Login processing...

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

Cancer Research

Upprättande av en konkurrerande risk regressions nomogrammodell för överlevnadsdata

doi: 10.3791/60684 Published: October 23, 2020

Summary

Presenteras här är ett protokoll för att bygga nomogram baserat på Cox proportionella faror regressionsmodell och konkurrerande risk regressionsmodell. Den konkurrerande metoden är en mer rationell metod att tillämpa när konkurrerande händelser förekommer i överlevnadsanalysen.

Abstract

Kaplan–Meier-metoden och Cox proportionella hazards regressionsmodell är de vanligaste analyserna i överlevnadsramverket. Dessa är relativt lätta att applicera och tolka och kan avbildas visuellt. När konkurrerande händelser (t.ex. kardiovaskulära och cerebrovaskulära olyckor, behandlingsrelaterade dödsfall, trafikolyckor) förekommer, bör standardöverlevnadsmetoderna emellertid tillämpas med försiktighet, och verkliga data kan inte tolkas korrekt. Det kan vara önskvärt att skilja olika slags händelser som kan leda till misslyckandet och behandla dem olika i analysen. Här fokuserar metoderna på att använda den konkurrerande regressionsmodellen för att identifiera betydande prognostiska faktorer eller riskfaktorer när konkurrerande händelser förekommer. Dessutom upprättas nomogram som baseras på en proportionell riskregressionsmodell och en konkurrerande regressionsmodell för att hjälpa kliniker att göra individuella bedömningar och riskstratifieringar för att förklara hur kontroversiella faktorer påverkar prognosen.

Introduction

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

Tiden till händelse överlevnad analys är ganska vanligt i kliniska studier. Överlevnadsdata mäter tidsspannet från starttiden fram till förekomsten av händelsen av intresse, men förekomsten av händelsen av intresse är ofta utesluten av en annan händelse. Om mer än en typ av slutpunkt är närvarande, kallas de konkurrerande risker slutpunkter. I detta fall fungerar standardfarlighetsanalysen (dvs. Cox proportionella orsaksspecifika riskmodell) ofta inte bra eftersom individer som upplever en annan typ av händelse censureras. Individer som upplever ett konkurrerande evenemang stannar ofta kvar i riskuppsättningen, eftersom de konkurrerande riskerna vanligtvis inte är oberoende. Därför studerade Fine och Gray1 regressionsmodelluppskattningen för delfördelningen av en konkurrerande risk. I en konkurrerande riskinställning kan tre olika typer av händelser diskrimineras.

Man mäter total överlevnad (OS) genom att påvisa en direkt klinisk nytta av nya behandlingsmetoder för en sjukdom. OS mäter överlevnadstiden från ursprungstid (dvs. tidpunkten för diagnos eller behandling) till tidpunkten för dödsfallet på grund av någon orsak och utvärderar i allmänhet den absoluta risken för dödsfall, och därigenom misslyckas med att differentiera dödsorsakerna (t.ex. cancerspecifik död (CSD) eller icke-cancerspecifik död (icke-CSD))2. OS betraktas därför som den viktigaste slutpunkten. De händelser av intresse är ofta cancer relaterade, medan de icke-cancer-specifika händelser, som inkluderar hjärtsjukdomar, trafikolyckor eller andra icke-närstående orsaker, anses konkurrerande händelser. Maligna patienter med en gynnsam prognos, som förväntas överleva längre, är ofta en större risk för icke-CSD. Det vill säga, OS kommer att spädas ut av andra dödsorsaker och misslyckas med att korrekt tolka den verkliga effektiviteten av klinisk behandling. Därför är OS kanske inte den optimala åtgärden för att få tillgång till utfallen av sjukdom3. Sådana fördomar skulle kunna korrigeras med den konkurrerande riskregressionsmodellen.

Det finns två huvudsakliga metoder för konkurrerande riskdata: orsaksspecifika faromodeller (Cox-modeller) och modeller för deldistributionsfaro (konkurrerande modeller). I följande protokoll presenterar vi två metoder för att generera nomogram som baseras på den orsaksspecifika faromodellen och modellen för risk för deldistribution. Den orsaksspecifika faromodellen kan göras för att passa i Cox proportionella faromodell, som behandlar försökspersoner som upplever den konkurrerande händelsen som censurerad vid den tidpunkt då den konkurrerande händelsen inträffade. I den subdistributionsriskmodell som introducerades av Fine och Gray1 1999 kan tre olika typer av händelser diskrimineras, och individer som upplever ett konkurrerande evenemang förblir på den risk som för alltid.

