Login processing...

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

Cancer Research

Establecimiento de un modelo de nomograma de regresión de riesgo competitivo para los datos de supervivencia

doi: 10.3791/60684 Published: October 23, 2020

Summary

Aquí se presenta un protocolo para construir nomogramas basado en el modelo de regresión proporcional de peligros de Cox y el modelo de regresión de riesgo de la competencia. El método de competencia es un método más racional para aplicar cuando los eventos de la competencia están presentes en el análisis de supervivencia.

Abstract

El método Kaplan-Meier y el modelo de regresión proporcional de riesgos de Cox son los análisis más comunes en el marco de supervivencia. Estos son relativamente fáciles de aplicar e interpretar y se pueden representar visualmente. Sin embargo, cuando hay eventos de la competencia (por ejemplo, accidentes cardiovasculares y cerebrovasculares, muertes relacionadas con el tratamiento, accidentes de tráfico), los métodos de supervivencia estándar deben aplicarse con precaución y los datos del mundo real no pueden interpretarse correctamente. Puede ser deseable distinguir diferentes tipos de eventos que pueden conducir al fracaso y tratarlos de manera diferente en el análisis. Aquí, los métodos se centran en el uso del modelo de regresión de la competencia para identificar factores de pronóstico significativos o factores de riesgo cuando hay eventos competidores. Además, se establecen nomogramas basados en un modelo de regresión proporcional al peligro y un modelo de regresión competidor para ayudar a los médicos a realizar evaluaciones individuales y estratificaciones de riesgo con el fin de explicar el impacto de factores controvertidos en el pronóstico.

Introduction

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

El análisis de supervivencia del tiempo para eventos es bastante común en los estudios clínicos. Los datos de supervivencia miden el intervalo de tiempo desde la hora de inicio hasta la aparición del evento de interés, pero la ocurrencia del evento de interés a menudo está excluida por otro evento. Si hay más de un tipo de punto final, se denominan puntos finales de riesgos de competencia. En este caso, el análisis de peligro estándar (es decir, el modelo de riesgos proporcionales de la causa de Cox) a menudo no funciona bien porque las personas que experimentan otro tipo de evento están censuradas. Las personas que experimentan un evento de la competencia a menudo permanecen en el conjunto de riesgos, ya que los riesgos de la competencia generalmente no son independientes. Por lo tanto, Fine y Gray1 estudiaron la estimación del modelo de regresión para la sub distribución de un riesgo competidor. En un entorno de riesgo competidor, se pueden discriminar tres tipos diferentes de eventos.

Uno mide la supervivencia global (SS) mediante la demostración de un beneficio clínico directo de los nuevos métodos de tratamiento para una enfermedad. El sistema operativo mide el tiempo de supervivencia desde el momento de origen (es decir, el momento del diagnóstico o tratamiento) hasta el momento de la muerte debido a cualquier causa y, en general, evalúa el riesgo absoluto de muerte, sin diferenciar así las causas de muerte (por ejemplo, muerte específica del cáncer (CSD) o muerte no específica del cáncer (no ECS))2. Por lo tanto, el sistema operativo se considera como el punto de conexión más importante. Los eventos de interés a menudo están relacionados con el cáncer, mientras que los eventos no específicos del cáncer, que incluyen enfermedades cardíacas, accidentes de tráfico u otras causas no relacionadas, se consideran eventos de la competencia. Los pacientes malignos con un pronóstico favorable, que se espera que sobrevivan más tiempo, a menudo corren un mayor riesgo de no DCV. Es decir, el sistema operativo se diluirá por otras causas de muerte y no interpreta correctamente la eficacia real del tratamiento clínico. Por lo tanto, el sistema operativo puede no ser la medida óptima para acceder a los resultados de la enfermedad3. Estos sesgos podrían ser corregidos por el modelo de regresión de riesgo de la competencia.

Existen dos métodos principales para los datos de riesgo de la competencia: modelos de peligro específicos de la causa (modelos Cox) y modelos de peligro de subdistribución (modelos de la competencia). En el siguiente protocolo, presentamos dos métodos para generar nomogramas basados en el modelo de peligro específico de la causa y el modelo de peligro de subdistribución. El modelo de peligro específico de la causa se puede hacer para encajar en el modelo de peligros proporcionales de Cox, que trata a los sujetos que experimentan el evento de la competencia como censurados en el momento en que ocurrió el evento de la competencia. En el modelo de peligro de subdistribución introducido por Fine y Gray1 en 1999, tres tipos diferentes de eventos pueden ser discriminados, y las personas que experimentan un evento competidor permanecen en el riesgo establecido para siempre.

