Summary
Burada sunulan Cox orantılı tehlikeler regresyon modeli ve rakip risk regresyon modeli dayalı nomogramlar oluşturmak için bir protokoldür. Rekabet yöntemi, hayatta kalma analizinde rakip olaylar mevcut olduğunda uygulanacak daha rasyonel bir yöntemdir.
Abstract
Kaplan-Meier yöntemi ve Cox orantılı tehlikeler regresyon modeli sağkalım çerçevesinde en sık yapılan analizlerdir. Bu nispeten uygulamak ve yorumlamak kolaydır ve görsel olarak tasvir edilebilir. Ancak, rekabet eden olaylar (örneğin, kardiyovasküler ve serebrovasküler kazalar, tedaviye bağlı ölümler, trafik kazaları) mevcut olduğunda, standart sağkalım yöntemleri dikkatle uygulanmalı ve gerçek dünya verileri doğru yorumlanamaz. Başarısızlığa yol açabilecek farklı türde olayları ayırt etmek ve bunları çözümlemede farklı şekilde ele almak istenebilir. Burada, metotlar, rakip olaylar mevcut olduğunda önemli prognostik faktörleri veya risk faktörlerini belirlemek için rakip regresyon modelini kullanmaya odaklanır. Buna ek olarak, klinisyenlerin tartışmalı faktörlerin prognoz üzerindeki etkisini açıklamak için bireysel değerlendirmeler ve risk tabakalaşmaları yapmalarına yardımcı olmak için orantılı bir tehlike regresyon modeline ve rakip regresyon modeline dayalı nomogramlar oluşturulmuştur.
Introduction
Klinik çalışmalarda olay sağkalım analizi zamanı oldukça yaygındır. Hayatta kalma verileri, başlangıç saatinden ilgi olayının meydana gelmesine kadar geçen süreyi ölçer, ancak ilgi olayının oluşması genellikle başka bir olay tarafından engellenir. Birden fazla bitiş noktası türü varsa, bunlara rakip riskler bitiş noktaları denir. Bu durumda, standart tehlike analizi (örneğin, Cox orantılı nedene özel tehlikeler modeli) genellikle iyi çalışmaz, çünkü başka bir tür olay yaşayan bireyler sansürlenir. Rakip bir olayla karşılaşan bireyler genellikle risk kümesinde kalır, çünkü rakip riskler genellikle bağımsız değildir. Bu nedenle, Fine ve Gray1 rakip bir riskin alt dağılımı için regresyon modeli tahmin ini inceledi. Rakip bir risk ortamında, üç farklı türde olay ayrımcılığa uğrayabilir.
Bir hastalık için yeni tedavi yöntemleridoğrudan klinik fayda göstererek genel sağkalım (OS) ölçer. İşletim sistemi, herhangi bir nedenden dolayı ölüm tarihinden ölüm zamanına kadar olan sağkalım süresini (örn. tanı veya tedavi süresi) ölçer ve genellikle mutlak ölüm riskini değerlendirir, böylelikle ölüm nedenlerini ayırt edemeyince (örn. kansere özgü ölüm (CSD) veya kansere özgü olmayan ölüm (CSD dışı))2. İşletim sistemi, bu nedenle, en önemli bitiş noktası olarak kabul edilir. İlgi olayları genellikle kanserle ilgili, kalp hastalığı, trafik kazaları veya diğer ilgisiz nedenleri içeren kansere özgü olmayan olaylar, rakip olaylar olarak kabul edilir. Olumlu prognozu olan ve daha uzun süre hayatta kalması beklenen malign hastalar genellikle CSD dışı lık riski daha yüksektir. Yani, işletim sistemi diğer ölüm nedenleri ile seyreltilmiş olacak ve doğru klinik tedavinin gerçek etkinliğini yorumlamak için başarısız. Bu nedenle, işletim sistemi hastalığın sonuçlarına erişmek için en uygun ölçü olmayabilir3. Bu tür önyargılar rakip risk regresyon modeli ile düzeltilebilir.
