। जीआरएस वर्गीकरण के आधार पर, युवा महिलाओं का बदतर पूर्वानुमान केवल कम जोखिम वाले उपसमूह में दिखाई दिया और युवा उम्र मध्यम और उच्च जोखिम वाले उपसमूहों में पूर्वानुमान के सुरक्षात्मक कारक के रूप में कार्य कर सकती है।
चित्रा 1: खड़ी संचयी घटना साजिश। K-M:कयोजना-मेयर अनुमानों के आधार पर संचयी घटनाएं; सीआर:संचयी घटनाओं के आधार पर संचयी घटनाएं जोखिम अनुमानों की प्रतिस्पर्धा; ट्यूमर मौत + कोई ट्यूमर मौत (कश्मीर एम): कैंसर विशिष्ट मौत और गैर कैंसर विशिष्ट मौत की संचयी घटनाओं के अनुमानों का योग; सीएसडी + गैर सीएसडी (सीआर): जब सीआर विधि का उपयोग किया गया था तो कैंसर-विशिष्ट मृत्यु और गैर-कैंसर-विशिष्ट मृत्यु के अनुमानों का योग। कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें ।
चित्रा 2: कॉक्स आनुपातिक खतरों प्रतिगमन मॉडल और प्रतिस्पर्धी जोखिम प्रतिगमन मॉडल के Nomograms । (ए)कॉक्स आनुपातिक खतरों प्रतिगमन मॉडल पर आधारित नोमोग्राम । (ख)प्रतिस्पर्धी जोखिम प्रतिगमन मॉडल पर आधारित नोमोग्राम । नोमोग्राम के आवेदन के लिए, प्रत्येक चर धुरी एक व्यक्तिगत जोखिम कारक दिखाती है, और ऊपर की ओर खींची गई रेखा का उपयोग प्रत्येक चर के बिंदुओं के निर्धारण के लिए किया जाता है। फिर, कुल अंक 2-, 3 और 5 साल के कैंसर विशिष्ट अस्तित्व या संचयी घटना समारोह (सीआईएफ) की संभावना प्राप्त करने के लिए गणना कर रहे हैं । रेस: 1 = सफेद, 2 = काला, 3 = अन्य; वैवाहिक स्थिति: 1 = विवाहित, 2 = एकल (कभी विवाहित या घरेलू साथी), 3 = तलाकशुदा (अलग, तलाकशुदा, विधवा); हिस्टोलॉजिकल प्रकार: 1 = घुसपैठ वाहिनी कैंसर, 2 = घुसपैठ लोबुलर कैंसर, 3 = घुसपैठ वाहिनी और लोबुलर कार्सिनोमा; ट्यूमर ग्रेड: 1 = अच्छी तरह से भेदभाव, 2 = मध्यम भेदभाव; 3 = खराब भेदभाव। टी और एन वर्गीकरण 7वीं एजेकसी टीएनएम स्टेजिंग सिस्टम के अनुसार था । कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें ।
चित्रा 3: स्तन कैंसर के साथ छोटी और बड़ी उम्र की महिलाओं में स्तन कैंसर की संभावना के लिए जोखिम स्कोर द्वारा स्तरीकरण विश्लेषण के वन साजिश । कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें ।
(मानव संसाधन: जोखिम अनुपात)
| चर | स्कोर (कॉक्स मॉडल) |
अनुमानित प्रोबिलिटी | स्कोर (प्रतिस्पर्धी मॉडल) |
अनुमानित प्रोबिलिटी | |
| दौड़ | |||||
| 1:व्हाइट | 10 | 4 | |||
| 2:ब्लैक | 32 | 31 | |||
| 3:अन्य | 0 | 0 | |||
| वैवाहिक स्थिति | |||||
| 1:विवाहित | 0 | 0 | |||
| 2:अविवाहित | 9 | 5 | |||
| 3:तलाकशुदा | 37 | 15 | |||
| प्रोटोकॉल | |||||
| 1: एडेनोकार्सिनोमा | 10 | 12 | |||
| 2: म्यूसिनस एडेनोकार्सिनोमा | 8 | 5 | |||
| 3: सिनेट रिंग सेल कार्सिनोमा | 0 | 0 | |||
| अंतर ग्रेड | |||||
| 1: ग्रेड मैं | 0 | 0 | |||
| 2: ग्रेड द्वितीय | 6 | 36 | |||
| 3: ग्रेड III | 37 | 77 | |||
| टी वर्गीकरणएक | |||||
| 1:T1 | 0 | 0 | |||
| 2:T2 | 41 | 50 | |||
| 3:T3 | 59 | 68 | |||
| 4:T4 | 100 | 98 | |||
| एन वर्गीकरणएक | |||||
| 00:00 | 0 | 0 | |||
| 1:0-3 | 17 | 42 | |||
| 2:3-6 | 43 | 65 | |||
| 3:6-12 | 74 | 100 | |||
| कुल स्कोर (2 साल के अस्तित्व) |
278 | 0.6 | कुल स्कोर (2 साल सीआईएफ) |