Ett nomogram är en matematisk representation av förhållandet mellan tre eller flera variabler4. Medicinska nomogram betraktar biologisk och klinisk händelse som variabler (t.ex. tumörgrad och patientålder) och genererar sannolikheter för en klinisk händelse (t.ex. cancerrecidiv eller död) som grafiskt avbildas som en statistisk prognostisk modell för en given individ. Generellt formuleras ett nomogram utifrån resultaten från Cox proportionella faror modell5,6,7,8,9,10.

Men när konkurrerande risker är närvarande, ett nomogram baserat på Cox modellen kan misslyckas med att prestera bra. Även om flera tidigarestudier 11,12,13,14 har tillämpat konkurrerande risk nomogram för att uppskatta sannolikheten för CSD, har få studier beskrivit hur man fastställs nomogram baserat på en konkurrerande risk regressionsmodell, och det finns inget befintligt paket tillgängliga för att åstadkomma detta. Därför kommer den metod som presenteras nedan att ge ett stegvist protokoll för att fastställa ett specifikt competing-risk nomogram baserat på en konkurrerande riskregressionsmodell samt en riskpoängsuppskattning för att hjälpa kliniker i beslutsfattandet om behandling.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

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

Forskningsprotokollet godkändes av etikkommittén för Jinhua Hospital, Zhejiang University School of Medicine. För detta experiment erhölls fallen från databasen Övervakning, epidemiologi och slutresultat (SEER). SEER är en open-access-databas som innehåller demografiska data, incidens- och överlevnadsdata från 18 populationsbaserade cancerregister. Vi registrerade oss på SEER:s webbplats och skrev under en revisionsbrev för att förvärva forskningsdata (12296-nov2018).

1. Datakälla

  1. Inhämta ärenden från databaserna samt behörighet (om någon) att använda ärendena från registren.
    OBS: Kohortdatan laddas upp i Tilläggsfil 1. Läsare som redan har överlevnadsdata med konkurrerande risker kan hoppa över det här avsnittet.

2. Installation och lastning av paket och importerande data

OBS: Utför följande procedurer baserade på R-programvara (version 3.5.3) med hjälp av paketen rms15 och cmprsk16 (http://www.r-project.org/).

  1. Installera paketen RMS och CMPRSK R.
    >installera.paket("rms")
    >installera.paket("cmprsk")
  2. Ladda R-paketen.
    >bibliotek("rms")
    >bibliotek("cmprsk")
  3. Importera kohortdata.
    >Dataset<-read.csv(".../Kohort Data.csv") # kohortdata är exemplet

3. Nomogram baserat på Cox proportional hazards regressionsmodell

  1. Upprätta Cox proportional hazards regressionsmodell.
    OBS: De oberoende variablerna (X) omfattar kategoriska variabler (dummyvariabler, såsom ras) och kontinuerliga variabler (såsom ålder). De faktorer som är signifikanta i den ovariabla analysen kommer att väljas för användningen i multivariabel analys.
    1. Anpassa modellen med proportionella faror från Cox på data. Upprätta Cox proportionella hårda regressionsmodell med hjälp av funktionen cph. Det förenklade formatet i R visas nedan:
      > f0 <- cph(Surv(Survivalmonths, status) ~ faktor1+ faktor2+...,
      x=T, y=T, surv=T, data=Dataset)
      OBS: Döden sattes som status i exempelkoden.
  2. Utveckla en Cox Regression Nomogram med hjälp av kommandona som beskrivs nedan.
    > nom <- nomogram(f0, fun=list(function(x) surv(24, x)...), funlabel=c("2-års förutsedd överlevnadsgrad"...), maxskala=100, fun.at)
    > tomt (nom)
    OBS: Ta 2-års förutsagd överlevnadsgrad som exempel.

