Login processing...

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

Cancer Research

Definizione di un modello di nomogramma di regressione del rischio concorrente per i dati di sopravvivenza

doi: 10.3791/60684 Published: October 23, 2020

Summary

Qui è presentato un protocollo per costruire nomogrammi basati sul modello di regressione dei rischi proporzionali Cox e sul modello di regressione del rischio concorrente. Il metodo concorrente è un metodo più razionale da applicare quando gli eventi concorrenti sono presenti nell'analisi di sopravvivenza.

Abstract

Il metodo Kaplan-Meier e il modello di regressione dei rischi proporzionali Cox sono le analisi più comuni nel quadro di sopravvivenza. Questi sono relativamente facili da applicare e interpretare e possono essere raffigurati visivamente. Tuttavia, quando sono presenti eventi concorrenti (ad esempio incidenti cardiovascolari e cerebrovascolari, decessi correlati al trattamento, incidenti stradali), i metodi di sopravvivenza standard dovrebbero essere applicati con cautela e i dati reali non possono essere interpretati correttamente. Può essere opportuno distinguere diversi tipi di eventi che possono portare al fallimento e trattarli in modo diverso nell'analisi. In questo caso, i metodi si concentrano sull'utilizzo del modello di regressione concorrente per identificare fattori prognostici significativi o fattori di rischio quando sono presenti eventi concorrenti. Inoltre, vengono stabiliti nomogrammi basati su un modello di regressione del rischio proporzionale e un modello di regressione concorrente per aiutare i medici a effettuare valutazioni individuali e stratificazioni di rischio al fine di spiegare l'impatto di fattori controversi sulla prognosi.

Introduction

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

Il tempo per l'analisi di sopravvivenza degli eventi è abbastanza comune negli studi clinici. I dati di sopravvivenza misurano l'intervallo di tempo dall'ora di inizio fino al verificarsi dell'evento di interesse, ma il verificarsi dell'evento di interesse è spesso precluso da un altro evento. Se sono presenti più tipi di punto finale, vengono chiamati punti finali dei rischi concorrenti. In questo caso, l'analisi standard dei rischi (ad esempio, il modello di rischi specifici per la causa proporzionale Cox) spesso non funziona bene perché gli individui che sperimentano un altro tipo di evento sono censurati. Gli individui che sperimentano un evento concorrente spesso rimangono nel set di rischio, in quanto i rischi concorrenti di solito non sono indipendenti. Pertanto, Fine e Grigio1 hanno studiato la stima del modello di regressione per la sottose distribuzione di un rischio concorrente. In un ambiente di rischio concorrente, tre diversi tipi di eventi possono essere discriminati.

Uno misura la sopravvivenza globale (OS) dimostrando un beneficio clinico diretto da nuovi metodi di trattamento per una malattia. Il sistema operativo misura il tempo di sopravvivenza dal momento dell'origine (ad esempio, il momento della diagnosi o del trattamento) al momento del decesso a causa di qualsiasi causa e generalmente valuta il rischio assoluto di morte, non differenziando così le cause di morte (ad esempio, la morte specifica per il cancro (CSD) o la morte non specifica del cancro (non CSD))2. Il sistema operativo è pertanto considerato come l'endpoint più importante. Gli eventi di interesse sono spesso correlati al cancro, mentre gli eventi non specifici del cancro, che includono malattie cardiache, incidenti stradali o altre cause non correlate, sono considerati eventi concorrenti. I pazienti maligni con una prognosi favorevole, che dovrebbero sopravvivere più a lungo, sono spesso a maggior rischio di non-CSD. Vale a dire, il sistema operativo sarà diluito da altre cause di morte e non riescono a interpretare correttamente la reale efficacia del trattamento clinico. Pertanto, il sistema operativo potrebbe non essere la misura ottimale per l'accesso ai risultati della malattia3. Tali distorsioni potrebbero essere corrette dal modello di regressione del rischio concorrente.

Esistono due metodi principali per i dati di rischio concorrenti: modelli di rischio specifici per la causa (modelli Cox) e modelli di rischio di subdistribuzione (modelli concorrenti). Nel seguente protocollo vengono presenti due metodi per generare nomogrammi in base al modello di pericolo specifico della causa e al modello di rischio di sottodistribuzione. Il modello di pericolo specifico della causa può essere realizzato per adattarsi al modello dei pericoli proporzionali Cox, che tratta i soggetti che sperimentano l'evento concorrente come censurati nel momento in cui si è verificato l'evento concorrente. Nel modello di rischio di subdistribuzione introdotto da Fine e Gray1 nel 1999, tre diversi tipi di eventi possono essere discriminati e gli individui che sperimentano un evento concorrente rimangono a rischio impostato per sempre.