Rakip risk verileri için iki ana yöntem vardır: nedene özel tehlike modelleri (Cox modelleri) ve alt dağıtım tehlike modelleri (rakip modeller). Aşağıdaki protokolde, nedene özel tehlike modeli ve alt dağıtım tehlike modeline dayalı nomogram lar üretmek için iki yöntem sayılmaktadır. Nedene özel tehlike modeli, rakip olayın gerçekleştiği anda sansürlenmiş olarak rakip olayı deneyimleyen denekleri ele alan Cox orantılı tehlikeler modeline uyacak şekilde yapılabilir. Fine ve Gray1 tarafından 1999 yılında başlatılan alt dağıtım tehlike modelinde, üç farklı türde olay ayrımcılığa uğrayabilir ve rakip bir olay yaşayan bireyler sonsuza kadar risk kümesinde kalır.
Nomogram, üç veya daha fazla değişken arasındaki ilişkinin matematiksel bir temsilidir4. Tıbbi nomografiler biyolojik ve klinik olayı değişkenler olarak kabul eder (örn. tümör derecesi ve hasta yaşı) ve belirli bir birey için istatistiksel bir prognostik model olarak grafiksel olarak betimlenen bir klinik olayın (örn. kanser nüksü veya ölüm) olasılıklarını oluşturur. Genellikle, bir nomogram Cox orantılı tehlikeler modeli5,,6,7,8,,9,10sonuçlarına göre formüle edilir.
Ancak, rakip riskler mevcut olduğunda, Cox modeline dayalı bir nomogram iyi performans gösteremeyebilir. Birkaç öncekiçalışmalarda 11,12,13,14 CSD olasılığını tahmin etmek için rakip risk nomogram uygulanmış olsa da, birkaç çalışma rakip bir risk regresyon modeline dayalı nomogram kurmak için nasıl açıklanmıştır, ve bunu başarmak için mevcut bir paket yoktur. Bu nedenle, aşağıda sunulan yöntem, rakip risk regresyon modeline dayalı belirli bir rakip risk nomogramı oluşturmak için adım adım bir protokol ve tedavi karar vermede klinisyenlere yardımcı olmak için bir risk puanı tahmini sağlayacaktır.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Araştırma protokolü Jinhua Hastanesi Etik Komitesi tarafından onaylandı, Zhejiang Üniversitesi Tıp Fakültesi. Bu deney için, olgular Surveillance, Epidemiyoloji ve Son Sonuçlar (SEER) veritabanından elde edildi. SEER, 18 nüfus tabanlı kanser kayıtlarından demografik, insidansı ve sağkalım verilerini içeren açık erişimli bir veritabanıdır. SEER web sitesine kaydolduk ve araştırma verilerini (12296-Kasım 2018) elde etmek için bir güvence mektubu imzaladık.
1. Veri kaynağı
- Veritabanlarından servis taleplerini ve varsa kayıtları kullanma izni (varsa) alın.
NOT: Kohort verileri Ek Dosya 1'eyüklenir. Zaten rakip riskleri ile hayatta kalma verileri olan okuyucular bu bölümü atlayabilirsiniz.
2. Ambalajların yüklenmesi ve yüklenmesi ve veri alma
NOT: Rms15 ve cmprsk16 (http://www.r-project.org/) paketlerini kullanarak R yazılımına (sürüm 3.5.3) dayalı aşağıdaki işlemleri gerçekleştirin.
- rms ve cmprsk R paketlerini yükleyin.
>install.packages("rms")
>install.packages("cmprsk") - R paketlerini yükleyin.
>kütüphane("rms")
>kütüphane("cmprsk") - Kohort verilerini içe aktarın.
>Dataset<-read.csv(".../Kohort Data.csv") # kohort verisi örnektir
3. Cox Orantılı Tehlikeler Regresyon modeline dayalı nomogram
- Cox Orantılı Tehlikeler Regresyon modelini kurun.