4. Nomogram baserat på den konkurrerande riskregressionsmodellen

  1. Upprätta modellen för konkurrerande riskregression.
    1. Montera den konkurrerande riskregressionsmodellen. Läsarna kan inkludera de faktorer som de anser viktiga, kan detta steg hoppas över. I exemplet ingår de faktorer som är betydelsefulla i den ovariabla analysen.
      OBS: Censurera variabeln är kodad som 1 för händelsen av intresse och som 2 för den konkurrerande riskhändelsen. För att underlätta analysen ger Scrucca et al.17 en R-funktionsfaktor2ind() , som skapar en matris med indikatorvariabler från en faktor. factor2ind()
    2. För kategoriska variabler kodar de försiktigt numeriskt när de inkluderas i den konkurrerande modellen. Det vill säga, för en kategorisk variabel tillverkad av J-nivåer, skapa J-1 dummy variabler eller indikatorvariabler.
    3. För att etablera en konkurrerande risk regressionsmodell, första plats prognostiska variabler i en matris. Använd funktionen cbind() för att konkatenera variablerna efter kolumner och passa in dem i den konkurrerande regressionsmodellen.
      >x <-cbind(faktor2ind(faktor1, "1"), faktor2ind(faktor2, "1")...)
      > mod<- crr (Survivalmonths, fstatus, failcode=1 eller 2, cov1=x)
  2. Rita in det konkurrerande nomogrammet
    OBS: Betavärdet (β värde) är regressionskoefficienten för en variat (X) i formeln för Cox proportionella faror regression. X.score (omfattande effekt av den beroende variabeln) och X.real (vid speciella tidspunkter, till exempel 60 månader, för att förutsäga kumulativ incidensfunktion) beräknas från Cox regressionsmodell och sedan, ett nomogram är fastställt.
    1. Använd funktionen nomogram för att konstruera Cox nom (som anges i steg 3.2).
    2. Ersätt X.beta och X.point samt total.points, X.real och X.score för den konkurrerande riskregressionsmodellen.
      1. Hämta baslinjen cif, det vill säga cif(min). Se Tilläggsfil 2 för detaljer.
        > x0=x
        > x0 <- as.matrix(x0)
        > lhat <- matris(0, nrow = längd(mod$uftime), ncol = nrow(x0))
        > för (j in 1:nrow(x0)) lhat[, j] <- cumsum(exp(sum(x0[j, ] * mod$coef)) * mod$bfitj)
        > lhat <- cbind(mod$uftime, 1 - exp(-lhat))
        > suv<-as.data.frame(lhat)
        > colnames(suv)<- c("tid")
        > linje24<-som(suv$time=="24")
        > cif.min24<-suv[line24,which.min(suv[line24,])]
      2. Byt ut X.beta och X.point.
        > lmaxbeta<-which.max(abs(mod$coef))
        > maxbeta<-abs(mod$coef[lmaxbeta])
        > race0<-0
        > namn(race0)<-"race:1"
        > race.beta<-c(race0,mod$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) # hur skalan beräknas
        > nom$Race$Xbeta<-race.beta1
        > nom$Race$poäng<-race.scale
        OBS: Ta ras som exempel.
      3. Byt ut den totala X.point och X.real.
        > nom$totalt.poäng$x<-c(0,50,100, ...)
        > real.2y<-c(0.01,0.1,0.2,...)
        OBS: Byten är enligt minimaxvärdet.
      4. Beräkna X.score och rita nomogrammet.
        > score.2y<-log(log((1-real.2y),(1-cif.min24))/(maxbeta/100)
        > nom$'2-års överlevnads$x<-score.2y
        > nom $'2-års överlevnad'$x.real<-real.2y
        > nom$'2-års överlevnads$fat<-as.character(real.2y)
        > tomt(nom)
        OBS: X.score=log(log(log((1-X.real),(1-cif0)))/(maxbeta/100). Ekvationerna för X.score och X.real-relationen kan beräknas enligt den inneboende tillskrivningen av den konkurrerande modellen(crr). Cif0 betyder cif vid baslinjen, som kommer att beräknas av predict.crr-funktionen.