Un nomogramma è una rappresentazione matematica della relazione tra tre o più variabili4. I nomogrammi medici considerano l'evento biologico e clinico come variabili (ad esempio, il grado del tumore e l'età del paziente) e generano probabilità di un evento clinico (ad esempio, recidiva del cancro o morte) che è raffigurato graficamente come un modello prognostico statistico per un dato individuo. Generalmente, un nomogramma viene formulato in base ai risultati del modello di pericoli proporzionali Cox5,6,7,8,9,10.

Tuttavia, quando sono presenti rischi concorrenti, un nomogramma basato sul modello Cox potrebbe non funzionare bene. Anche se diversi studiprecedenti 11,12,13,14 hanno applicato il nomogramma di rischio concorrente per stimare la probabilità di CSD, pochi studi hanno descritto come stabilire il nomogramma basato su un modello di regressione del rischio concorrente, e non esiste alcun pacchetto esistente disponibile per raggiungere questo obiettivo. Pertanto, il metodo presentato di seguito fornirà un protocollo passo-passo per stabilire un nomogramma a rischio concorrente specifico basato su un modello di regressione del rischio concorrente e una stima del punteggio di rischio per aiutare i medici nel processo decisionale di trattamento.

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

Il protocollo di ricerca è stato approvato dal Comitato Etico dell'Ospedale Jinhua, scuola di medicina dell'Università di zhejiang. Per questo esperimento, i casi sono stati ottenuti dal database Surveillance, Epidemiology, and End Results (SEER). SEER è un database ad accesso aperto che include dati demografici, di incidenza e di sopravvivenza provenienti da 18 registri oncologici basati sulla popolazione. Ci siamo registrati sul sito web del SEER e abbiamo firmato una lettera di garanzia per acquisire i dati di ricerca (12296-Nov2018).

1. Fonte dati

  1. Ottenere casi dai database e l'autorizzazione (se presente) per utilizzare i casi dai registri.
    NOTA: i dati della coorte vengono caricati nel file supplementare 1. I lettori che hanno già dati di sopravvivenza con rischi concorrenti possono saltare questa sezione.

2. Installazione e caricamento dei pacchetti e importazione dei dati

NOTA: eseguire le procedure seguenti basate sul software R (versione 3.5.3) utilizzando i pacchetti rms15 e cmprsk16 (http://www.r-project.org/).

  1. Installare i pacchetti rms e cmprsk R.
    >install.packages("rms")
    >install.packages("cmprsk")
  2. Caricare i pacchetti R.
    >libreria("rms")
    >library("cmprsk")
  3. Importare i dati della coorte.
    >Dataset<-read.csv(".../Cohort Data.csv") - l'esempio è data di coorte

3. Nomogramma basato sul modello Cox Proportional Hazards Regression

  1. Stabilire il modello Cox Proportional Hazards Regression.
    NOTA: le variabili indipendenti (X) includono variabili categoriche (variabili fittizie, come la razza) e variabili continue (come l'età). I fattori significativi nell'analisi inivariabile saranno selezionati per l'uso nell'analisi multivariabile.
    1. Adattare il modello di pericoli proporzionali Cox ai dati. Stabilire il modello di regressione hard proporzionale Cox utilizzando la funzione cph. Il formato semplificato in R è mostrato di seguito:
      > f0 <- cph(Surv(Survivalmonths, status) : factor1
      x:T, y,T, surv,T, dati,Dataset)
      NOTA: la morte è stata impostata come stato nel codice di esempio.
  2. Sviluppare un Nomogramma di regressione Cox utilizzando i comandi descritti di seguito.
    > nom <- nomogramma(f0, fun-list(function(x) surv(24, x)...), funlabel -c("2-year predicted survival rate"...), maxscale -100, fun.at)
    > trama (nom)
    NOTA: prendiamo come esempio il tasso di sopravvivenza previsto a 2 anni.

