Login processing...

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

Cancer Research

생존 데이터를 위한 경쟁 위험 회귀 Nomogram 모델 설정

doi: 10.3791/60684 Published: October 23, 2020

Summary

여기에 제시된 Cox 비례 위험 회귀 모델과 경쟁 위험 회귀 모델을 기반으로 nomograms를 구축하는 프로토콜이 있습니다. 경쟁 방법은 생존 분석에 경쟁 이벤트가 있을 때 적용하는 보다 합리적인 방법입니다.

Abstract

카플란 마이어 방법과 콕스 비례 위험 회귀 모델은 생존 프레임 워크에서 가장 일반적인 분석입니다. 적용및 해석이 비교적 쉬우며 시각적으로 묘사할 수 있습니다. 그러나, 경쟁 이벤트(예: 심혈관 및 뇌혈관 사고, 치료 관련 사망, 교통사고)가 존재할 때, 표준 생존 방법은 신중하게 적용되어야 하며, 실제 데이터는 정확하게 해석될 수 없다. 실패로 이어질 수 있는 다양한 종류의 이벤트를 구별하고 분석에서 다르게 치료하는 것이 바람직할 수 있습니다. 여기서 메서드는 경쟁 회귀 모델을 사용하여 경쟁 이벤트가 있을 때 중요한 예후 요인 또는 위험 요소를 식별하는 데 중점을 둡니다. 또한, 비례 위험 회귀 모델과 경쟁 회귀 모델을 기반으로 한 nomograms는 임상의가 예후에 대한 논쟁의 여지가있는 요인의 영향을 설명하기 위해 개별 평가 및 위험 계층화를 할 수 있도록 하기 위해 설립됩니다.

Introduction

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

생존 분석을 이벤트하는 시간은 임상 연구에서 매우 일반적입니다. 생존 데이터는 관심있는 이벤트의 발생까지 시작 시간부터 시간 범위를 측정하지만 관심있는 이벤트의 발생은 종종 다른 이벤트에 의해 배제됩니다. 둘 이상의 종점이 있는 경우 경쟁 위험 종료 점이라고 합니다. 이 경우 표준 위험 분석(즉, Cox 비례 원인 별 위험 모델)은 다른 유형의 이벤트를 경험하는 개인이 검열되기 때문에 잘 작동하지 않는 경우가 많습니다. 경쟁 이벤트를 경험하는 개인은 경쟁 위험이 일반적으로 독립적이지 않기 때문에 종종 위험 설정에 남아 있습니다. 따라서, 미세 및 그레이1은 경쟁 위험의 하위 분포에 대한 회귀 모델 추정을 연구했다. 경쟁 위험 설정에서 세 가지 유형의 이벤트를 구분할 수 있습니다.

하나는 질병에 대한 새로운 치료 방법에서 직접적인 임상 혜택을 입증하여 전반적인 생존 (OS)을 측정합니다. OS는 기원 시점(즉, 진단 또는 치료 시간)에서 사망 시점까지의 생존 시간을 측정하고 일반적으로 사망의 절대 위험을 평가하여 사망의 원인을 구별하지 못하며 사망의 원인을 구별하지 못(예를 들어, 암 특이적 사망(CSD) 또는 비암 특이적 사망(non-CSD))2. 따라서 OS는 가장 중요한 엔드포인트로 간주됩니다. 관심의 사건은 종종 암 관련, 심장 질환을 포함 하는 비 암 특정 이벤트, 교통 사고 또는 다른 관련 없는 원인, 경쟁 이벤트 간주 됩니다. 더 오래 살아남을 것으로 예상되는 유리한 예후를 가진 악성 환자는 종종 비 CSD의 더 중대한 리스크에 있습니다. 즉, OS는 다른 사망 원인에 의해 희석되고 임상 치료의 실제 효과를 올바르게 해석하지 못합니다. 따라서, OS는 질병3의결과에 접근하기 위한 최적 측정이 아닐 수 있다. 이러한 편향은 경쟁 위험 회귀 모델에 의해 수정될 수 있습니다.