Un nomograma es una representación matemática de la relación entre tres o más variables4. Los nomogramas médicos consideran el evento biológico y clínico como variables (por ejemplo, grado tumoral y edad del paciente) y generan probabilidades de un evento clínico (por ejemplo, recurrencia del cáncer o muerte) que se representa gráficamente como un modelo de pronóstico estadístico para un individuo determinado. Generalmente, un nomograma se formula sobre la base de los resultados de los peligros proporcionales de Cox modelo5,6,7,8,9,10.

Sin embargo, cuando hay riesgos de la competencia, un nomograma basado en el modelo Cox podría no funcionar bien. Aunque varios estudios anteriores11,12,13,14 han aplicado el nomograma de riesgo de la competencia para estimar la probabilidad de DCM, pocos estudios han descrito cómo establecer el nomograma basado en un modelo de riesgo de regresión competidora, y no hay ningún paquete existente disponible para lograr esto. Por lo tanto, el método que se presenta a continuación proporcionará un protocolo paso a paso para establecer un nomograma específico de riesgo de la competencia basado en un modelo de regresión de riesgo competidor, así como una estimación de la puntuación de riesgo para ayudar a los médicos en la toma de decisiones de tratamiento.

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

El protocolo de investigación fue aprobado por el Comité de ética del Hospital Jinhua, Escuela de Medicina de la Universidad de Zhejiang. Para este experimento, los casos se obtuvieron de la base de datos de Vigilancia, Epidemiología y Resultados Finales (SEER). SEER es una base de datos de acceso abierto que incluye datos demográficos, de incidencia y de supervivencia de 18 registros de cáncer basados en la población. Nos registramos en el sitio web del SEER y firmamos una carta de garantía para adquirir los datos de investigación (12296-nov2018).

1. Fuente de datos

  1. Obtenga casos de las bases de datos, así como permiso (si existe) para usar los casos de los registros.
    NOTA: Los datos de la cohorte se cargan en el archivo suplementario 1. Los lectores que ya tienen datos de supervivencia con riesgos de la competencia pueden omitir esta sección.

2. Instalación y carga de paquetes e importación de datos

NOTA: Realice los siguientes procedimientos basados en el software R (versión 3.5.3) utilizando los paquetes rms15 y cmprsk16 (http://www.r-project.org/).

  1. Instale los paquetes rms y cmprsk R.
    >install.packages("rms")
    >install.packages("cmprsk")
  2. Cargue los paquetes de R.
    >biblioteca("rms")
    >biblioteca("cmprsk")
  3. Importe los datos de la cohorte.
    >Dataset<-read.csv(".../Cohort Data.csv") - datos de cohortes es el ejemplo

3. Nomograma basado en el modelo de regresión proporcional de riesgos de Cox

  1. Establezca el modelo de regresión proporcional de peligros de Cox.
    NOTA: Las variables independientes (X) incluyen variables categóricas (variables ficticias, como raza) y variables continuas (como la edad). Los factores significativos en el análisis univariable se seleccionarán para su uso en análisis multivariable.
    1. Ajuste el modelo de peligros proporcionales de Cox a los datos. Establezca el modelo de regresión dura proporcional de Cox utilizando la función cph. El formato simplificado en R se muestra a continuación:
      > f0 <- cph(Surv(Survivalmonths, status) - factor1+ factor2+...,
      x-T, y-T, surv-T, data-Dataset)
      NOTA: La muerte se estableció como el estado en el código de ejemplo.
  2. Desarrolle un Nomograma de Regresión Cox utilizando los comandos detallados a continuación.
    > nom <- nomogram(f0, fun-list(function(x) surv(24, x)...), funlabel-c("Tasa de supervivencia pronosticada de 2 años"...), maxscale-100, fun.at)
    > parcela (nom)
    NOTA: Tome como ejemplo la tasa de supervivencia pronosticada de 2 años.

