Summary
Il presente protocollo descrive i codici in R per valutare le capacità di discriminazione e calibrazione di un modello di rischio concorrente, nonché i codici per la convalida interna ed esterna di esso.
Abstract
Il modello di rischio proporzionale di Cox è ampiamente applicato per le analisi di sopravvivenza in contesti clinici, ma non è in grado di far fronte a esiti di sopravvivenza multipli. A differenza del tradizionale modello di rischio proporzionale di Cox, i modelli di rischio concorrenti considerano la presenza di eventi concorrenti e la loro combinazione con un nomogramma, un dispositivo grafico di calcolo, che è uno strumento utile per i medici per condurre una previsione prognostica precisa. In questo studio, riportiamo un metodo per stabilire il nomogramma di rischio concorrente, cioè la valutazione delle sue capacità di discriminazione (cioè indice di concordanza e area sotto la curva) e calibrazione (cioè curve di calibrazione), nonché il beneficio netto (cioè l'analisi della curva decisionale). Inoltre, sono state eseguite anche la convalida interna utilizzando ricampioni bootstrap del set di dati originale e la convalida esterna utilizzando un set di dati esterno del nomogramma di rischio concorrente stabilito per dimostrare la sua capacità di estrapolazione. Il nomogramma del rischio concorrente dovrebbe servire come strumento utile per i medici per prevedere la prognosi con la considerazione dei rischi concorrenti.
Introduction
Negli ultimi anni, i fattori prognostici emergenti sono stati identificati con lo sviluppo della medicina di precisione e i modelli prognostici che combinano fattori molecolari e clinicopatologici stanno attirando una crescente attenzione in ambito clinico. Tuttavia, i modelli non grafici, come il modello di rischio proporzionale di Cox, con risultati dei valori dei coefficienti, sono difficili da comprendere per i medici1. In confronto, un nomogramma è uno strumento di visualizzazione di modelli di regressione (incluso il modello di regressione di Cox, il modello di rischio concorrente, ecc.), un diagramma bidimensionale progettato per il calcolo grafico approssimativo di una funzione matematica2. Consente la valutazione di diversi livelli di variabili in un modello clinico e il calcolo dei punteggi di rischio (RS) per prevedere la prognosi.
La valutazione del modello è essenziale nella costruzione del modello e due caratteristiche sono generalmente accettate per la valutazione: discriminazione e calibrazione. Nei modelli clinici, la discriminazione si riferisce alla capacità di un modello di separare gli individui che sviluppano eventi da quelli che non lo fanno, come i pazienti che muoiono rispetto a quelli che rimangono in vita, e l'indice di concordanza (indice C) o l'area sotto la curva caratteristica operativa del ricevitore (AUC) sono tipicamente utilizzati per caratterizzarlo 3,4. La calibrazione è un processo di confronto delle probabilità previste di un modello con le probabilità effettive e le curve di calibrazione sono state ampiamente utilizzate per rappresentarlo. Inoltre, la convalida del modello (convalida interna ed esterna) è un passo importante nella costruzione del modello e solo i modelli convalidati possono essere ulteriormente estrapolati5.
Il modello di rischio proporzionale di Cox è un modello di regressione utilizzato nella ricerca medica per studiare le associazioni tra fattori prognostici e stato di sopravvivenza. Tuttavia, il modello di rischio proporzionale di Cox considera solo due stati di esito [Y (0, 1)], mentre i soggetti dello studio spesso affrontano più di due stati e sorgono rischi concorrenti [Y (0, 1, 2)]1. La sopravvivenza globale (OS), che è definita come il tempo che intercorre tra la data di origine (ad esempio, il trattamento) e la data di morte dovuta a qualsiasi causa, è l'endpoint più importante nell'analisi della sopravvivenza. Tuttavia, l'OS non riesce a distinguere la morte specifica per cancro dalla morte non specifica per cancro (ad esempio, eventi cardiovascolari e altre cause non correlate), ignorando così i rischi concorrenti6. In queste situazioni, il modello di rischio concorrente è preferito per la previsione dello stato di sopravvivenza con la considerazione dei rischi concorrenti7. La metodologia di costruzione e convalida dei modelli di rischio proporzionale di Cox è ben consolidata, mentre ci sono state poche relazioni riguardanti la convalida di modelli di rischio concorrenti.