위험 데이터를 경쟁하기 위한 두 가지 주요 방법은 원인별 위험 모델(Cox 모델) 및 하위 배포 위험 모델(경쟁 모델)입니다. 다음 프로토콜에서는 원인별 위험 모델과 서브분배 위험 모델을 기반으로 nomograms를 생성하는 두 가지 방법을 제시합니다. 이벤트 이벤트가 발생했을 때 경쟁 이벤트를 검열한 피사체를 치료하는 Cox 비례 위험 모델에 맞게 원인별 위험 모델을 만들 수 있습니다. 1999년 Fine and Gray1이 도입한 서브배포 위험 모델에서는 세 가지 유형의 이벤트를 차별할 수 있으며, 경쟁 이벤트를 경험하는 개인은 영원히 위험에 처해 있습니다.

nomogram은 세 개 이상의 변수4사이의 관계의 수학적 표현이다. 의료 용 nomograms는 생물학적 및 임상 적 사건을 변수 (예를 들어, 종양 등급 및 환자 연령)로 간주하고 주어진 개인에 대한 통계 예후 모델로 그래픽으로 묘사되는 임상 이벤트 (예 : 암 재발 또는 죽음)의 확률을 생성합니다. 일반적으로,,노모그램은 Cox 비례 위험 모델5,6,7,,88,,9,910의결과에 기초하여 공식화된다.

그러나 경쟁 위험이 있을 때 Cox 모델을 기반으로 하는 nomogram이 잘 수행되지 못할 수 있습니다. CSD의확률을12,13,추정하기 위해 경쟁 위험 nomogram을 적용한 몇가지 이전연구가있지만, 경쟁 위험 회귀 모델을 기반으로 nomogram을 설정하는 방법을 설명한 연구는 거의 없으며 이를 달성하기 위해 사용할 수있는 기존 패키지가 없습니다. 따라서, 아래에 제시된 방법은 경쟁위험회귀 모델에 근거하여 특정 경쟁위험도 모모그램을 확립하는 단계별 프로토콜과 임상의의 치료 의사결정에 도움을 줄 위험점수 추정을 제공할 것이다.

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

연구 프로토콜은 진화병원, 절강대학교 의과대학 윤리위원회에 의해 승인되었다. 이 실험을 위해, 케이스는 감시, 역학 및 최종 결과 (SEER) 데이터베이스에서 얻어졌습니다. SEER은 인구 기반 암 레지스트리 18개에서 인구 통계, 발생률 및 생존 데이터를 포함하는 개방형 데이터베이스입니다. 우리는 SEER 웹 사이트에 등록하고 연구 데이터 (12296-Nov2018)를 취득하기 위한 보증서에 서명했습니다.

1. 데이터 원본

  1. 데이터베이스에서 서비스 케이스를 가져오고 레지스트리에서 사례를 사용할 수 있는 권한(있는 경우)을 가져옵니다.
    참고: 코호트 데이터는 보충 파일 1에업로드됩니다. 이미 경쟁 위험이 있는 생존 데이터가 있는 독자는 이 섹션을 건너뛸 수 있습니다.

2. 패키지 설치 및 로딩 및 데이터 가져오기

참고: 패키지 rms15 cmprsk16(http://www.r-project.org/)을 사용하여 R 소프트웨어(버전 3.5.3)를 기반으로 다음 절차를 수행합니다.

  1. RM 및 cmprsk R 패키지를 설치합니다.
    >install.packages ("rms")
    >install.packages("cmprsk")
  2. R 패키지를 로드합니다.
    >라이브러리("rms")
    >라이브러리("cmprsk")
  3. 코호트 데이터를 가져옵니다.
    >Dataset<-read.csv(".../코호트 Data.csv") # 코호트 데이터가 예입니다.