4. Nomograma basado en el Modelo de Regresión de Riesgo Competitivo

  1. Establezca el Modelo de Regresión de Riesgo Competitivo.
    1. Ajustar el modelo de regresión de riesgo de la competencia. Los lectores podrían incluir los factores que consideran importantes, este paso podría omitirse. En el ejemplo, se incluyen los factores significativos en el análisis univariable.
      NOTA: La variable de censura se codifica como 1 para el evento de interés y como 2 para el evento de riesgo de la competencia. Para facilitar el análisis, Scrucca y17 proporcionan una función R factor2ind(), que crea una matriz de variables indicadoras a partir de un factor.
    2. Para las variables categóricas, codificarlas cuidadosamente numéricamente al incluirlas en el modelo de la competencia. Es decir, para una variable categórica formada por niveles J, cree variables ficticias J-1 o variables de indicador.
    3. Para establecer un modelo de regresión de riesgo competidor, coloque las variables de pronóstico en una matriz. Utilice la función cbind() para concatenar las variables por columnas y encajarlas en el modelo de regresión de la competencia.
      >x <-cbind(factor2ind(factor1, "1"), factor2ind(factor2, "1")...)
      > mod<- crr (Survivalmonths, fstatus, failcode 1 o 2, cov1-x)
  2. Trazar el nomograma de la competencia
    NOTA: El valor beta (β valor) es el coeficiente de regresión de un variato (X) en la fórmula de la regresión de peligros proporcionales de Cox. La puntuación X (efecto completo de la variable dependiente) y X.real (en puntos de tiempo especiales, por ejemplo, 60 meses, para predecir la función de incidencia acumulativa) se calculan a partir del modelo de regresión de Cox y, a continuación, se establece un nomograma.
    1. Utilice la función nomogram para construir Cox nom (como se indica en el paso 3.2).
    2. Reemplace X.beta y X.point, así como total.points, X.real y X.score del modelo de regresión de riesgo de la competencia.
      1. Obtenga la línea de base cif, que es cif(min). Consulte El archivo suplementario 2 para obtener más información.
        > x0-x
        > x0 <- as.matrix(x0)
        > lhat <- matrix(0, nrow á length(mod$uftime), ncol á nrow(x0))
        > for (j in 1:nrow(x0)) lhat[, j] <- cumsum(exp(sum(x0[j, ] ] * mod$coef)) * mod$bfitj)
        > lhat <- cbind(mod$uftime, 1 - exp(-lhat))
        > suv<-as.data.frame(lhat)
        > colnames(suv)<- c("time")
        > line24<-which(suv$time-"24")
        > cif.min24<-suv[line24,which.min(suv[line24,])]
      2. Sustituya X.beta y X.point.
        > lmaxbeta<-which.max(abs(mod$coef))
        > maxbeta<-abs(mod$coef[lmaxbeta])
        > race0<-0
        > nombres(race0)<-"race:1"
        > race.beta<-c(race0,mod$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) - cómo se calcula la escala
        > nom$Race$Xbeta<-race.beta1
        > nom$Race$points<-race.scale.scale
        NOTA: Tomemos la raza como ejemplo.
      3. Reemplace el X.point total y X.real.
        > nom$total.points$x<-c(0,50,100, ...)
        > real.2y<-c(0.01,0.1,0.2,...)
        NOTA: Los reemplazos están de acuerdo con el valor minimax.
      4. Calcule la puntuación X y trace el nomograma.
        > score.2y<-log(log((1-real.2y),(1-cif.min24)))/(maxbeta/100)
        > nom$'2-año supervivencia'$x<-score.2y
        > nom$'2-año supervivencia'$x.real<-real.2y
        > nom$'2-año supervivencia'$fat<-as.character(real.2y)
        > parcela (nom)
        NOTA: X.score-log(log((1-X.real),(1-cif0)))/(maxbeta/100). Las ecuaciones para la X.score y la relación X.real se pueden calcular de acuerdo con la atribución intrínseca del modelo competidor (crr). Cif0 significa cif de línea base, que se calculará mediante la función predict.crr.