Nel nostro studio precedente, sono stati stabiliti uno specifico nomogramma di rischio concorrente, una combinazione di un nomogramma e un modello di rischio concorrente e una stima del punteggio di rischio basata su un modello di rischio concorrente8. Questo studio mira a presentare diversi metodi di valutazione e convalida del nomogramma di rischio concorrente stabilito, che dovrebbe servire come strumento utile per i medici per prevedere la prognosi con la considerazione dei rischi concorrenti.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Il database di sorveglianza, epidemiologia e risultati finali (SEER) è un database di tumori ad accesso aperto che contiene solo dati di pazienti non identificati (ID SEER: 12296-Nov2018). Pertanto, questo studio è stato esentato dall'approvazione del comitato di revisione dell'ospedale affiliato Jinhua, Zhejiang University School of Medicine.
1. Preparazione dei dati e preparazione dei pacchetti R
- Preparare e importare i dati.
> Dataset <- read.csv(".../Breast cancer Data.xlsx") #Import dati.
NOTA: i dati vengono caricati nel file supplementare 1. - Installare e caricare i pacchetti R.
> pacchetti <- c("rms","cmprsk","mstate","sopravvivenza","rischioRegressione","
prodlim")
> req.pcg <- function(pcg){
Nuovo <- PCG[!( pcg %in% installed.packages()[, "Package"])]
if (length(new)) install.packages(new, dependencies = T)
sapply(pcg, require, ch = T)
}
> req.pcg(pacchetti)
Nota : eseguire le seguenti procedure basate sul software R (versione 3.6.2) utilizzando i pacchetti rms, cmprsk, mstate, survival, riskRegression e prodlim (http://www.r-projectrg/).
2. Stabilire nomogrammi di rischio concorrenti in due metodi distinti
- Stabilire il nomogramma del rischio concorrente in un metodo diretto.
> mod_cph <- cph(Surv(Mesi di sopravvivenza, stato) ~ fattore1+ fattore2+...,
x=T, y=T, surv=T, data=Dataset)
> nom <- nomogramma(mod_cph, fun=list(function(x) 1-surv_cph(36, x)...),
funlabel=c("3-year event1 Prob." ...), lp=F) #Take il 36° mese come esempio.
> mod_crr <- crr(Survivalmonths, fstatus, failcode=1; cov1=cov)
> punteggio <- log(log((1-real.3y),(1-cif.min36)))/(maxbeta/100)
> Trama (nom) - Stabilire il nomogramma del rischio concorrente in un metodo ponderato.
> df.w <- crprep("Mesi di sopravvivenza"," fstatus",
data=DataSet, trans=c(1,2), cens=0,
keep=c("fattore1"," fattore2"...))
> mod.w <- cph(Surv(Tstart, Tstop, status==1) ~ factor1+factor2+...,
data=df.w, weight=weight.cens, subset=failcode==1, surv=T)
> nom.w <- nomogramma(mod.w...)
3. Capacità di discriminazione del nomogramma del rischio concorrente
- C-index per la discriminazione
- Inserire il cov della matrice nel modello di rischio concorrente mod_crr . e ottenere un SUV a matrice previsto.
> SUV <- predict.crr(mod_crr, cov) - Ottieni le incidenze cumulative in un determinato mese da suv e calcola il C-index con la funzione rcorr.cens.
> CIF36 <- SUV[which(suv[,1]==36),][-1]
> rcorr <- rcorr.cens(1-cif36,Surv(Dataset$Survivalmonths,Dataset$tumordeath))
> cindex <- rcorr[1]
- Inserire il cov della matrice nel modello di rischio concorrente mod_crr . e ottenere un SUV a matrice previsto.
- AUC per discriminazione
- Assegna un punteggio alle prestazioni predittive del modello di rischio concorrente utilizzando la funzione Score (pacchetto riskRegression).
> fgr.w <- FGR(Hist(Survivalmonths, fstatus) ~ factor1+ factor2+..., data=Dataset, cause=1)
> punteggio <- Score(list("Fine-Gray" = fgr.w), - Estrarre l'AUC dal "punteggio".
> score$AUC
- Assegna un punteggio alle prestazioni predittive del modello di rischio concorrente utilizzando la funzione Score (pacchetto riskRegression).