NOT: Bağımsız değişkenler (X), kategorik değişkenleri (ırk gibi sahte değişkenler) ve sürekli değişkenleri (yaş gibi) içerir. Çok değişkenli analizde kullanılmak üzere tek değişkenli analizde önemli olan faktörler seçilecektir.- Cox orantılı tehlikeler modelini verilere sığdırın. Cph işlevini kullanarak Cox orantılı sert regresyon modelinikurun. R'deki basitleştirilmiş biçim aşağıda gösterilmiştir:
> f0 <- cph(Surv(Survivalmonths, durum) ~ factor1+ factor2+...,
x=T, y=T, surv=T, data=Dataset)
NOT: Ölüm, örnek koddaki durum olarak ayarlanmıştı.
- Cox orantılı tehlikeler modelini verilere sığdırın. Cph işlevini kullanarak Cox orantılı sert regresyon modelinikurun. R'deki basitleştirilmiş biçim aşağıda gösterilmiştir:
- Aşağıda ayrıntılı komutları kullanarak bir Cox Regresyon Nomogram geliştirin.
> nom <- nomogram(f0, fun=list(function(x) surv(24, x)...), funlabel=c("2 yıllık öngörülen sağkalım oranı"...), maxscale=100, fun.at)
> arsa (nom)
NOT: 2 yıllık öngörülen sağkalım oranını örnek olarak ele alalım.
4. Rakip Risk Regresyon Modeline Dayalı Nomogram
- Rakip Risk Regresyon Modelini kurun.
- Rakip risk regresyon modeline uygun. Okuyucular önemli gördükleri faktörleri içerebilir, bu adım atlanabilir. Örnekte, tek değişkenli çözümlemede önemli olan faktörler dahildir.
NOT: Sansür değişkeni, ilgi olayı için 1, rakip risk olayı için 2 olarak kodlanır. Analizi kolaylaştırmak için, Scrucca ve ark.17 bir faktörden gösterge değişkenleri matrisi oluşturan bir R fonksiyonu faktörü2ind()sağlar. - Kategorik değişkenler için, rakip modele eklerken bunları sayısal olarak dikkatlice kodlayın. Diğer bir şey, J düzeylerinden oluşan kategorik bir değişken için J-1 kukla değişkenleri veya gösterge değişkenleri oluşturun.
- Rakip bir risk regresyon modeli oluşturmak için, ilk sırada prognostik değişkenler bir matris içine yerleştirin. Değişkenleri sütunlarla birleştirip rakip regresyon modeline sığdırmak için cbind() işlevini kullanın.
>x <-cbind(faktör2ind(faktör1, "1"), factor2ind(faktör2, "1")...)
> mod<- crr (Survivalmonths, fstatus, failcode=1 veya 2, cov1=x)
- Rakip risk regresyon modeline uygun. Okuyucular önemli gördükleri faktörleri içerebilir, bu adım atlanabilir. Örnekte, tek değişkenli çözümlemede önemli olan faktörler dahildir.
- Rakip nomogramı çizin
NOT: Beta değeri (β değeri), Cox orantılı tehlikeler regresyon formülündeki bir variat (X)'in regresyon katsayısıdır. X.score (bağımlı değişkenin kapsamlı etkisi) ve X.real (örneğin, kümülatif insidans fonksiyonunu tahmin etmek için 60 ay gibi özel zaman noktalarında) Cox regresyon modelinden hesaplanır ve daha sonra bir nomogram oluşturulur.- Cox nom oluşturmak için işlev nomogramını kullanın (adım 3.2'de listelenen).
- X.beta ve X.point'in yanı sıra rakip risk regresyon modelinin total.points, X.real ve X.score'unu değiştirin.
- Temel cif alın, yani cif(min). Ayrıntılar için Ek dosya 2'ye bakın.
> x0=x
> x0 <- as.matrix(x0)
> lhat <- matris(0, nrow = uzunluk(mod$uftime), ncol = nrow(x0))
> for (j in 1:nrow(x0)) lhat[, j] <- cumsum(exp(sum(x0[j, ] * mod$coef)) * mod$bfitj)
> lhat <- cbind(mod$uftime, 1 - exp(-lhat))
> suv<-as.data.frame(lhat)
> colnames(suv)<- c("zaman")
> line24<-hangi(suv$zaman=="24")
> cif.min24<-suv[line24,hangi.min(suv[line24,]]]] - X.beta ve X.point'i değiştirin.