4. Nomogramma basato sul modello di regressione del rischio concorrente

  1. Stabilire il modello di regressione del rischio concorrente.
    1. Adattare il modello di regressione del rischio concorrente. I lettori potrebbero includere i fattori che considerano importanti, questo passaggio potrebbe essere saltato. Nell'esempio sono inclusi i fattori significativi nell'analisi inivariabile.
      NOTA: la variabile di censura è codificata come 1 per l'evento di interesse e come 2 per l'evento di rischio concorrente. Per facilitare l'analisi, Scrucca et al.17 forniscono una funzione R factor2ind(), che crea una matrice di variabili indicatore da un fattore.
    2. Per le variabili categoriche, codificarle attentamente numericamente quando vengono incluse nel modello concorrente. Vale a dire, per una variabile categorica fatta di livelli J, creare J-1 variabili fittizie o variabili indicatore.
    3. Per stabilire un modello di regressione del rischio concorrente, inserire innanzitutto le variabili prognostiche in una matrice. Utilizzare la funzione cbind() per concatenare le variabili per colonne e adattarle al modello di regressione concorrente.
      >x <-cbind(fattore2ind(fattore1, "1"), fattore2ind(fattore2, "1")..)
      > mod<- crr (Survivalmonths, fstatus, failcode 1 o 2, cov1-x)
  2. Tracciare il nomogramma concorrente
    NOTA: il valore beta (β valore) è il coefficiente di regressione di una variabile (X) nella formula della regressione dei pericoli proporzionali Cox. Gli X.score (effetto completo della variabile dipendente) e X.real (in punti di tempo speciali, ad esempio 60 mesi, per stimare la funzione di incidenza cumulativa) vengono calcolati dal modello di regressione Cox e quindi viene stabilito un nomogramma.
    1. Utilizzare la funzione nomogram per costruire Cox nom (come elencato nel passaggio 3.2).
    2. Sostituire X.beta e X.point e total.points, X.real e X.score del modello di regressione del rischio concorrente.
      1. Ottenere il cif di base, che è cif(min). Per informazioni dettagliate, vedere File supplementare 2.
        > x0 x
        > x0 <- as.matrix(x0)
        > lhat <- matrice(0, nrow e lunghezza (mod-uftime), ncol : nrow(x0))
        > per (j in 1:nrow(x0)) lhat[, j] <- cumsum(exp(sum(x0[j, ]
        > lhat <- cbind(mod-uftime, 1 - exp(-lhat))
        > suv<-as.data.frame(lhat)
        > colnames(suv)<- c("time")
        > linea24<-che(suv-time'"24")
        > cif.min24<-suv[linea24,che.min(suv[linea24,])]
      2. Sostituire X.beta e X.point.
        > lmaxbeta<-che.max(abs(mod-coef))
        > maxbeta<-abs(mod-coef[lmaxbeta])
        > race0<-0
        > nomi(race0)<-"race:1"
        > race.beta<-c(race0,mod-coef[c("race:2","race:3")])
        > race.beta.min<-race.beta[che.min(race.beta)]
        > race.beta1<-race.beta-race.beta.min
        > race.scale<-(race.beta1/maxbeta-100) - come viene calcolata la scala
        > nom-Race-Xbeta<-race.beta1
        > nom-Race-points<-race.scale
        NOTA: Prendere gara come esempio.
      3. Sostituire il punto X.point totale e X.real.
        > nom-total.points x<-c(0,50,100, ...)
        > reale.2y<-c(0.01,0.1,0.2,...)
        NOTA: le sostituzioni sono in base al valore minimax.
      4. Calcolare il punteggio X.score e tracciare il nomogramma.
        > punteggio.2y<-log(log((1-real.2y),(1-cif.min24))))/(maxbeta/100)
        > nom'2 anni di sopravvivenza'$x<-score.2y
        > nom'2 anni di sopravvivenza'$x.real<-real.2y
        > nom-'2-year survival'$fat<-as.character(real.2y)
        > plot(nom)
        NOTA: X.score-log(log((1-X.real),(1-cif0)))/(maxbeta/100). Le equazioni per la relazione X.score e X.real possono essere calcolate in base all'attribuzione intrinseca del modello concorrente (crr). Cif0 significa cif di base, che verrà calcolato dalla funzione predict.crr.