4. Capacità di calibrazione dei modelli di rischio concorrenti
- Curve di calibrazione con un intervallo di confidenza del 95% del modello di rischio concorrente
- Ottieni un frame di dati con le incidenze cumulative di ogni singolo individuo in un determinato tempo di errore.
> cif36 <- data.frame(cif36) #Take il 36° mese come esempio.
> colnames(cif36.36_o)<-c("36m") - Dividere la coorte in base alle incidenze cumulative stimate in cinque sottogruppi e calcolare l'incidenza cumulativa media prevista di ciascun sottogruppo.
> group36 <- cut(CIF36$'36m',
quantile(CIF36$'36M', seq(0, 1, 0.2)),
include.lowest = TRUE, labels = 1:5)
> mean36 <- as.vector(by(cif36 $'36m', group36, mean)) - Calcolare le incidenze cumulative osservate, cioè le incidenze cumulative effettive, utilizzando la funzione cuminc, e quindi ottenere le incidenze cumulative osservate con un intervallo di confidenza del 95% in un determinato tempo di guasto.
> cum36 <- cuminc(Dataset$Survivalmonths;Dataset$fstatus;group36)
> obs36 <- timepoints(cum36,Dataset$Survivalmonths)$est[c(1:5),36]
> obs36var <- timepoints(cum36,Dataset$Survivalmonths)$var[c(1:5),36]
> df <- data.frame(mean36, obs36, obs36var) - Tracciare la curva di calibrazione con le incidenze cumulative previste come asse x e le incidenze cumulative osservate come asse y utilizzando la funzione ggplot.
> ggplot(df)+ geom_point(aes(x=mean36,y=obs36),col="red")+
geom_point(aes(x=mean36,y=obs36),col="red",pch=4)+
geom_line(col="red",aes(x=mean36,y=obs36))+
geom_errorbar(col="red",aes(x=mean36;y=obs36+1.96
*sqrt(obs36var)),
YMIN =OBS36-1.96*sqrt(OBS36VAR), YMAX = OBS36+1.96
*sqrt(obs36var))
geom_abline(lty=3;lwd=2;col=c(rgb(0,118,192;
maxColorValue=255)))
- Ottieni un frame di dati con le incidenze cumulative di ogni singolo individuo in un determinato tempo di errore.
- Curva di calibrazione con punteggi di rischio del modello di rischio concorrente
- Valutare ogni livello di tutte le variabili e ottenere il RS totale.
> Dataset$factor1[Dataset$factor1==1] <- factor1.scale["Factor1_level1"]
> ... #For esempio, Dataset$histology[Dataset$histology==1]<-histology.scale["Histology1"]
> Dataset$rs <- Dataset$factor1+Dataset$factor2+Dataset$factor3+...
NOTA: Ottenere la RS totale per ciascun paziente sommando i punti di ciascuna variabile. - Contare le frequenze e calcolare le incidenze cumulative osservate dei diversi punteggi di rischio totali.
> rs.freq <- as.data.frame(table(Dataset$rs))
> obs.36 <- vector(mode="numeric", length=nrow(rs.freq))
> for (i in 1: nrow(rs.freq)) {
dataset <- subset(Dataset,Dataset$rs== rs.freq [i;1])
cif.dataset <- cuminc(dataset$Survivalmonths;dataset$death3)
cif36.dataset <- timepoints(cif.dataset,36)
obs.36[i] <- cif36.dataset$est[1]} - Impostare l'intervallo dell'asse x e calcolare l'incidenza cumulativa prevista dei punteggi di rischio totali.
> RS <- range(nom$total.points)
> x.36 <- seq (min (RS), max (RS), 0,01)
> pre.36 <- 1-(1-cif.min36)^exp(x.36*maxbeta/100) - Tracciare la curva di calibrazione con i punteggi di rischio.
> plot(x.36, pre.36, type='l'...)
> par(nuovo=VERO)
> plot(as.vector(rs.freq[,1]), obs.36... )
- Valutare ogni livello di tutte le variabili e ottenere il RS totale.
5. Analisi della curva decisionale di modelli di rischio concorrenti
- Generare la funzione stdca per eseguire l'analisi della curva decisionale.
> fonte("stdca. R") - Estrarre le equazioni polinomiali dal nomogramma per calcolare la probabilità di sopravvivenza.