5. Subgruppsanalys baserad på gruppriskpoängen (GRS)

  1. Beräkna riskpoängen (RS)
    OBS: Beräkna riskpoängen för varje patient genom att summera poängen för varje variabel. Cut-off-värden används för att klassificera kohorten. Med 3 undergrupper som exempel, använd paketet meta för att rita en skogstomt.
    1. Installera och ladda R-paketen
      > installera.paket("meta")
      > bibliotek("meta")
    2. Erhåll GRS och dela upp kohorten i 3 undergrupper.
      > d1<-Dataset
      > d1$X<-nom$X$poäng
      > #For exempel, d1$race[d1$race===1]<-nom$race$point[1]
      > d1$RS<-d1$race + d1$gifta + d1$histologi + d1$grademodify + d1$Tclassification + d1$Nclassification
      > d1$GRS<- cut(d1$RS, quantile(d1$RS, seq(0, 1,1/3)), include.lowest = SANT, etiketter = 1:3)
    3. Rita skogstomten. Få fram HR, LCI och UCI via funktionen crr.
      > undergrupp<-crr(ftime, fstatus, cov1, failcode=1)
      > HR<- sammanfattning(undergrupp)$conf.int[1]
      > Sammanfattning av > LCI<- (undergrupp)$conf.int[3]
      > UCI<- sammanfattning(undergrupp)$conf.int[4]
      > LABxx<-c("Låg risk", "Medianrisk", "Hög risk")
      > xx<-metagen(log(HR), undre = log(LCI), övre = log(UCI), studlab = LABxx, sm = "HR")
      > skog(xx, col.square = "svart", hetstat =SANT, vänsterkolor = "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

Överlevnadsegenskaper för exempelkohorten
I exempelkohorten inkluderades totalt 8 550 berättigade patienter i analysen och mediantiden för uppföljning var 88 månader (intervall, 1 till 95 månader). Totalt 679 (7,94 %) patienter var yngre än 40 år och 7 871 (92,06 %) patienter var äldre än 40. I slutet av prövningen hade 7 483 (87,52 %) patienter fortfarande levde, 662 (7,74 %) avled på grund av bröstcancer, och 405 (4,74 %) patienter avled på grund av andra orsaker (konkurrerande risker).

Jämförelse av två överlevnadsmodeller
De kumulativa incidenserna av tumördöd/ingen tumördöd och konkurrerande händelser beräknades genom Kaplan-Meier-metoden respektive den konkurrerande riskregressionsfunktionen (presenteras i figur 1). Som framgår av figur 1, var summan av de kumulativa incidenserna av tumördöd och ingen tumördöd enligt kaplan- Meier-metodens beräkning högre än summan av skattningen av alla dödsorsaker, vilket var lika med den kumulativa incidensen av CSD när den konkurrerande metoden användes. Klart, Kaplan-Meier metoden överskattade den kumulativa förekomsten av tumördöd och ingen tumör död. Den konkurrerande metoden skulle kunna korrigera dess överskattning av sannolikheten för dödsfall.

Nomogram baserat på Cox proportionella faror regressionsmodell
Ett nomogram konstruerades baserat på betydande faktorer enligt figur 2A och tabell 1. Detta inkluderade civilstånd, ras, histologisk typ, differentierad grad, T-klassificering och N-klassificering.

Nomogram baserat på den konkurrerande riskregressionsmodellen
Ett konkurrerande nomogram baserat på flera faktorer, inklusive ras, civilstånd, histologisk typ, differentiell grad, T-klassificering och N-klassificering konstruerades (Figur 2B). Betakoefficienterna från modellen användes för fördelning av skala (tabell 1).

Stratifieringsanalys vid riskeraställningen
Baserat på riskpoängen klassificerades kohorten i tre undergrupper: lågriskpoäng: 0-44; medelhög riskpoäng: 45-85; och högriskpoäng: 86-299. Skogsyten kunde tydligt presentera samspelet mellan GRS och den specifika faktorn (ålder) (figur 3). Baserat på GRS-klassificeringen företräddes den sämre prognosen av unga kvinnor endast i undergruppen med låg risk och ung ålder kan fungera som en skyddande prognosfaktor i mellan- och högriskundergrupper.

Figure 1
Bild 1: Staplad kumulativ incidenst. K-M: Kumulativa incidenser baserade på Kaplan-Meier-uppskattningar; CR: Kumulativ incidens baserad på kumulativa incidens konkurrerande riskuppskattningar; Tumördöd + ingen tumördöd (K-M): summan av uppskattningar av den kumulativa förekomsten av cancer specifik död och icke-cancer specifik död; CSD + icke-CSD (CR): summan av uppskattningar av cancerspecifik död och icke-cancerspecifik död när CR-metoden användes. Vänligen klicka här för att visa en större version av denna figur.