5. Analisi del sottogruppo basata sul punteggio di rischio di gruppo (GRS)

  1. Calcolare il punteggio di rischio (RS)
    NOTA: calcolare il punteggio di rischio per ogni paziente sommando i punti di ogni variabile. I valori di cut-off vengono utilizzati per classificare la coorte. Prendendo 3 sottogruppi come esempio, utilizzare il meta del pacchetto per disegnare un grafico della foresta.
    1. Installare e caricare i pacchetti R
      > install.packages("meta")
      > library("meta")
    2. Ottenere il GRS e dividere la coorte in 3 sottogruppi.
      > d1<-Dataset
      > d1-X<-nom-X-punti
      > #For esempio, d1 ' gara[d1 'race'1]<-nom'race-point[1]
      > d1 RS<-d1'race - d1 - marry , d1 , histologia , d1 , grademodify , D1 , Tclassification , D1 , Nclassification
      > d1-GRS<- cut(d1'RS, quantile(d1'RS, seq(0, 1,1/3)), include.lowest : TRUE, etichette : 1:3)
    3. Disegnare il grafico della foresta. Ottenere le risorse umane, LCI e UCI tramite la funzione crr.
      > sottogruppo<-crr(ftime, fstatus, cov1, failcode-1)
      > HR<- summary(sottogruppo)$conf.int[1]
      > LCI<- summary(sottogruppo)$conf.int[3]
      > UCI<- summary(sottogruppo)$conf.int[4]
      > LABxx<-c("Rischio basso", "Rischio mediano", "Rischio elevato")
      > xx<-metagen(log(HR), inferiore : log(LCI), superiore - log(UCI), studlab - LABxx, sm - "HR")
      > forest(xx, col.square - "black", 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

Caratteristiche di sopravvivenza della coorte di esempio
Nella coorte di esempio, un totale di 8.550 pazienti idonei sono stati inclusi nell'analisi e il tempo medio di follow-up è stato di 88 mesi (intervallo, da 1 a 95 mesi). Un totale di 679 (7,94%) pazienti avevano meno di 40 anni e 7.871 (92,06%) pazienti avevano più di 40 anni. Al termine del processo, 7.483 (87,52%) pazienti erano ancora vivi, 662 (7,74%) a causa di un cancro al seno, e 405 (4,74%) pazienti sono morti a causa di altre cause (rischi concorrenti).

Confronto tra due modelli di sopravvivenza
Le incidenze cumulative di morte tumorale/nessuna morte tumorale e eventi concorrenti sono state calcolate rispettivamente dal metodo Kaplan-Meier e dalla funzione di regressione del rischio concorrente (presentata nella Figura 1). Come mostrato nella Figura 1, la somma delle incidenze cumulative di morte tumorale e nessuna morte tumorale calcolata dal metodo Kaplan-Meier era superiore alla somma delle stime di tutte le cause di morte, che era uguale all'incidenza cumulativa di CSD quando è stato utilizzato il metodo concorrente. Chiaramente, il metodo Kaplan-Meier ha sopravvalutato l'incidenza cumulativa della morte tumorale e nessuna morte tumorale. Il metodo concorrente potrebbe correggere la sua sopravvalutazione della probabilità di morte.

Nomogramma basato sul modello di regressione dei rischi proporzionali Cox
È stato creato un nomogramma in base a fattori significativi, come illustrato nella Figura 2A e nella Tabella 1. Questo includeva lo stato civile, la razza, il tipo irologico, il grado differenziato, la classificazione T e la classificazione N.

Nomogramma basato sul modello di regressione del rischio concorrente
È stato costruito un nomogramma concorrente basato su più fattori, tra cui razza, stato civile, tipo istologico, grado differenziale, classificazione T e classificazione N (Figura 2B). I beta-coefficienti del modello sono stati utilizzati per l'allocazione della scala (Tabella 1).

Analisi della stratificazione in base al punteggio di rischio
Sulla base del punteggio di rischio, la coorte è stata classificata in tre sottogruppi: punteggio a basso rischio: 0-44; punteggio medio di rischio: 45-85; e punteggio ad alto rischio: 86-299. Il grafico forestale potrebbe presentare chiaramente l'interazione tra il GRS e il fattore specifico (età) (Figura 3). Sulla base della classificazione GRS, la prognosi peggiore delle giovani donne è apparsa solo nel sottogruppo a basso rischio e la giovane età può fungere da fattore protettivo di prognosi nei sottogruppi a medio e alto rischio.