> nomogramEx(nomo = nom)
> Dataset$predictors <- A * (Dataset$rs ^3) + B * (Dataset$rs ^2) + C * Dataset$rs + D #predictors sono probabilità previste di morte specifica per cancro calcolate dal nomogramma stabilito - Eseguire l'analisi della curva decisionale.
> stdca(data = Dataset, outcome = "status", ttoutcome = "Survivalmonths", timepoint = 36;
predittori = "predittori", cmprsk = VERO, liscio = FALSO, probabilità = FALSO)
NOTA: Per valutare un risultato in presenza di un rischio concorrente, è necessario scegliere TRUE per cmprsk.
6. Convalida interna utilizzando il metodo bootstrap
- Ottieni le incidenze cumulative medie previste utilizzando il metodo bootstrap.
- Ricampionare il dataset originale (Dataset) con replace per generare il dataset bootstrap (Dataset_in). Stabilire un modello di rischio concorrente (mod.in_crr) con il set di dati bootstrap. Utilizzare la funzione predict.crr per prevedere mod.in_crr e cicli b volte per generare suvall.in.
B=b
suvall.in <- lista()
for(j in 1:B){
Dataset_in <- Dataset[sample(c(1:nrow(Dataset)),nrow(Dataset),
replace = VERO),]
Allega(Dataset_ in)
cov. in <- model.matrix(~factor1+ factor2+...) [,-1]
Mod. in _crr <- crr(Survivalmonths, fstatus, failcode=1; cov1=cov.in)
detach(Set di dati. interno)
SUV. in <- predict.crr(mod. in _crr, cov)
suvall.in[[j]] <- suv.in} - Ottieni la media delle incidenze cumulative previste in un determinato mese.
CIF36ALL. inner <- vector(mode="numeric", length=nrow(Dataset))
per (k in 1:B) {
CIF36ALL. interno<- CIF36ALL. inner+ suvall. inner[[k]][which(suvall. inner[[k]][,1]==36),][-1]
}
cif36.in <- cif36all.in/B
- Ricampionare il dataset originale (Dataset) con replace per generare il dataset bootstrap (Dataset_in). Stabilire un modello di rischio concorrente (mod.in_crr) con il set di dati bootstrap. Utilizzare la funzione predict.crr per prevedere mod.in_crr e cicli b volte per generare suvall.in.
- Calcolare il C-index utilizzando la convalida incrociata interna con la funzione rcorr.cens.
rcorr. inner <- rcorr.cens(1-cif36.in,Surv(Dataset$Survivalmonths,Dataset$tumordeath))
cindex. < interno- rcorr. interno[1] - Eseguire la calibrazione utilizzando la convalida interna incrociata.
NOTA: I codici della curva di calibrazione del modello di rischio concorrente con validazione interna sono simili ai codici della sezione 4, mentre il suv è stato sostituito da suv.in.
7. Validazione esterna del modello di rischio concorrente
- Ottieni le incidenze cumulative previste utilizzando dati esterni. Ottieni le incidenze cumulative previste con la matrice delle variabili di dati esterni (cov.ex).
suv.ex <- predict.crr(mod_crr,cov.ex)
cif36.ex <- suv.ex [which(suv.ex $time=="36"),][-1] - Calcolare il C-index utilizzando la convalida esterna.
rcorr.ex <- rcorr.cens(1-cif36.ex,Surv(Dataset.ex$Survivalmonths,Dataset.ex$tumordeath))
cindex.ex <- rcorr.ex[1] - Eseguire la calibrazione utilizzando la convalida esterna.
NOTA: I codici della curva di taratura del modello di rischio concorrente con validazione interna sono simili ai codici della sezione 4, mentre il suv è sostituito da suv.ex.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
In questo studio, i dati delle pazienti con cancro al seno sono stati recuperati dal database SEER e sono serviti come dati di esempio. Il database SEER fornisce dati sul cancro che rappresentano circa il 34,6% della popolazione degli Stati Uniti ed è stato ottenuto il permesso di accedere al database (numero di riferimento 12296-novembre 2018).