> lmaxbeta<-which.max(abs(mod$coef))
> maxbeta<-abs(mod$coef[lmaxbeta])
> yarış0<-0
> isimler(race0)<-"yarış:1"
> race.beta<-c(race0,mod$coef[c("race:2","race:3")))
> race.beta.min<-race.beta[hangi.min(race.beta)]
> race.beta1<-race.beta-race.beta.dk
> race.scale<-(race.beta1/maxbeta*100) # nasıl ölçek hesaplanır
> nom$Race$Xbeta<-race.beta1
> nom$Race$points<-race.scale
NOT: Yarışı örnek alın. - Toplam X.point ve X.real'i değiştirin.
> nom$total.points$x<-c(0,50,100, ...)
> real.2y<-c(0.01,0.1.0.2,...)
NOT: Yedekler minimax değerine göre yapılır. - X.score'u hesapla ve nomogramı çiz.
> skor.2y<-log((1-real.2y),(1-cif.min24))/(maxbeta/100)
> nom$'2 yıllık survival'$x<-skor.2y
> nom$'2 yıllık survival'$x.real<-real.2y
> nom$'2 yıllık survival'$fat<-as.karakter(real.2y)
> arsa(nom)
NOT: X.score=log(log(1-X.real),(1-cif0))/(maxbeta/100). X.score ve X.real ilişkisi nin denklemleri, rakip modelin (crr) içsel atfına göre hesaplanabilir. Cif0, predict.crr fonksiyonu ile hesaplanacak temel cif anlamına gelir.
- Temel cif alın, yani cif(min). Ayrıntılar için Ek dosya 2'ye bakın.
5. Grup Risk Puanına (GRS) göre alt grup analizi
- Risk puanını (RS) hesaplama
NOT: Her değişkenin puanını toplamlayarak her hastanın risk puanını hesaplayın. Kesme değerleri kohort sınıflandırmak için kullanılır. Örnek olarak 3 alt grup alarak, bir orman arsa çizmek için paket meta kullanın.- R paketlerini yükleme ve yükleme
> install.packages("meta")
> kütüphane("meta") - GRS'yi edinin ve kohort'u 3 alt gruba ayırın.
> d1<-Veri Seti
> d1$X<-nom$X$puan
> #For örnek, d1$yarış[d1$race==1]<-nom$race$point[1]
> d1$RS<-d1$yarış + d1$evlenmek + d1$histoloji + d1$grademodify + d1$Tclassification + d1$Nclassification
> d1$GRS<- cut(d1$RS, quantile(d1$RS, seq(0, 1,1/3)), include.lowest = TRUE, etiketler = 1:3) - Orman arsasını çizin. Crr fonksiyonu üzerinden HR, LCI ve UCI alın.
> alt grup<-crr(ftime, fstatus, cov1, failcode=1)
> HR<- özet(alt grup)$conf.int[1]
> LCI<- özet(alt grup)$conf.int[3]
> UCI<- özet(alt grup)$conf.int[4]
> LABxx<-c("Düşük Risk", "Ortanca Risk", "Yüksek Risk")
> xx<-metagen(log(HR), alt = log(LCI), üst = log(UCI), studlab = LABxx, sm = "HR")
> orman(xx, col.square = "siyah", hetstat =TRUE, leftcols = "studlab")
- R paketlerini yükleme ve yükleme
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Örnek kohortun hayatta kalma özellikleri
Örnek kohortta toplam 8.550 uygun hasta analize dahil edildi ve ortanca takip süresi 88 ay (dağılım, 1 ila 95 ay) idi. Toplam 679 (%7,94) hastalar 40 yaşından küçüktü ve 7.871 (%92.06) hastalar 40 yaşından büyüktü. Dava sonunda 7.483 (%87.52) hastalar hala hayattaydı, 662 (%7.74) meme kanseri nedeniyle öldü ve 405 (%4.74) hastalar diğer nedenlerden dolayı öldü (rakip riskler).