3. 콕스 비례 위험 회귀 모델을 기반으로 한 Nomogram

  1. 콕스 비례 위험 회귀 모델을 설정합니다.
    참고: 독립 변수(X)에는 범주변수(레이스와 같은 더미 변수) 및 연속 변수(예: 연령)가 포함됩니다. 단변 분석에서 중요한 요소는 다변수 해석에서 사용하기 위해 선택됩니다.
    1. Cox 비례 위험 모델을 데이터에 맞춥시게 합니다. 함수 Cph를 사용하여 Cox 비례 하드 회귀 모델을 설정합니다. R의 단순화된 형식은 다음과 같습니다.
      > f0 & lt;- cph (Surv (생존 개월, 상태) ~ factor1 + factor2 +...,
      x=T, y=T, surv=T, 데이터=데이터 집합)
      참고: 죽음은 예제 코드의 상태로 설정되었습니다.
  2. 아래에 설명된 명령을 사용하여 콕스 회귀 노모그램을 개발합니다.
    > nom & lt;- nomogram (f0, fun=목록 (기능 (x) surv (24, x)...), funlabel=c ("2 년 예측 생존율"...), maxscale=100, fun.at)
    > 플롯 (놈)
    참고: 2년 예측 생존율을 예로 들어 보겠습니다.

4. 경쟁 위험 회귀 모델을 기반으로 한 Nomogram

  1. 경쟁 위험 회귀 모델을 설정합니다.
    1. 경쟁 위험 회귀 모델에 적합합니다. 독자는 중요하다고 생각하는 요인을 포함 할 수 있으며,이 단계를 건너 뛸 수 있습니다. 이 예에서는 단변 분석에서 중요한 요인이 포함됩니다.
      참고: 검열 변수는 관심 있는 이벤트에 대해 1로 코딩되고 경쟁 위험 이벤트에 대해 2로 코딩됩니다. 분석을 용이하게 하기 위해, Scrucca외. 17은 요인으로부터 지표 변수의 매트릭스를 생성하는 R 함수 계수()를제공한다.
    2. 범주형 변수의 경우 경쟁 모델에 포함시킬 때 숫자로 신중하게 코딩합니다. 즉, J 레벨로 만든 범주변수의 경우 J-1 더미 변수 또는 지표 변수를 만듭니다.
    3. 경쟁 위험 회귀 모델을 설정하려면 1위 예후 변수를 행렬로 설정합니다. 함수 cbind()을 사용하여 열을 사용하여 변수를 결합하고 경쟁 회귀 모델에 맞춥니다.
      >x & lt&-cbind (factor2ind (factor1, "1"), factor2ind (factor2, "1")...)
      > mod<- crr (생존개월, 상태, 실패 코드=1 또는 2, cov1=x)
  2. 경쟁 된 nomogram 플롯
    참고: 베타 값(β 값)은 Cox 비례 위험 회귀 의 공식에서 바리에이트(X)의 회귀 계수입니다. X.score(종속 변수의 포괄적 효과)와 X.real(예를 들어, 60개월, 누적 발생 함수를 예측하기 위해)은 Cox 회귀 모델에서 계산된 다음, nomogram이 확립된다.
    1. 함수 nomogram을 사용하여 Cox nom을 생성합니다(3.2단계에 나열된 대로).
    2. 경쟁 위험 회귀 모델의 총 점, X.real 및 X.점수를 대체합니다.
      1. 기준선 cif를 가져옵니다., 즉 cif(분)입니다. 자세한 내용은 보충 파일 2를 참조하십시오.
        > x0=x
        > x0 & lt;- as.matrix (x0)
        > lhat & lt;- 매트릭스 (0, nrow = 길이 (mod$ uftime), ncol = nrow (x0))
        > (j in 1:nrow (x0)) lhat[, j] & lt;- cumsum (exp (합계 (x0[j, ] * 모드 $ coef)) * mod$ bfitj)
        > lhat & lt;- cbind (mod$ uftime, 1 - exp (-lhat))
        > suv&as.data.frame (lhat)
        > 상호 (suv)&-c ("시간")
        > line24<---(suv$시간="24")
        > cif.min24<&suv[line24,,이.min(suv[line24,])]
      2. X.베타 및 X.포인트를 교체합니다.
        > lmaxbeta<-max (복근(모드$coef))
        > 맥스베타&복근(모드$coef[lmaxbeta])
        > 레이스0<-0
        > 이름 (레이스0)<"레이스:1"
        > race.beta<c (race0, mod$coef[c("레이스:2","레이스:3")])
        > race.beta.min&race.beta[1.min(race.beta)]
        > race.beta1&race.beta-race.beta race.beta.min
        > race.scale<(race.beta1/maxbeta*100) # 스케일 계산 방법
        > nom$레이스$Xbeta<race.beta1
        > nom$레이스$포인트&race.scale
        참고: 예를 들어 인종을 예로 들어 보겠습니다.
      3. 총 X.포인트와 X.real을 교체합니다.
        > nom$total.points$x<c (0,50,100, ...)
        > real.2y<c (0.01,01,0.1,0.2,...)
        참고: 교체는 미니맥스 값에 따라 다릅니다.
      4. X.점수를 계산하고 nomogram을 플롯합니다.
        > 스코어.2y<-log(로그(1-real.2y),(1-cif.min24))/(maxbeta/100)
        > nom$'2 년 생존 '$x&점수.2y
        > nom$'2 년 생존 '$x.real<-real.2y
        > nom$'2 년 생존 '$fat&as.character (real.2y)
        > 플롯 (놈)
        참고: X.score=로그(로그(1-X.real), (1-cif0)))/(maxbeta/100). X.score 및 X.real 관계에 대한 방정식은 경쟁 모델(crr)의 본질적인 기여에 따라 계산할 수 있습니다. Cif0은 predict.crr 함수에 의해 계산되는 기준 cif를 의미합니다.