5. Análisis de subgrupos basados en la Puntuación de Riesgo de Grupo (GRS)

  1. Calcular la puntuación de riesgo (RS)
    NOTA: Calcule la puntuación de riesgo para cada paciente sumando los puntos de cada variable. Los valores de corte se utilizan para clasificar la cohorte. Tomando 3 subgrupos como ejemplo, utilice la meta de paquete para dibujar una gráfica de bosque.
    1. Instalar y cargar los paquetes de R
      > install.packages("meta")
      > library("meta")
    2. Obtenga el GRS y divida la cohorte en 3 subgrupos.
      > d1<-Dataset
      > d1$X<-nom$X$puntos
      > #For ejemplo, d1$race[d1$race-1]<-nom$race$point[1]
      > d1$RS<-d1$race + d1$marry + d1$histología + d1$grademodify + d1$Tclassification + d1$Nclassification
      > d1$GRS<- cut(d1$RS, quantile(d1$RS, seq(0, 1,1/3)), include.lowest á TRUE, etiquetas 1:3)
    3. Dibuja la parcela del bosque. Obtenga el HR, LCI y UCI a través de la función crr.
      > subgrupo<-crr(ftime, fstatus, cov1, failcode-1)
      > HR<- summary(subgroup)$conf.int[1]
      > LCI<- resumen(subgrupo)$conf.int[3]
      > UCI<- resumen(subgrupo)$conf.int[4]
      > LABxx<-c("Bajo Riesgo", "Riesgo Medio", "Alto Riesgo")
      > xx<-metagen(log(HR), inferior a log(LCI), superior a log(UCI), studlab - LABxx, sm - "HR")
      > forest(xx, col.square á "negro", 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

Características de supervivencia de la cohorte de ejemplo
En la cohorte de ejemplo, se incluyeron en el análisis un total de 8.550 pacientes elegibles y la mediana del tiempo de seguimiento fue de 88 meses (intervalo, de 1 a 95 meses). Un total de 679 (7,94%) pacientes eran menores de 40 años y 7.871 (92,06%) pacientes tenían más de 40 años. Al final del ensayo, 7.483 (87,52%) pacientes seguían vivos, 662 (7,74%) murió a causa de un cáncer de mama, y 405 (4,74%) pacientes murieron debido a otras causas (riesgos de competencia).

Comparación de dos modelos de supervivencia
Las incidencias acumuladas de muerte tumoral/no muerte tumoral y eventos competidores se calcularon mediante el método Kaplan-Meier y la función de regresión de riesgo de la competencia, respectivamente (presentada en la Figura 1). Como se muestra en la Figura 1,la suma de las incidencias acumuladas de muerte tumoral y ninguna muerte por tumor calculada por el método Kaplan-Meier fue superior a la suma de las estimaciones de todas las causas de muerte, que era igual a la incidencia acumulada de DCP cuando se utilizó el método competidor. Claramente, el método Kaplan-Meier sobreestimó la incidencia acumulada de muerte por tumor y no mortal tumoral. El método de competencia podría corregir su sobreestimación de la probabilidad de muerte.

Nomograma basado en el modelo de regresión proporcional de peligros de Cox
Se construyó un nomograma basado en factores significativos como se muestra en la Figura 2A y la Tabla 1. Esto incluía estado civil, raza, tipo histológico, grado diferenciado, clasificación T y clasificación N.

Nomograma basado en el modelo de regresión de riesgo de la competencia
Se construyó un nomograma de la competencia basado en múltiples factores, incluyendo raza, estado civil, tipo histológico, grado diferencial, clasificación T y clasificación N(Figura 2B). Los coeficientes beta del modelo se utilizaron para la asignación de escala (Tabla 1).

Análisis de estratificación por puntuación de riesgo
Sobre la base de la puntuación de riesgo, la cohorte se clasificó en tres subgrupos: puntuación de riesgo bajo: 0-44; puntuación de riesgo medio: 45-85; y puntuación de alto riesgo: 86-299. La parcela forestal podría presentar claramente la interacción entre el GRS y el factor específico (edad) (Figura 3). Según la clasificación de los RSE, el peor pronóstico de las mujeres jóvenes sólo apareció en el subgrupo de bajo riesgo y la edad temprana puede actuar como un factor protector de pronóstico en subgrupos de riesgo medio y alto.

Figure 1
Figura 1: Gráfica de incidencia acumulada apilada. K-M: Incidencias acumuladas basadas en estimaciones de Kaplan-Meier; CR: Incidencias acumuladas basadas en estimaciones de riesgo competitivas de incidencia acumulada; Muerte por tumor + no muerte por tumor (K-M): suma de estimaciones de la incidencia acumulada de muerte específica por cáncer y muerte específica no cancerosa; CSD + no DCC: suma de estimaciones de muerte específica del cáncer y muerte no específica del cáncer cuando se utilizó el método CR. Haga clic aquí para ver una versión más grande de esta figura.