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 | ||||
| कुल स्कोर (3 साल के अस्तित्व) |
281 | 0.4 | कुल स्कोर (3 साल सीआईएफ) |
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 | ||
| कुल स्कोर (5 साल का अस्तित्व) |
303 | 0.1 | कुल स्कोर (5 साल सीआईएफ) |
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 | ||||
|
क 7 एजेकसी मचानth प्रणाली के अनुसार टी और एन वर्गीकरण सीआईएफ: संचयी घटना समारोह |
|||||
तालिका 1: कॉक्स के आधार पर नोमोग्राम में पॉइंट असाइनमेंट और शकुन स्कोर आनुपातिक खतरों प्रतिगमन मॉडल और प्रतिस्पर्धी जोखिम प्रतिगमन मॉडल।
पूरक फाइल 1. इस फाइल को डाउनलोड करने के लिए यहां क्लिक करें।
पूरक फाइल 2. इस फाइल को डाउनलोड करने के लिए यहां क्लिक करें।
पूरक फाइल 3. इस फाइल को डाउनलोड करने के लिए यहां क्लिक करें।
Subscription Required. Please recommend JoVE to your librarian.
Discussion
वर्तमान अध्ययन का समग्र लक्ष्य एक विशिष्ट प्रतिस्पर्धी जोखिम नोमोग्राम स्थापित करना था जो वास्तविक दुनिया के रोगों का वर्णन कर सकता है और चिकित्सकों के लिए उपचार निर्णयों का दृष्टिकोण करने के लिए एक सुविधाजनक व्यक्तिगत मूल्यांकन मॉडल विकसित करना था। यहां, हम कॉक्स प्रतिगमन मॉडल और प्रतिस्पर्धा जोखिम प्रतिगमन मॉडल और आगे प्रदर्शन उपसमूह विश्लेषण के आधार पर नोमोग्राम स्थापित करने के लिए एक कदम-दर-कदम ट्यूटोरियल प्रदान करते हैं। झांग एट अल18 एक प्रतिस्पर्धी जोखिम nomogram बनाने के लिए एक दृष्टिकोण शुरू की है, लेकिन कागज में वर्णित पद्धति की मुख्य अवधारणा पूरी तरह से अलग है । झांग एट अल के तरीकों ने पहले एमस्टेट पैकेज19में सीआरप्रीप () फंक्शन द्वारा मूल डेटा को भारित डेटा में बदल दिया और फिर आरएमएस पैकेज द्वारा नोमोग्राम खींचा । हालांकि, विधि की मूल अवधारणा उससे बिल्कुल अलग है। सीधे शब्दों में कहें, हम एमपीएच द्वारा उत्पन्न मापदंडों को फ़ंक्शन सीआरआर के परिणाम से बदलते हैं और फिर कॉक्स नोमोग्राम के फ्रेम में एक प्रतिस्पर्धी जोखिम नोमोग्राम खींचते हैं। इस विधि में कॉक्स नोमोग्राम एक फ्रेम की तरह ज्यादा होता है।
एक अनुकूल पूर्वानुमान के साथ घातक रोगियों को जो कैंसर के साथ एक लंबे समय तक जीवित रहने की उंमीद कर रहे है गैर कैंसर विशिष्ट मौत का एक बड़ा खतरा है । उनके ओएस काफी हद तक गैर सीएसडी की घटनाओं से पतला हो जाएगा, जैसा कि चित्र 1में दिखाया गया है । एक उदाहरण के रूप में चरण द्वितीय पेट के कैंसर13 के साथ रोगियों को ले, अगर हम Kaplan-Meier विधि के अनुसार मौत के सभी कारणों के घटता पैदा करने में कैंसर के कारणों का कोई हिसाब नहीं ले, इस तरह के घटता काफी हद तक गैर की संचयी घटना से प्रभावित होगा सीएसडी की संचयी घटना से ।
covariates के मूल्यांकन के लिए मानक कॉक्स मॉडल निश्चित रूप से गलत और पक्षपातपूर्ण परिणाम के लिए नेतृत्व करेंगे (उदाहरण के लिए, चरण द्वितीय पेट के कैंसर13में कीमोथेरेपी के लिए, कीमोथेरेपी ओएस के लिए एक सुरक्षात्मक कारक था) । पूर्वाग्रह प्रतिस्पर्धी जोखिम प्रतिगमन विधि, विशेष रूप से सबसे पुराने उपसमूह के लिए (कीमोथेरेपी सीएसडी के लिए एक हानिकारक कारक के रूप में परिभाषित किया जाएगा) द्वारा सही किया जा सकता है । गैर सीएसडी घटना कैंसर के साथ रोगियों में एक गैर न केnegligable प्रतिस्पर्धी जोखिम है, विशेष रूप से अनुकूल पूर्वानुमान के साथ उन लोगों के लिए ।