İki sağkalım modelinin karşılaştırılması
Tümör ölümü/tümör ölümü olmayan kümülatif insidansı ve rakip olaylar Kaplan-Meier yöntemi ve rakip risk regresyon fonksiyonu ile hesaplandı (Şekil 1'desunulmuştur). Şekil 1'degösterildiği gibi, Kaplan-Meier yöntemi ile hesaplanan tümör ölümü ve tümör ölümü olmayan kümülatif insidansı toplamı, rakip yöntem kullanıldığında CSD'nin kümülatif insidansına eşit olan tüm ölüm nedenlerinin tahminlerinin toplamından daha yüksekti. Kaplan-Meier yönteminin tümör ölümü ve tümör ölümü görülmeme sıklığını fazla tahmin edersiniz. Rakip yöntem ölüm olasılığını aşırı tahmin düzeltebilir.
Cox orantılı tehlikeler regresyon modeline dayalı nomogram
Şekil 2A ve Tablo 1'degösterildiği gibi önemli faktörlere göre bir nomogram oluşturuldu. Buna medeni durum, ırk, histolojik tip, diferansiye sınıf, T sınıflandırması ve N sınıflandırması dahildir.
Rakip risk regresyon modeline dayalı nomogram
Irk, medeni durum, histolojik tip, diferansiyel sınıf, T sınıflandırması ve N sınıflandırması gibi birden fazla faktöre dayalı bir nomogram oluşturuldu (Şekil 2B). Modelden beta katsayıları ölçek tahsisi için kullanılmıştır (Tablo 1).
Risk puanına göre tabakalaşma analizi
Risk skoruna göre kohort üç alt gruba ayrılmıştır: düşük risk puanı: 0-44; orta risk puanı: 45-85; ve yüksek riskli skor: 86-299. Orman arsası grs ve belirli faktör (yaş) arasındaki etkileşimi açıkça sunabilir (Şekil 3). GRS sınıflamasına göre, genç kadınların daha kötü prognozu sadece düşük riskli alt grupta ortaya çıkmış ve genç yaş orta ve yüksek riskli alt gruplarda prognozun koruyucu bir faktörü olabilir.
Şekil 1: Yığılmış kümülatif insidans çizimi. K-M: Kaplan-Meier tahminlerine göre kümülatif insidansı; CR: Kümülatif insidansı rakip risk tahminlerine göre kümülatif insidansı; Tümör ölümü + tümör ölümü yok (K-M): kansere özgü ölüm ve kanser dışı spesifik ölüm kümülatif insidansının tahminlerinin toplamı; CSD + non-CSD (CR): CR yöntemi kullanıldığında kansere özgü ölüm ve kansere özgü olmayan ölüm tahminlerinin toplamıdır. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
Şekil 2: Cox orantılı tehlikelerre regresyon modeli ve rakip risk regresyon modelinomogramları. (A) Cox orantılı tehlikelerregresyon modeline dayalı nomogram. (B) Rakip risk regresyon modeline dayalı nomogram. Nomogramların uygulanması için her değişken ekseni ayrı bir risk faktörü gösterir ve yukarı doğru çizilen çizgi her değişkenin noktalarının belirlenmesi için kullanılır. Daha sonra, toplam puan 2-, 3- ve 5 yıllık kansere özgü sağkalım veya kümülatif insidansı fonksiyonu (CIF) olasılığını elde etmek için hesaplanır. Yarış: 1=beyaz, 2=siyah, 3=diğer; Medeni durum: 1=evli, 2= bekar (hiç evlenmemiş veya ev ortağı), 3= boşanmış (ayrılmış, boşanmış, dul); Histolojik tip: 1=infiltratif kanal kanseri, 2= infiltratif lobüler kanser, 3= infiltrasyon kanalı ve lobüler karsinom; Tümör derecesi: 1= iyi farklılaşma, 2= orta diferansiyasyon; 3= kötü farklılaşma. 7. AJCC TNM evreleme sistemine göre T ve N sınıflandırması yapıldı. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