Figure 2
Figur 2: Nomogram av Cox proportionella riskkällor regressionsmodell och konkurrerande risk regressionsmodell. (A) Nomogram baserat på Cox proportionella faror regressionsmodell. (B) Nomogram baserat på den konkurrerande riskregressionsmodellen. För tillämpning av nomogrammen visar varje variabelaxel en individuell riskfaktor, och linjen som dras uppåt används för bestämning av punkterna i varje variabel. Därefter beräknas de totala poängen för att erhålla sannolikheten för 2- - 3 - och 5-års cancerspecifik överlevnad eller kumulativ incidensfunktion (CIF). Lopp: 1=vit, 2=svart, 3=annat; Civilstånd: 1=gift, 2= singel (aldrig gift eller inhemsk partner), 3= frånskild (separerad, skild, änka); Histologisk typ: 1=infiltrativ kanalcancer, 2= infiltrativ lobulär cancer, 3= infiltrerande kanal och lobulär carcinom; Tumoren graderar: 1= brunndifferentiering, 2= dämpa differentiering; 3= dålig differentiering. T och N klassificering var enligt den 7: e AJCC TNM mellanstationer systemet. Vänligen klicka här för att visa en större version av denna figur.

Figure 3
Figur 3: Skogstomt av stratifieringsanalys genom riskpoängen för sannolikheten för bröstcancerspecifik död hos yngre och äldre kvinnor med bröstcancer. Vänligen klicka här för att visa en större version av denna figur.

(HR: hazard ratio)

Variabler Poäng
(Cox Modell)
Uppskattad Probility Poäng
(Konkurrerande Modell)
Uppskattad Probility
Ras
1:Vit 10 4
2:Svart 32 31
3:Övrigt 0 0
Civilstånd
1:Gift 0 0
2:Ogift 9 5
3:Frånskild 37 15
Histologi
1:Adenokarcinom 10 12
2:Mucinous adenokarcinom 8 5
3:Singet ringcell carcinom 0 0
Differentiell grad
1:Årskurs I 0 0
2:Årskurs II 6 36
3:Lönegrad III 37 77
T klassificeringen
1:T1 0 0
2:T2 41 50
03:T3 59 68
4:T4 100 98
N klassificeringa
00:00 0 0
1:0-3 17 42
2:3-6 43 65
3:6-12 74 100
Total poäng
(2-års överlevnad)
278 0.6 Total poäng
(2-årig CIF)
95 0.01
254 0.7 233 0.1
223 0.8 277 0.2
173 0.9 305 0.3
125 0.95 326 0.4
344 0.5
Total poäng
(3-års överlevnad)
281 0.4 Total poäng
(3-årig CIF)
62 0.01
242 0.6 245 0.2
218 0.7 293 0.4
187 0.8 311 0.5
137 0.9 328 0.6
89 0.95 344 0.7
Total poäng
(5-års överlevnad)
303 0.1 Total poäng
(5-årig CIF)
29 0.01
279 0.2 212 0.2
241 0.4 260 0.4
203 0.6 295 0.6
179 0.7 328 0.8
148 0.8 349 0.9
98 0.9
50 0.95
ett T och N klassificering enligt 7th AJCC mellanlagringssystem
CIF: Kumulativ incidensfunktion

Tabell 1: Punkttilldelning och prognostiskt poäng i nomogrammet baserat på Cox den proportionella hazards regressionsmodellen och konkurrerande riskregressionsmodell.

Kompletterande fil 1. Vänligen klicka här för att ladda ner denna fil. 

Kompletterande fil 2. Vänligen klicka här för att ladda ner denna fil. 

Kompletterande fil 3. Vänligen klicka här för att ladda ner denna fil. 

Subscription Required. Please recommend JoVE to your librarian.

Discussion

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

Det övergripande målet med den aktuella studien var att fastställa ett specifikt konkurrerande risk nomogram som kunde beskriva verkliga sjukdomar och att utveckla en bekväm individuell bedömning modell för kliniker att närma sig behandling beslut. Här tillhandahåller vi en steg-för-steg handledning för upprättande av nomogram baserat på Cox regressionsmodell och konkurrerande riskregressionsmodell och vidareutför subgruppsanalys. Zhang et al.18 införde ett tillvägagångssätt för att skapa ett konkurrerande risk nomogram, men huvudbegreppet i den metod som beskrivs i uppsatsen är helt annorlunda. Metoderna för Zhang et al. först omvandlas de ursprungliga uppgifterna till viktade data genom funktionen crprep() i mstate paketet 19, och sedan drog nomogram av rms paketet. Metodens kärnbegrepp skiljer sig dock totalt från det. Enkelt uttryckt ersätter vi de parametrar som genereras av cph med resultatet av funktionen crr och sedan dra en konkurrerande-risk nomogram i ramen för Cox nomogram. I denna metod är Cox nomogram mer som en ram.