Figure 2
Figura 2: Nomogramas del modelo de regresión proporcional de peligros de Cox y modelo de regresión de riesgo de la competencia. (A) Nomograma basado en el modelo de regresión de peligros proporcionales de Cox. (B) Nomograma basado en el modelo de regresión de riesgo de la competencia. Para la aplicación de los nomogramas, cada eje variable muestra un factor de riesgo individual, y la línea dibujada hacia arriba se utiliza para la determinación de los puntos de cada variable. Luego, los puntos totales se calculan para obtener la probabilidad de supervivencia específica del cáncer de 2, 3 y 5 años o función de incidencia acumulativa (CIF). Raza: 1o blanco, 2o negro, 3o otro; Estado civil: 1o casado, 2o soltero (nunca casado o pareja doméstica), 3o divorciado (separado, divorciado, viudo); Tipo histológico: cáncer de conducto infiltrante, cáncer lobular infiltrante de 2o, conducto infiltrante de 3o y carcinoma lobular; Grado tumoral: diferenciación de pozos de 1o, diferenciación moderada de 2o; 3o diferenciación pobre. La clasificación T y N fue de acuerdo con el 7o sistema de ensayo AJCC TNM. Haga clic aquí para ver una versión más grande de esta figura.

Figure 3
Figura 3: Gráfica forestal del análisis de estratificación por la puntuación de riesgo para la probabilidad de muerte específica por cáncer de mama en mujeres más jóvenes y mayores con cáncer de mama. Haga clic aquí para ver una versión más grande de esta figura.

(HR: relación de peligro)

Variables Puntuación
(Modelo de Cox)
Probilidad estimada Puntuación
(Modelo de competición)
Probilidad estimada
Carrera
1:Blanco 10 4
2:Negro 32 31
3:Otros 0 0
Estado civil
1:Casado 0 0
2:Unmarrieded 9 5
3:Divorciado 37 15
Histología
1:Adenocarcinoma 10 12
2:Mucinous adenocarcinoma 8 5
3:Carcinoma de células de anillo de Singet 0 0
Grado diferencial
1:Grado I 0 0
2:Grado II 6 36
3:Grado III 37 77
ClasificaciónT a
1:T1 0 0
2:T2 41 50
3:T3 59 68
4:T4 100 98
N clasificacióna
00:00 0 0
1:0-3 17 42
2:3-6 43 65
3:6-12 74 100
Puntuación total
(2 años de supervivencia)
278 0.6 Puntuación total
(CIF de 2 años)
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
Puntuación total
(Supervivencia de 3 años)
281 0.4 Puntuación total
(CIF de 3 años)
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
Puntuación total
(Supervivencia de 5 años)
303 0.1 Puntuación total
(CIF de 5 años)
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 Clasificación T y N según7o sistema de ensayo AJCC
CIF: Función de incidencia acumulativa

Tabla 1: Asignación de puntos y puntuación de pronóstico en el nomograma basada en Cox el modelo de regresión proporcional de peligros y el modelo de regresión de riesgo de la competencia.

Archivo Suplementario 1. Haga clic aquí para descargar este archivo. 

Archivo Suplementario 2. Haga clic aquí para descargar este archivo. 

Archivo Suplementario 3. Haga clic aquí para descargar este archivo. 

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

El objetivo general del estudio actual era establecer un nomograma específico de riesgo de la competencia que pudiera describir las enfermedades del mundo real y desarrollar un modelo de evaluación individual conveniente para que los médicos abordaran las decisiones de tratamiento. Aquí, proporcionamos un tutorial paso a paso para establecer nomogramas basados en el modelo de regresión de Cox y el modelo de regresión de riesgo de la competencia y realizar más análisis de subgrupos. 18 introdujeron un enfoque para crear un nomograma de riesgo competitivo, pero el concepto principal de la metodología descrita en el documento es totalmente diferente. Los métodos de Zhang et al. transformaron primero los datos originales en datos ponderados por la función crprep() en el paquete mstate 19,y luego dibujaron el nomograma por el paquete rms. Sin embargo, el concepto central del método es totalmente diferente de eso. En pocas palabras, reemplazamos los parámetros generados por cph con el resultado de la función crr y luego dibujamos un nomograma de riesgo competitivo en el marco del nomograma De Cox. En este método, el nomograma Cox se parece más a un marco.