5. 그룹 위험 점수(GRS)를 기반으로 하는 하위 그룹 분석

  1. 위험 점수(RS) 계산
    참고: 모든 변수의 포인트를 합합하여 각 환자의 위험 점수를 계산합니다. 컷오프 값은 코호트를 분류하는 데 사용됩니다. 3개의 하위 그룹을 예로 들어, 패키지 메타를 사용하여 포리스트 플롯을 그립니다.
    1. R 패키지 설치 및 로드
      > 설치.패키지 ("메타")
      > 도서관("메타")
    2. GRS를 얻고 코호트를 3 개의 하위 그룹으로 나눕니다.
      > d1<데이터 세트
      > d1$X&nom$X$포인트
      > #For 예, d1$race[d1$race==1];&nom$레이스$포인트[1]
      > d1$RS&d1$레이스 + d1$히스토로지 + d1$등급수정 + d1$T분류 + d1$N분류
      > d1$GRS<-컷(d1$RS, 정량적(d1$RS, seq(0, 1,1/3)), 포함.최저 = TRUE, 레이블 = 1:3)
    3. 포리스트 플롯을 그립니다. 기능 crr를 통해 HR, LCI 및 UCI를 가져옵니다.
      > 하위 그룹 & lt;-crr (ftime, 상태, cov1, failcode=1)
      > HR&--요약(하위 그룹)$conf.int[1]
      > LCI<- 요약(하위 그룹)$conf.int[3]
      > UCI<- 요약(하위 그룹)$conf.int[4]
      > LABxx<&c ("낮은 위험", "중간 위험", "고위험")
      > xx<-메타겐(로그(HR), 낮은 = 로그(LCI), 상부 = 로그(UCI), 스터드랩 = LABxx, SM = "HR")
      > 숲 (xx, col.square = "블랙", hetstat =TRUE, 왼쪽 콜 = "스터드 랩")