Due nomogrammi (Figura 1), entrambi comprendenti il tipo istologico, il grado differenziato, lo stadio T e lo stadio N, sono stati stabiliti utilizzando rispettivamente il metodo diretto e il metodo ponderato. I punti di ciascun livello di variabili e le probabilità corrispondenti ai punti totali erano quasi gli stessi, mentre sono state osservate alcune lievi differenze. Zhang et al. hanno introdotto un approccio "ponderato" per stabilire un nomogramma di rischio concorrente, che prima ha trasformato i dati originali in dati ponderati (usando la funzione crprep), quindi ha costruito un modello di regressione di Cox con i dati ponderati (usando la funzione coxph), e infine ha stabilito un nomogramma di rischio concorrente con il modello di regressione di Cox (usando il nomogramma di funzione)9. Al contrario, l'approccio "diretto" in questo studio è totalmente diverso da quello "ponderato". In breve, i parametri generati dal modello di rischio concorrente (utilizzando la funzione crr) hanno sostituito i parametri nel modello di regressione di Cox (usando la funzione coxph), che è stato infine utilizzato per stabilire il nomogramma di rischio concorrente (usando il nomogramma di funzione). Nel confronto tra i nomogrammi stabiliti dal metodo "ponderato" e dal metodo "diretto", i due nomogrammi erano simili in generale, mentre si potevano osservare alcune lievi differenze. Il metodo "diretto" nello studio è più preciso perché ottiene i parametri per costruire direttamente il nomogramma (con la formula "score=log(log((1-real.3y),(1-cif.min36)))/(maxbeta/100)" nella sezione 2).
In rcorr.cens(X, Surv), X è un predittore numerico con incidenza cumulativa in qualsiasi punto temporale, e Surv è un oggetto di sopravvivenza contenente mesi e stato di sopravvivenza. Quando Surv definisce i pazienti che sperimentano eventi concorrenti come censurati e quindi genera una tabella di vita, la coppia ordinata valutabile è identica. L'indice C del modello di rischio concorrente senza convalida era 0,7978 (IC 95% = 0,7650-0,8305), indicando che questo modello aveva una moderata capacità di discriminazione. L'analisi bootstrap è stata ripetuta 500 volte e i 500 risultati sono stati quindi mediati per produrre una singola stima per il calcolo del C-index. L'indice C nella convalida interna era 0,7978 (IC 95% = 0,7651-0,8305), che era simile all'indice C nel set di dati originale. Un set di dati esterno è stato inserito nel modello di rischio concorrente e l'indice C nella convalida esterna era 0,5071 (IC 95% = 0,4637-0,5505). L'AUC del modello di rischio concorrente è stata calcolata dal set di dati originale nello studio. L'AUC del 36° mese è stata di 0,8461 (IC 95% = 0,8232-0,8691), dimostrando la capacità di discriminazione del modello.
Come mostrato nella Figura 2A, i punti sulla curva di calibrazione erano vicini alla linea di equivalenza e l'IC al 95% della frequenza osservata cadeva nella linea di equivalenza in ciascun gruppo, indicando l'accurata capacità di calibrazione del modello. Le curve di calibrazione che utilizzano la convalida interna ed esterna sono mostrate rispettivamente nella Figura 2B e nella Figura 2C, indicando che il modello costruito aveva una buona capacità di calibrazione nella convalida interna ma una scarsa nella convalida esterna.
Come mostrato nella figura supplementare 1, i punti che rappresentano le incidenze cumulative osservate distribuite attorno alla linea che rappresentano le incidenze cumulative previste e non sono state osservate differenze significative tra le incidenze osservate e previste. I risultati dell'analisi della curva decisionale sono mostrati nella Figura 3, che presenta le variazioni del beneficio netto con probabilità soglia crescente.
Figura 1: Definizione del nomogramma di rischio concorrente con due metodi . (A) Nomogramma stabilito utilizzando il metodo diretto. (B) Nomogramma stabilito utilizzando il metodo ponderato. Istologia: 1,carcinoma duttale invasivo; 2, carcinoma lobulare invasivo; 3, carcinoma duttale invasivo + carcinoma lobulare invasivo. Valutazione: 1, ben differenziato; 2, moderatamente differenziato; 3, scarsamente differenziato. Stadio T: 1, stadio T1; 2, stadio T2; 3, stadio T3; 4, stadio T4. Stadio N: 0, N0 stadio; 1, stadio N1; 2, stadio N2; 3, stadio N3. Abbreviazione: CSD = morte specifica per cancro. Fare clic qui per visualizzare una versione ingrandita di questa figura.