Figure 1
Figura 1: grafico di incidenza cumulativa in pila. K-M: Incidenze cumulative basate su stime Kaplan-Meier; CR: Incidenza cumulativa basata su stime di rischio concorrente di incidenza cumulativa; Morte tumorale - nessuna morte tumorale (K-M): somma delle stime dell'incidenza cumulativa di morte specifica per cancro e morte specifica non tumorale; CSD - non-CSD (CR): somma delle stime di morte specifica per il cancro e morte non specifica per il cancro quando è stato utilizzato il metodo CR. Si prega di fare clic qui per visualizzare una versione più grande di questa figura.

Figure 2
Figura 2: Nomogrammi del modello di regressione dei rischi proporzionali Cox e del modello di regressione del rischio concorrente. (A) Nomogramma basato sul modello di regressione dei pericoli proporzionali Cox. (B) Nomogramma basato sul modello di regressione del rischio concorrente. Per l'applicazione dei nomogrammi, ogni asse variabile mostra un singolo fattore di rischio e la linea tracciata verso l'alto viene utilizzata per la determinazione dei punti di ciascuna variabile. Quindi, i punti totali vengono calcolati per ottenere la probabilità di sopravvivenza a 2, 3 e 5 anni specifica del cancro o funzione di incidenza cumulativa (CIF). Gara: 1-bianco, 2- nero, 3-altro; Stato civile: 1 sposato, due single (mai sposato o partner domestico), 3o divorziato (separato, divorziato, vedovo); Tipo itologico: 1-cancro del condotto infiltrativo, 2 o più cancro lobulare infiltrativo, 3 o più condotto infiltrativo e carcinoma lobulare; Grado tumorale: 1 o più ben differenziazione, 2 o più differenziazione moderata; 3 o scarsa differenziazione. La classificazione T e N era secondo il 7o sistema di staging AJCC TNM. Si prega di fare clic qui per visualizzare una versione più grande di questa figura.

Figure 3
Figura 3: Trama forestale dell'analisi della stratificazione in base al punteggio di rischio per la probabilità di morte specifica per il cancro al seno nelle donne più giovani e anziane con cancro al seno. Si prega di fare clic qui per visualizzare una versione più grande di questa figura.

(HR: rapporto di pericolo)

Variabili Punteggio
(Modello Cox)
Probility stimata Punteggio
(Modello concorrente)
Probility stimata
Gara
1:Bianco 10 4
2:Nero 32 31
3:Altro 0 0
Stato civile
1:Sposato 0 0
2:Non sposati 9 5
3:Divorziato 37 15
Istologia
1:Adenocarcinoma 10 12
2:Mucinous adenocarcinoma 8 5
3:Singet ad anello a cellule carcinoma 0 0
Grado differenziale
1:Grado I 0 0
2:Grado II 6 36
3:Grado III 37 77
T classificazionea
1:T1 0 0
2:T2 41 50
3:T3 59 68
4:T4 100 98
N classificazionea
00:00 0 0
1:0-3 17 42
2:3-6 43 65
3:6-12 74 100
Punteggio totale
(2 anni di sopravvivenza)
278 0.6 Punteggio totale
(CIF di 2 anni)
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
Punteggio totale
(3 anni di sopravvivenza)
281 0.4 Punteggio totale
(CIF di 3 anni)
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
Punteggio totale
(Sopravvivenza di 5 anni)
303 0.1 Punteggio totale
(CIF di 5 anni)
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 Classificazione T e N secondo il7o sistema di gestione temporanea AJCC
CIF: Funzione di incidenza cumulativa

Tabella 1: Assegnazione dei punti e punteggio prognostico nel nomogramma basato su Cox, il modello di regressione dei pericoli proporzionali e il modello di regressione del rischio concorrente.

File supplementare 1. Clicca qui per scaricare questo file. 

File supplementare 2. Clicca qui per scaricare questo file. 

File supplementare 3. Clicca qui per scaricare questo file. 

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

L'obiettivo generale dello studio attuale era quello di stabilire uno specifico nomogramma a rischio concorrente che potesse descrivere le malattie del mondo reale e di sviluppare un modello di valutazione individuale conveniente per i medici per affrontare le decisioni di trattamento. Qui, forniamo un'esercitazione dettagliata per stabilire nomogrammi basati sul modello di regressione Cox e sul modello di regressione del rischio concorrente e per eseguire ulteriormente l'analisi dei sottogruppi. Il 18 ha introdotto un approccio per creare un nomogramma a rischio concorrente, ma il concetto principale della metodologia descritta nel documento è totalmente diverso. I metodi di hanno prima trasformato i dati originali in dati ponderati dalla funzione crprep() nel pacchetto mstate 19,quindi hanno disegnato il nomogramma dal pacchetto rms. Tuttavia, il concetto di base del metodo è totalmente diverso da quello. In poche parole, sostituiamo i parametri generati da cph con il risultato della funzione crr e poi disegniamo un nomogramma a rischio concorrente nel telaio del nomogramma Cox. In questo metodo, il nomogramma Cox è più simile a una cornice.