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

실시예 코호트의 생존 특성
실시예 코호트에서는, 총 8,550명의 적격 환자가 분석에 포함되었고 중간 후속 시간은 88개월(범위, 1~95개월)이었다. 총 679명(7.94%) 환자는 40세 미만, 7,871명(92.06%) 환자는 40 세 이상이었습니다. 재판 종료 시 7,483명(87.52%) 환자는 여전히 살아 있었고, 662명(7.74%) 유방암으로 사망, 405 (4.74%) 환자는 그밖 원인 때문에 정지했습니다 (경쟁 위험).

두 생존 모델의 비교
종양 사망/종양 사망 및 경쟁 이벤트의 누적 발생률은 카플란 마이어 방법과 경쟁 위험 회귀 기능에 의해 각각 계산되었다(도 1에제시). 도 1에도시된 바와 같이, 카플란-마이어 방법에 의해 계산된 종양 사망및 종양 사망의 누적 발생률의 합은 경쟁 방법이 사용될 때 CSD의 누적 발생률과 동등한 모든 사망 원인의 추정치의 합보다 높았다. 분명히, 카플란 마이어 방법은 종양 죽음의 누적 부각과 종양 사망없음을 과대 평가했다. 경쟁 방법은 죽음의 확률의 과대 평가를 수정할 수 있습니다.

콕스 비례 위험 회귀 모델을 기반으로 한 Nomogram
nomogram은 도 2A표 1에표시된 중요한 요인을 기반으로 구성되었습니다. 여기에는 혼인 상태, 인종, 조직학 유형, 차별화된 등급, T 분류 및 N 분류가 포함됩니다.

경쟁 위험 회귀 모델을 기반으로 한 Nomogram
인종, 결혼 상태, 조직학 형, 차동 등급, T 분류 및 N 분류를 포함한 여러 요인에 기초한 경쟁 노모그램이 생성되었습니다(그림2B). 모델의 베타 계수는 스케일할당(표 1)에사용되었다.

위험 점수별 계층화 분석
위험 점수에 따라 코호트는 위험 점수가 낮은 세 가지 하위 그룹으로 분류되었습니다: 0-44; 중간 위험 점수: 45-85; 고위험 점수: 86-299. 포리스트 플롯은 GRS와 특정 계수(연령) 사이의 상호 작용을 명확하게 제시할 수있다(도 3). GRS 분류에 기초하여, 젊은 여자의 더 나쁜 예후는 저위험 하위 군에만 나타나고 젊은 나이는 중간 및 고위험 하위 집단에 있는 예후의 보호 요인으로 작용할 수 있습니다.

Figure 1
그림 1: 누적 누적 발생률 플롯입니다. K-M: 카플란 마이어 추정치에 따른 누적 발생률; CR: 누적 발생률 경쟁 위험 추정치에 기초한 누적 발생률; 종양 죽음 + 종양 사망 없음 (K-M): 암 특이적 사망 및 비암 특이적 사망의 누적 발생률추정합계; CSD + 비 CSD (CR): CR 방법이 사용될 때 암 특이적 사망 및 비암 특이적 사망의 추정치합계. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

Figure 2
그림 2: Cox 비례 위험 회귀 모델 및 경쟁 위험 회귀 모델의 Nomograms. (A)콕스 비례 위험 회귀 모델을 기반으로 한 노모그램. (B)경쟁 위험 회귀 모델을 기반으로 노모그램. nomograms의 적용을 위해 각 변수 축은 개별 위험 계수를 나타내며 위쪽으로 그려진 선은 각 변수의 점 측정에 사용됩니다. 이어서, 총점들은 2-, 3- 5년 암 특이적 생존 또는 누적 발생 기능(CIF)의 확률을 얻기 위해 계산된다. 레이스: 1=화이트, 2=블랙, 3=기타; 결혼 여부: 1=결혼, 2= 독신(결혼 또는 국내 파트너 없음), 3= 이혼(분리, 이혼, 미망인); 조직학적 유형: 1=잠입 덕트 암, 2= 잠입 소엽암, 3= 침투 덕트 및 소엽 암; 종양 등급: 1= 잘 분화, 2= 중간 분화; 3 = 가난한 차별화. T와 N 분류는 제7차 AJCC TNM 스테이징 시스템에 따른 것이다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