Şekil 3: Meme kanseri olan genç ve yaşlı kadınlarda meme kanserine özgü ölüm olasılığı için risk puanına göre tabakalaşma analizi orman arsa. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
(HR: tehlike oranı)
| Değişken | Puan (Cox Modeli) |
Tahmini Probilite | Puan (Rakip Model) |
Tahmini Probilite | |
| Yarış | |||||
| 1:Beyaz | 10 | 4 | |||
| 2:Siyah | 32 | 31 | |||
| 3:Diğer | 0 | 0 | |||
| Medeni durum | |||||
| 1:Evli | 0 | 0 | |||
| 2:Evlenmemiş | 9 | 5 | |||
| 3:Boşanmış | 37 | 15 | |||
| Histoloji | |||||
| 1:Adenokarsinom | 10 | 12 | |||
| 2:Müsinöz adenokarsinom | 8 | 5 | |||
| 3:Singet halka hücreli karsinom | 0 | 0 | |||
| Diferansiyel sınıf | |||||
| 1:Sınıf I | 0 | 0 | |||
| 2:Sınıf II | 6 | 36 | |||
| 3:Sınıf III | 37 | 77 | |||
| Tsınıflandırması a | |||||
| 1:T1 | 0 | 0 | |||
| 2:T2 | 41 | 50 | |||
| 03:T3 | 59 | 68 | |||
| 04:T4 | 100 | 98 | |||
| Nsınıflandırması a | |||||
| 00:00 | 0 | 0 | |||
| 1:0-3 | 17 | 42 | |||
| 2:3-6 | 43 | 65 | |||
| 3:6-12 | 74 | 100 | |||
| Toplam puan (2 yıllık Survival) |
278 | 0.6 | Toplam puan (2 yıllık 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 | ||||
| Toplam puan (3 yıllık Hayatta Kalma) |
281 | 0.4 | Toplam puan (3 yıllık 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 | ||
| Toplam puan (5 yıllık Hayatta Kalma) |
303 | 0.1 | Toplam puan (5 yıllık 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 | ||||
|
bir 7. AJCC evreleme sistemine göre T ve N sınıflandırması CIF: Kümülatif İnsidansı Fonksiyonu |
|||||
Tablo 1: Nomogramda nokta ataması ve prognostik skor Cox'a dayalı orantılı tehlikeler regresyon modeli ve rakip risk regresyon modeli.
Ek Dosya 1. Bu dosyayı indirmek için lütfen buraya tıklayınız.
Ek Dosya 2. Bu dosyayı indirmek için lütfen buraya tıklayınız.
Ek Dosya 3. Bu dosyayı indirmek için lütfen buraya tıklayınız.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Bu çalışmanın genel amacı, gerçek dünya hastalıklarını tanımlayacak belirli bir rakip risk nomogramı oluşturmak ve klinisyenlerin tedavi kararlarına yaklaşmaları için uygun bir bireysel değerlendirme modeli geliştirmekti. Burada, Cox regresyon modeli ve rakip risk regresyon modeli ve daha fazla performans alt grup analizi dayalı nomogramlar oluşturmak için bir adım-adım öğretici sağlar. Zhang ve ark.18 rakip risk nomogram oluşturmak için bir yaklaşım tanıttı, ancak kağıt açıklanan metodoloji ana kavramı tamamen farklıdır. Zhang ve ark. yöntemleri ilk mstate paketi19 crprep() fonksiyonu tarafından ağırlıklı veri orijinal veri dönüştürdü , ve daha sonra rms paketi ile nomogram çekti. Ancak, yöntemin temel kavramı tamamen farklıdır. Basitçe söylemek gerekirse, cph tarafından oluşturulan parametreleri crr fonksiyonunun sonucuyla değiştiriyoruz ve cox nomogram çerçevesinde rakip riskli bir nomogram çiziyoruz. Bu yöntemde, Cox nomogram bir çerçeve gibi daha fazla.