Figura 2: Curve di taratura del nomogramma di rischio concorrente. (A) Curva di taratura con un intervallo di confidenza del modello di rischio concorrente stabilito. (B) Curva di taratura del modello di rischio concorrente nella convalida interna. (C) Curva di taratura del modello di rischio concorrente nella convalida esterna. Fare clic qui per visualizzare una versione ingrandita di questa figura.
Figura 3: Analisi della curva decisionale del nomogramma di rischio concorrente. Il beneficio netto viene tracciato rispetto alla probabilità soglia. La riga "tutti" mostra il beneficio netto considerando tutti i pazienti che hanno subito morte specifica per cancro, e la linea "nessuno" è il beneficio netto considerando tutti i pazienti che non hanno subito morte specifica per cancro. Fare clic qui per visualizzare una versione ingrandita di questa figura.
File supplementare 1: Dati sul cancro al seno. Definizione del titolo: grademodify, grado differenziato; istologia, tipo istologico; stadio T, stadio T del tumore; stadio N, stadio N del tumore; Mesi di sopravvivenza, il tempo dalla data del trattamento alla data del decesso a causa di qualsiasi causa o censura; morte, morte (compresa la morte specifica per cancro e la morte non specifica per cancro) o censura; morte3, morte specifica per cancro, morte non specifica per cancro o censura. Clicca qui per scaricare questo file.
Figura supplementare 1: Curva di calibrazione con punteggi di rischio del modello di rischio concorrente stabilito. I punti che rappresentano le incidenze cumulative osservate sono stati distribuiti attorno alla linea che rappresenta le incidenze cumulative previste. Clicca qui per scaricare questo file.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Questo studio ha confrontato i nomogrammi di rischio concorrenti stabiliti con due metodi distinti e ha condotto la valutazione e la convalida dei nomogrammi stabiliti. In particolare, questo studio ha fornito un tutorial passo-passo per stabilire il nomogramma basato su un metodo diretto, nonché calcolare l'indice C e tracciare le curve di calibrazione.
Il pacchetto rms nel software R è ampiamente utilizzato per la costruzione e la valutazione di modelli di rischio proporzionale di Cox, ma non è applicabile per modelli di rischio concorrenti. Per i modelli con risultati multipli, Zhang et al. hanno riportato una convalida di modelli di rischio concorrenti utilizzando il pacchetto riskRegression nel software R, che calcola il punteggio AUC e Brier per valutare la capacità di discriminazione e traccia le curve di calibrazione per convalidare la capacità di calibrazione 9,10.
Tuttavia, il pacchetto riskRegression presenta alcune carenze, come il mancato calcolo del C-index. Il C-index è la proporzione di coppie ordinate valutabili concordanti in tutte le coppie ordinate valutabili (C-Index = coppie ordinate valutabili concordanti/tutte le coppie ordinate valutabili)3,11. Nell'analisi tradizionale di sopravvivenza a due stati, solo le coppie in cui i due pazienti subiscono entrambi la morte (Di = 1, Dj = 1) o il paziente che subisce la morte ha mesi di sopravvivenza più brevi rispetto al paziente che fallisce possono diventare una coppia ordinata valutabile (Di = 1, Dj = 0, Ti < Tj) (i = paziente i, j = paziente j, T = tempo, D = stato, 1 = morte, 0 = fallimento). Nel contesto dei rischi concorrenti, i pazienti che falliscono dal rischio concorrente rimangono ancora nel set di rischio perché può solo dedurre che i pazienti che sperimentano eventi concorrenti hanno mesi di sopravvivenza più lunghi di quelli osservati. Inoltre, solo le coppie in cui i due pazienti subiscono entrambi la morte (Di = 1, Dj = 1) o il paziente che subisce la morte ha mesi di sopravvivenza più brevi rispetto al paziente che fallisce o sperimenta un evento concorrente possono diventare una coppia ordinata valutabile (Di = 1, Dj = 0|2, Ti < Tj) (i = pazienti i, j = paziente j, T = tempo, D = status, 2 = evento in competizione, 1 = morte, 0 = fallimento). Pertanto, questo studio ha utilizzato la funzione rcorr.cens per calcolare l'indice C.