Los pacientes malignos con un pronóstico favorable que se espera que tengan una supervivencia más larga con cáncer tienen un mayor riesgo de muerte no específica del cáncer. Su sistema operativo se diluirá en gran medida por la incidencia de los NO DCR, como se muestra en la Figura 1. Tomando como ejemplo a los pacientes con cáncer de colon en estadio II13, si no tenemos en cuenta las causas del cáncer en la generación de curvas de todas las causas de muerte según el método Kaplan-Meier, dichas curvas se verían afectadas en gran medida por la incidencia acumulativa de no DCR en lugar de la incidencia acumulada de DCP.

El modelo cox estándar para la evaluación de las covariables definitivamente conduciría a resultados incorrectos y sesgados (por ejemplo, para la quimioterapia en la etapa II del cáncer de colon13,la quimioterapia fue un factor protector para el sistema operativo). El sesgo podría corregirse mediante el método de regresión de riesgo de la competencia, especialmente para el subgrupo más antiguo (la quimioterapia se definirá como un factor nocivo para los DCR). El evento no CSD es un riesgo de competencia nonnegligible en pacientes con cáncer, especialmente para aquellos con pronóstico favorable.

Luego, después de establecer un nomograma, la probabilidad de muerte asociada con cada variable se presentó como un punto en el nomograma. La puntuación de riesgo para cada paciente se calculó sumando los puntos de todas las variables. Sobre la base de la puntuación total, podemos dividir aún más la cohorte en tres subgrupos (bajo, medio, alto) para estratificar el impacto de factores controvertidos en el pronóstico, lo que podría ser útil para los médicos para resolver problemas clínicos. Tome el efecto de la edad en el cáncer de mama como ejemplo20. El impacto de la edad en los resultados de los pacientes con cáncer de mama precoz no ha sido clínicamente establecido y es controvertido. Según la clasificación del GRS, el peor pronóstico de las mujeres jóvenes sólo apareció en los subgrupos de riesgo bajo y medio, y la edad temprana puede actuar como un factor protector del pronóstico.

En cuanto a las limitaciones, la estimación del riesgo competidor podría dar lugar a una competencia excesiva en algunas situaciones21. Por ejemplo, las enfermedades con mal pronóstico (como tumores malignos avanzados o un cáncer de páncreas diferenciado deficiente) y grandes toxicidades inevitablemente tendrán efectos predominantes en los no DCV. Se debe considerar cuidadosamente si el modelo Cox o el modelo de regresión proporcional de subdistribución (riesgo de competencia) deben aplicarse en el análisis de supervivencia. Tanto los no DCR como la competencia excesiva deben abordarse cuidadosamente cuando se estima la supervivencia. Sobre la base de los resultados, proponemos que para las enfermedades con buen pronóstico y los pacientes con vejez, el impacto de los no DCR en el sistema operativo debe ser considerado cuidadosamente en futuros ensayos clínicos. El CSD, que se basa en un modelo de riesgo de la competencia, puede ser un punto final alternativo en lugar de utilizar siempre el sistema operativo tradicional.

En conclusión, proponemos que no sólo los tumores malignos con pronóstico diferente, sino también la misma enfermedad con diferentes etapas podrían requerir la elección individual de una variable adecuada. Además, esta metodología podría utilizarse para establecer un nomograma basado en el modelo adecuado (Cox o modelo de regresión competidora) para cuantificar el riesgo, que se puede utilizar más adelante para la orientación individualizada, así como para explicar mejor los fenómenos clínicos en la práctica clínica.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Ninguno

Acknowledgments

El estudio fue apoyado por subvenciones del programa general de la Fundación de Ciencias Naturales de la Provincia de Zhejiang (número de subvención LY19H160020) y programa clave de la Oficina Municipal de Ciencia y Tecnología de Jinhua (número de subvención 2016-3-005, 2018-3-001d y 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).
Establecimiento de un modelo de nomograma de regresión de riesgo competitivo para los datos de supervivencia
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