Kanser ile daha uzun bir sağkalım olması beklenen olumlu bir prognoz ile malign hastalar olmayan kanser spesifik ölüm daha büyük bir risk altındadır. Onların işletim sistemi büyük ölçüde non-CSD insidansı ile seyreltilmiş olacak, Şekil 1gösterildiği gibi . Evre II kolonkanseri olan hastaları örnek olarak ele alırsak, Kaplan-Meier yöntemine göre tüm ölüm nedenlerinin eğrilerinin oluşmasında kanser inancılarını dikkate almazsak, bu eğriler CSD'nin kümülatif insidansı yerine CSD dışı insidansı ndan büyük ölçüde etkilenecek.
Covariates değerlendirilmesi için standart Cox modeli kesinlikle yanlış ve önyargılı sonuçlara yol açacak (örneğin, evre II kolon kanseri kemoterapi için13, kemoterapi işletim sistemi için koruyucu bir faktör oldu). Önyargı rakip risk regresyon yöntemi ile düzeltilebilir, özellikle en eski alt grup için (kemoterapi CSD için zararlı bir faktör olarak tanımlanır). Non-CSD olay kanserli hastalarda nonnegligible rakip risk, özellikle olumlu prognoz olanlar için.
Daha sonra, bir nomogram oluşturduktan sonra, her değişkenle ilişkili ölüm olasılığı nomogramda bir nokta olarak sunuldu. Her hastanın risk puanı tüm değişkenlerin puanları toplamı ile hesaplanmıştır. Toplam skora bağlı olarak, klinisyenlerin klinik sorunları çözmelerine yardımcı olabilecek tartışmalı faktörlerin prognoz üzerindeki etkisini tabakalaştırmak için kohort'u üç alt gruba (düşük, orta, yüksek) ayırabiliriz. Örnek olarak meme kanseri üzerinde yaş etkisini alın20. Erken meme kanseri olan hastaların sonuçları üzerinde yaş etkisi klinik olarak tespit edilmemiştir ve tartışmalıdır. GRS sınıflamasına göre, genç kadınların daha kötü prognozu sadece düşük ve orta riskli alt gruplarda ortaya çıkmıştır ve genç yaş prognozun koruyucu bir unsuru olabilir.
Sınırlamalar açısından, rakip risk tahmini bazı durumlarda rekabet üzerinde yol açabilir21. Örneğin, kötü prognoz lu hastalıklar (ileri malign tümörler veya kötü diferansiye pankreas kanseri gibi) ve büyük toksisitekaçınılmaz olmayan CSD üzerinde baskın etkileri olacaktır. Sağkalım analizinde Cox modelinin mi yoksa alt dağılım orantılı regresyon modelinin mi (rakip risk) uygulanıp uygulanmayacağı dikkatle değerlendirilmelidir. Hayatta kalma tahmin edilirken hem CSD dışı hem de aşırı rekabet dikkatle ele alınmalıdır. Sonuçlara dayanarak, iyi prognozlu ve yaşlılıklu hastalarda, csd olmayanların OS üzerindeki etkisinin gelecekteki klinik çalışmalarda dikkatle değerlendirilmesi gerektiğini öneriyoruz. Rakip bir risk modeline dayanan CSD, her zaman geleneksel işletim sistemi kullanmak yerine alternatif bir uç nokta olabilir.
Sonuç olarak, sadece farklı prognozlu malign tümörlerin değil, aynı evrelerde aynı hastalığın da uygun bir bitiş noktasının bireysel seçimini gerektirebileceğini önermekteyiz. Ayrıca, bu metodoloji, riskin ölçülmesi için uygun modele (Cox veya rakip regresyon modeli) dayalı bir nomogram oluşturmak için kullanılabilir, bu da bireyselleştirilmiş rehberlik için daha fazla kullanılabilir ve klinik pratikte klinik olguları daha iyi açıklar.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Hiçbiri
Acknowledgments
Çalışma, Zhejiang Eyaleti Doğa Bilimleri Vakfı (hibe numarası LY19H160020) ve Jinhua Belediye Bilim ve Teknoloji Bürosu'nun (hibe numarası 2016-3-005, 2018-3-001d ve 2019-3-013) temel programı nın genel programı tarafından desteklenmiştir.