Figure 3
그림 3: 유방암을 가진 젊고 노인에 있는 유방암 특정 죽음의 확률에 대한 위험 점수에 의한 계층화 분석의 숲 플롯. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

(HR: 위험 비율)

변수 평점
(콕스 모델)
예상 확률성 평점
(경쟁 모델)
예상 확률성
레이스
1:화이트 10 4
2:블랙 32 31
3:기타 0 0
결혼 상태
1:결혼 0 0
2:미혼 9 5
3:이혼 37 15
조직학
1:아데노암 10 12
2:뮤신성 선암 8 5
3:신젯 링 세포 암 0 0
차등 등급
1:1학년 0 0
2:학년 II 6 36
3:학년 III 37 77
T 분류
1:T1 0 0
2:T2 41 50
3:T3 59 68
4:T4 100 98
N 분류a
00:00 0 0
1:0-3 17 42
2:3-6 43 65
3:6-12 74 100
총 점수
(2년 생존)
278 0.6 총 점수
(2년제 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
총 점수
(3년 생존)
281 0.4 총 점수
(3년 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
총 점수
(5년 생존)
303 0.1 총 점수
(5년 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 7차 AJCCth 스테이징 시스템에 따른 T 및 N 분류
CIF: 누적 발생률 기능

표 1: 비례 위험 회귀 모델 및 경쟁 위험 회귀 모델을 Cox에 따라 nomogram의 포인트 할당 및 예후 점수.

보충 파일 1. 이 파일을 다운로드하려면 여기를 클릭하십시오. 

보충 파일 2. 이 파일을 다운로드하려면 여기를 클릭하십시오. 

보충 파일 3. 이 파일을 다운로드하려면 여기를 클릭하십시오. 

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

현재 연구 결과의 전반적인 목표는 실제 질병을 기술할 수 있던 특정 경쟁 위험 nomogram를 설치하고 임상의가 처리 결정에 접근하는 편리한 개별 평가 모형을 개발하는 것이었습니다. 여기에서Cox 회귀 모델및 경쟁 위험 회귀 모델 및 하위 그룹 분석을 더욱 수행하기 위한 단계별 자습서를 제공합니다. Zhang et al.18은 경쟁 위험 nomogram을 만드는 접근 법을 도입했지만 논문에 설명 된 방법론의 주요 개념은 완전히 다릅니다. Zhang 외.의 방법은 먼저 mstate 패키지(19)의 crprep() 함수에 의해 가중된 데이터로 원본 데이터를 변환한 다음 rms 패키지에 의해 nomogram을 그렸습니다. rms 그러나 이 방법의 핵심 개념은 그것과 는 완전히 다릅니다. 간단히 말해서, 우리는 함수 crr의 결과로 Cph에 의해 생성 된 매개 변수를 교체한 다음 Cox nomogram의 프레임에 경쟁 위험 nomogram을 그립니다. 이 방법에서 Cox nomogram은 프레임과 비슷합니다.

암으로 더 긴 생존을 기대하는 유리한 예후를 가진 악성 환자는 비 암 특정 죽음의 더 중대한 리스크에 입니다. 그들의 OS는 그림 1에도시된 바와 같이 비 CSD의 발생률에 의해 크게 희석될 것이다. 단계 II결장암(13)을 가진 환자를 예로 들면, 카플란 마이어 방법에 따른 모든 사망 원인의 곡선을 생성하는 암의 원인을 고려하지 않으면, 이러한 곡선은 CSD의 누적 발생률이 아닌 비CSD의 누적 발생률에 크게 영향을 받을 것이다.