Maligna patienter med en gynnsam prognos som förväntas ha en längre överlevnad med cancer löper större risk för icke-cancerspecifik död. Deras OS kommer till stor del att spädas ut genom förekomsten av icke-värdepapperscentral, vilket framgår av figur 1. Med patienter med stadium II tjocktarmscancer13 som ett exempel, om vi inte tar någon hänsyn till orsaker till cancer i generera kurvor av alla dödsorsaker enligt Kaplan-Meier metoden, skulle sådana kurvor påverkas till stor del av den kumulativa förekomsten av icke-CSD snarare än den kumulativa förekomsten av CSD.

Standarden Cox modell för bedömning av koverar definitivt skulle leda till felaktiga och partiska resultat (till exempel för kemoterapi i steg II tjocktarmscancer13, kemoterapi var en skyddande faktor för OS). Bias kunde korrigeras med den konkurrerande riskregressionsmetoden, särskilt för den äldsta undergruppen (kemoterapi kommer att definieras som en skadlig faktor för CSD). Icke-CSD händelsen är en nonnegligible konkurrerande risk hos patienter med cancer, särskilt för dem med gynnsam prognos.

Sedan, efter att vi etablerat ett nomogram, presenterades sannolikheten för dödsfall i samband med varje variabel som en punkt på nomogram. Riskpoängen för varje patient beräknades genom att poängen för alla variabler summeras. Baserat på den totala poängen kan vi ytterligare dela upp kohorten i tre undergrupper (låg, medelhög, hög) för att stratifiera effekterna av kontroversiella faktorer på prognos, vilket kan vara till hjälp för kliniker att lösa kliniska problem. Ta effekten av ålder på bröstcancer som ett exempel20. Ålderspåverkan på resultaten av patienter med tidig bröstcancer har inte fastställts kliniskt och är kontroversiell. Baserat på GRS-klassificeringen företräddes endast den sämre prognosen för unga kvinnor i undergrupperna med låg och medelhög risk, och ung ålder kan fungera som en skyddande prognosfaktor.

När det gäller begränsningar kan den konkurrerande riskuppskattningen leda till över konkurrensen i vissa situationer21. Till exempel, sjukdomar med dålig prognos (såsom avancerade maligna tumörer eller dålig differentierad cancer i bukspottskörteln) och stora toxiciteter kommer oundvikligen att ha dominerande effekter på icke-CSD. Huruvida Cox-modellen eller subdistributionens proportionella regressionsmodell (konkurrerande risk) bör tillämpas vid överlevnadsanalys bör övervägas noggrant. Både icke-värdepapperscentral och över konkurrens bör åtgärdas noggrant när överlevnaden uppskattas. Utifrån resultaten föreslår vi att för sjukdomar med god prognos och patienter med hög ålder, bör effekten av icke-CSD på OS noga övervägas i framtida kliniska prövningar. CSD, som bygger på en konkurrerande riskmodell, kan vara en alternativ slutpunkt i stället för att alltid använda traditionella OS.

Sammanfattningsvis föreslår vi att inte bara maligna tumörer med olika prognos utan också samma sjukdom med olika stadier kan kräva det individuella valet av en lämplig endpoint. Dessutom skulle denna metodik kunna användas för att upprätta ett nomogram baserat på rätt modell (Cox eller konkurrerande regressionsmodell) för att kvantifiera risk, som kan användas ytterligare för individualiserad vägledning samt bättre förklara kliniska fenomen i klinisk praxis.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Ingen

Acknowledgments

Studien stöddes av bidrag från det allmänna programmet för Zhejiang Province Natural Science Foundation (bidragsnummer LY19H160020) och nyckelprogram för Jinhua Municipal Science & Technology Bureau (bidragsnummer 2016-3-005, 2018-3-001d och 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).
Upprättande av en konkurrerande risk regressions nomogrammodell för överlevnadsdata
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