Materials
| Name | Company | Catalog Number | Comments |
| no | no | no |
References
- Fine, J. P., Gray, R. J. A proportional hazards model for the subdistribution of a competing risk. Journal of the American Statistical Association. 94 (446), 496-509 (1999).
- Fu, J., et al. Real-world impact of non-breast cancer-specific death on overall survival in resectable breast cancer. Cancer. 123 (13), 2432-2443 (2017).
- Kim, H. T. Cumulative incidence in competing risks data and competing risks regression analysis. Clinical Cancer Research. 13, 2 Pt 1 559-565 (2007).
- Balachandran, V. P., Gonen, M., Smith, J. J., DeMatteo, R. P. Nomograms in oncology: more than meets the eye. Lancet Oncology. 16 (4), 173-180 (2015).
- Han, D. S., et al. Nomogram predicting long-term survival after d2 gastrectomy for gastric cancer. Journal of Clinical Oncology. 30 (31), 3834-3840 (2012).
- Karakiewicz, P. I., et al. Multi-institutional validation of a new renal cancer-specific survival nomogram. Journal of Clinical Oncology. 25 (11), 1316-1322 (2007).
- Liang, W., et al. Development and validation of a nomogram for predicting survival in patients with resected non-small-cell lung cancer. Journal of Clinical Oncology. 33 (8), 861-869 (2015).
- Valentini, V., et al. Nomograms for predicting local recurrence, distant metastases, and overall survival for patients with locally advanced rectal cancer on the basis of European randomized clinical trials. Journal of Clinical Oncology. 29 (23), 3163-3172 (2011).
- Iasonos, A., Schrag, D., Raj, G. V., Panageas, K. S. How to build and interpret a nomogram for cancer prognosis. Journal of Clinical Oncology. 26 (8), 1364-1370 (2008).
- Chisholm, J. C., et al. Prognostic factors after relapse in nonmetastatic rhabdomyosarcoma: a nomogram to better define patients who can be salvaged with further therapy. Journal of Clinical Oncology. 29 (10), 1319-1325 (2011).
- Brockman, J. A., et al. Nomogram Predicting Prostate Cancer-specific Mortality for Men with Biochemical Recurrence After Radical Prostatectomy. European Urology. 67 (6), 1160-1167 (2015).
- Zhou, H., et al. Nomogram to Predict Cause-Specific Mortality in Patients With Surgically Resected Stage I Non-Small-Cell Lung Cancer: A Competing Risk Analysis. Clinical Lung Cancer. 19 (2), 195-203 (2018).
- Fu, J., et al. De-escalating chemotherapy for stage II colon cancer. Therapeutic Advances in Gastroenterology. 12, 1756284819867553 (2019).
- Chen, D., Li, J., Chong, J. K. Hazards regression for freemium products and services: a competing risks approach. Journal of Statistical Computation and Simulation. 87 (9), 1863-1876 (2017).
- Frank, E., H, J. rms: Regression Modeling Strategies. R package version 5.1-2. , Available from: https://CRAN.R-project.org/package=rms (2018).
- Gray, B. cmprsk: Subdistribution Analysis of Competing Risks. R package version 2.2-7. , Available from: https://CRAN.R-project.org/package=cmprsk (2014).
- Scrucca, L., Santucci, A., Aversa, F. Regression modeling of competing risk using R: an in depth guide for clinicians. Bone Marrow Transplantation. 45 (9), 1388-1395 (2010).
- Zhang, Z., Geskus, R. B., Kattan, M. W., Zhang, H., Liu, T. Nomogram for survival analysis in the presence of competing risks. Annals in Translational Medicine. 5 (20), 403 (2017).
- Geskus, R. B. Cause-specific cumulative incidence estimation and the fine and gray model under both left truncation and right censoring. Biometrics. 67 (1), 39-49 (2011).
- Fu, J., et al. Young-onset breast cancer: a poor prognosis only exists in low-risk patients. Journal of Cancer. 10 (14), 3124-3132 (2019).
- de Glas, N. A., et al. Performing Survival Analyses in the Presence of Competing Risks: A Clinical Example in Older Breast Cancer Patients. Journal of the National Cancer Institute. 108 (5), (2016).