I pazienti maligni con una prognosi favorevole che dovrebbero avere una sopravvivenza più lunga con il cancro sono ad un rischio maggiore di morte non specifica del cancro. Il loro sistema operativo sarà in gran parte diluito dall'incidenza di non-CSD, come mostrato nella Figura 1. Prendendo come esempio i pazienti con cancro del colon di stadio II13, se non prendiamo in considerazione le cause del cancro nella generazione di curve di tutte le cause di morte secondo il metodo Kaplan-Meier, tali curve sarebbero in gran parte influenzate dall'incidenza cumulativa di non-CSD piuttosto che dall'incidenza cumulativa di CSD.

Il modello Cox standard per la valutazione dei covariati porterebbe sicuramente a risultati errati e di parte (ad esempio, per la chemioterapia nello stadio II del cancro del colon13,la chemioterapia era un fattore protettivo per il sistema operativo). La distorsione potrebbe essere corretta dal metodo di regressione del rischio concorrente, in particolare per il sottogruppo più antico (la chemioterapia sarà definita come un fattore dannoso per la CSD). L'evento non CSD è un rischio concorrente non trascurabile nei pazienti con cancro, soprattutto per quelli con prognosi favorevole.

Poi, dopo aver stabilito un nomogramma, la probabilità di morte in associato ad ogni variabile è stato presentato come un punto sul nomogramma. Il punteggio di rischio per ogni paziente è stato calcolato sommando i punti di tutte le variabili. Sulla base del punteggio totale, possiamo dividere ulteriormente la coorte in tre sottogruppi (basso, medio, alto) per stratificare l'impatto di fattori controversi sulla prognosi, che potrebbero essere utili per i medici per risolvere problemi clinici. Prendere l'effetto dell'età sul cancro al seno come esempio20. L'impatto dell'età sugli esiti dei pazienti con cancro al seno precoce non è stato clinicamente stabilito ed è controverso. Sulla base della classificazione GRS, la prognosi peggiore delle giovani donne è apparsa solo nei sottogruppi a basso e medio rischio, e la giovane età può fungere da fattore protettivo di prognosi.

In termini di limitazioni, la stima del rischio concorrente potrebbe portare a una concorrenza superiore in alcune situazioni21. Ad esempio, le malattie con prognosi infausta (come tumori maligni avanzati o un cancro al pancreas differenziato scarso) e grandi tossicità avranno inevitabilmente effetti predominanti sulla non-CSD. Se il modello Cox o il modello di regressione proporzionale di subdistribuzione (rischio concorrente) debba essere applicato nell'analisi della sopravvivenza deve essere attentamente considerato. Sia la concorrenza non CSD che la concorrenza deve essere affrontata con attenzione quando si stima la sopravvivenza. Sulla base dei risultati, proponiamo che per le malattie con una buona prognosi e i pazienti con vecchiaia, l'impatto della non-CSD sul sistema operativo dovrebbe essere attentamente considerato nei futuri studi clinici. CSD, che si basa su un modello di rischio concorrente, può essere un endpoint alternativo invece di utilizzare sempre il sistema operativo tradizionale.

In conclusione, proponiamo che non solo i tumori maligni con prognosi diversa, ma anche la stessa malattia con fasi diverse potrebbero richiedere la scelta individuale di un endpoint appropriato. Inoltre, questa metodologia potrebbe essere utilizzata per stabilire un nomogramma basato sul modello corretto (Cox o modello di regressione concorrente) per quantificare il rischio, che può essere ulteriormente utilizzato per una guida individualizzata e spiegare meglio i fenomeni clinici nella pratica clinica.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Nessuno

Acknowledgments

Lo studio è stato sostenuto da sovvenzioni del programma generale della Fondazione di Scienze Naturali della Provincia di zhejiang (numero di sovvenzione LY19H160020) e dal programma chiave del Jinhua Municipal Science & Technology Bureau (numero di sovvenzione 2016-3-005, 2018-3-001d e 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).
Definizione di un modello di nomogramma di regressione del rischio concorrente per i dati di sopravvivenza
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