फिर, एक नोमोग्राम स्थापित करने के बाद, प्रत्येक चर से जुड़े मृत्यु की संभावना को नोमोग्राम पर एक बिंदु के रूप में प्रस्तुत किया गया था। प्रत्येक रोगी के लिए जोखिम स्कोर सभी चर के अंक कुल द्वारा गणना की गई थी । कुल स्कोर के आधार पर, हम पूर्वानुमान पर विवादास्पद कारकों के प्रभाव को स्तरीकृत करने के लिए पलटन को तीन उपसमूहों (कम, मध्यम, उच्च) में विभाजित कर सकते हैं, जो नैदानिक मुद्दों को हल करने के लिए चिकित्सकों के लिए सहायक हो सकता है। स्तन कैंसर पर आयु का प्रभाव एक उदाहरण के रूप में लें20. जल्दी स्तन कैंसर के साथ रोगियों के परिणामों पर उंर के प्रभाव चिकित्सकीय स्थापित नहीं किया गया है और विवादास्पद है । जीआरएस वर्गीकरण के आधार पर, युवा महिलाओं का बदतर पूर्वानुमान केवल कम और मध्यम जोखिम वाले उपसमूहों में दिखाई दिया, और युवा उम्र पूर्वानुमान के एक सुरक्षात्मक कारक के रूप में कार्य कर सकती है।
सीमाओं के संदर्भ में, प्रतिस्पर्धी जोखिम अनुमान कुछ स्थितियों में प्रतिस्पर्धा से अधिक हो सकता है21। उदाहरण के लिए, खराब पूर्वानुमान (जैसे उन्नत घातक ट्यूमर या खराब विभेदित अग्नाशय के कैंसर) और महान विषाक्तता के साथ बीमारियों का अनिवार्य रूप से गैर-सीएसडी पर प्रमुख प्रभाव पड़ेगा। चाहे कॉक्स मॉडल या उपवितरण आनुपातिक प्रतिगमन मॉडल (प्रतिस्पर्धी जोखिम) अस्तित्व विश्लेषण में लागू किया जाना चाहिए ध्यान से विचार किया जाना चाहिए । जब अस्तित्व का अनुमान लगाया जा रहा हो तो गैर-सीएसडी और ओवर प्रतिस्पर्धा दोनों को सावधानीपूर्वक संबोधित किया जाना चाहिए । परिणामों के आधार पर, हम प्रस्ताव करते हैं कि अच्छे पूर्वानुमान वाले रोगियों और बुढ़ापे के रोगियों के लिए, भविष्य के नैदानिक परीक्षणों में ओएस पर गैर-सीएसडी के प्रभाव पर सावधानीपूर्वक विचार किया जाना चाहिए। सीएसडी, जो एक प्रतिस्पर्धी जोखिम मॉडल पर आधारित है, हमेशा पारंपरिक ओएस का उपयोग करने के बजाय एक वैकल्पिक एंडपॉइंट हो सकता है।
अंत में, हम प्रस्ताव करते हैं कि न केवल विभिन्न पूर्वानुमान के साथ घातक ट्यूमर बल्कि विभिन्न चरणों के साथ एक ही बीमारी को एक उपयुक्त अंत बिंदु के व्यक्तिगत विकल्प की आवश्यकता हो सकती है। इसके अतिरिक्त, इस पद्धति का उपयोग जोखिम की मात्रा के लिए उचित मॉडल (कॉक्स या प्रतिस्पर्धी प्रतिगमन मॉडल) के आधार पर एक नोमोग्राम स्थापित करने के लिए किया जा सकता है, जिसका उपयोग व्यक्तिगत मार्गदर्शन के साथ-साथ नैदानिक अभ्यास में नैदानिक घटनाओं को बेहतर तरीके से समझाया जा सकता है।
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
कोई नहीं
Acknowledgments
अध्ययन झेजियांग प्रांत प्राकृतिक विज्ञान फाउंडेशन (अनुदान संख्या LY19H160020) और जिन्हुआ नगर विज्ञान & प्रौद्योगिकी ब्यूरो (अनुदान संख्या 2016-3-005, 2018-3-001d और 2019-3-013) के प्रमुख कार्यक्रम के सामान्य कार्यक्रम से अनुदान द्वारा समर्थित किया गया था ।
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).