코바레의 평가를 위한 표준 Cox 모형은 확실히 부정확하고 편향된 결과로 이끌어 낼 것입니다 (예를 들면, 단계 II 결장암에 있는 화학요법을 위해13,화학요법은 OS를 위한 보호 인자이었습니다). 편견은 경쟁 위험 회귀 방법에 의해 수정 될 수있다, 특히 가장 오래된 하위 그룹에 대한 (화학 요법은 CSD에 대한 유해한 요인으로 정의됩니다). 비 CSD 이벤트는 특히 유리한 예후를 가진 사람들을 위해, 암을 가진 환자에 있는 무시할 수 없는 경쟁 리스크입니다.

그런 다음, 우리는 nomogram을 설치 한 후, 각 변수와 관련된 죽음의 확률은 nomogram에 점으로 제시되었다. 각 환자에 대한 위험 점수는 모든 변수의 포인트를 합산하여 계산되었습니다. 총 점수에 기초하여, 우리는 임상의가 임상 문제를 해결하는 데 도움이 될 수있는 예후에 대한 논란의 여지가있는 요인의 영향을 계층화하기 위해 코호트를 3 개의 하위 그룹 (낮음, 중간, 높음)으로 더 나눌 수 있습니다. 예를 들어 유방암에 대한 나이의 효과를 예로20. 초기 유방암 환자의 결과에 나이의 충격은 임상적으로 확립되지 않았고 논쟁의 여지가 있습니다. GRS 분류에 근거하여, 젊은 여자의 더 나쁜 예후는 저위험 및 중간 위험 하위 단에만 나타났고, 젊은 나이는 예후의 보호 요인으로 작용할 수 있습니다.

제한의 관점에서, 경쟁 위험 추정은 어떤 상황에서 경쟁을 통해 이어질 수있습니다 21. 예를 들면, 가난한 예후 (예: 향상된 악성 종양 또는 가난한 분화 췌장암과 같은) 및 큰 독성이 있는 질병은 필연적으로 비 CSD에 우세한 효력이 있을 것입니다. Cox 모델 또는 서브분포 비례회귀 모델(경쟁 위험)이 생존 분석에 적용되어야 하는지 여부를 신중하게 고려해야 합니다. 생존이 추정될 때 비 CSD 및 경쟁 이상 둘 다 주의 깊게 다루어야 합니다. 그 결과에 기초하여, 우리는 좋은 예후를 가진 질병및 노년기 환자를 위해, OS에 비 CSD의 충격은 다음 임상 시험에서 주의 깊게 고려되어야 한다는 것을 건의합니다. 경쟁 위험 모델을 기반으로 하는 CSD는 항상 기존 OS를 사용하는 대신 대안적인 끝점일 수 있습니다.

결론적으로, 우리는 다른 예후를 가진 악성 종양뿐 아니라 다른 단계를 가진 동일 질병이 적당한 끝점의 개별적인 선택을 요구할 수 있다는 것을 제안합니다. 추가적으로, 이 방법론은 위험을 정량화하기 위한 적당한 모형 (Cox 또는 경쟁 회귀 모형)에 근거를 둔 nomogram를 설치하는 것을 이용될 수 있었습니다, 이는 개별화한 지도에 추가로 이용될 수 있을 뿐만 아니라 임상 사례에서 임상 현상을 더 잘 설명할 수 있습니다.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

없음

Acknowledgments

이 연구는 저장성 자연과학재단(교부금 번호 LY19H160020)과 진화시과학기술국(교부금 번호 2016-3-005, 2018-3-001d, 2019-3-013)의 보조금으로 지원되었다.

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).
생존 데이터를 위한 경쟁 위험 회귀 Nomogram 모델 설정
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