Nella convalida interna del modello di rischio concorrente, questo studio ha applicato il metodo bootstrap e ha dimostrato buone prestazioni del modello costruito12. Una suddivisione randomizzata in set di dati di training e test può essere problematica poiché è probabile che il set di dati di test sia particolarmente facile (o difficile) da prevedere13. Il metodo K-fold può essere utilizzato anche per la convalida incrociata, mentre è stato applicato meno frequentemente nella convalida del modello 5,14. Questo studio ha anche condotto una convalida esterna del modello di rischio concorrente, ma non ha funzionato bene nel contesto esterno. Ciò può essere attribuito al fatto che i nostri dati utilizzati per la convalida esterna erano solo un ricampionamento dei dati originali.
Tuttavia, ci sono diverse limitazioni in questo studio. In primo luogo, la nostra metodologia si basa sul software R; Pertanto, gli utenti hanno bisogno di una certa conoscenza della programmazione, che può limitare il suo pubblico di destinazione. Inoltre, ci sono centinaia di righe di codice e alcuni codici richiedono modifiche per dati diversi; speriamo di sviluppare un pacchetto R "all-in-one" nella ricerca futura che possa essere applicato a tutti i tipi di dati. Questo studio non ha altri dati sul cancro al seno per condurre una convalida esterna e non ha avuto altra scelta che ricampionare dai dati originali, ma i metodi e i codici per la convalida esterna sono gli stessi. Ancora più importante, la linearità tra le covariate e il risultato assunto nello studio potrebbe non essere vera in uno studio del mondo reale, e l'interazione e la non linearità dovrebbero essere considerate, per le quali la modellazione dell'insieme può essere utile15.
In conclusione, questo studio ha stabilito il nomogramma del rischio concorrente in un metodo "diretto" e ha valutato le sue capacità di discriminazione e calibrazione in set di dati originali, interni ed esterni. Si spera che il nomogramma del rischio concorrente serva da supplemento al pacchetto riskRegression in R e fornisca assistenza nella gestione degli eventi clinici di rischio concorrenti.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Gli autori dichiarano di non avere interessi concorrenti.
Acknowledgments
Lo studio è stato sostenuto da sovvenzioni del Medical Science & Technology Plan Project della provincia di Zhejiang (numero di sovvenzione 2013KYA212), dal programma generale della Fondazione per le scienze naturali della provincia di Zhejiang (numero di sovvenzione Y19H160126) e dal programma chiave del Jinhua Municipal Science & Technology Bureau (numero di sovvenzione 2016-3-005, 2018-3-001d e 2019-3-013).
Materials
| Name | Company | Catalog Number | Comments |
| R software | None | Not Applicable | Version 3.6.2 or higher |
| Computer system | Microsoft | Windows 10 | Windows 10 or higher |
References
- Andersen, P. K., Gill, R. D. Cox's regression model for counting processes: A large sample study. The Annals of Statistics. 10 (4), 1100-1120 (1982).
- Lubsen, J., Pool, J., vander Does, E. A practical device for the application of a diagnostic or prognostic function. Methods of Information in Medicine. 17 (2), 127-129 (1978).
- Harrell, F. E., Lee, K. L., Mark, D. B. Multivariable prognostic models: Issues in developing models, evaluating assumptions and adequacy, and measuring and reducing errors. Statistics In Medicine. 15 (4), 361-387 (1996).
- Hung, H., Chiang, C. -T. Estimation methods for time-dependent AUC models with survival data. The Canadian Journal of Statistics / La Revue Canadienne de Statistique. 38 (1), 8-26 (2010).
- Moons, K. G. M., et al. Risk prediction models: I. Development, internal validation, and assessing the incremental value of a new (bio)marker. Heart. 98 (9), 683-690 (2012).
- 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).
- 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).
- Wu, L., et al. Establishing a competing risk regression nomogram model for survival data. Journal of Visualized Experiments. (164), e60684 (2020).
- Zhang, Z., Geskus, R. B., Kattan, M. W., Zhang, H., Liu, T. Nomogram for survival analysis in the presence of competing risks. Annals of Translational Medicine. 5 (20), 403 (2017).
- Zhang, Z. H., et al. Overview of model validation for survival regression model with competing risks using melanoma study data. Annals Of Translational Medicine. 6 (16), 325 (2018).
- Newson, R. Confidence intervals for rank statistics: Somers' D and extensions. Stata Journal. 6 (3), 309-334 (2006).
- Davison, A. C., Hinkley, D. V., Schechtman, E.
- Roecker, E. B. Prediction error and its estimation for subset-selected models. Technometrics. 33 (4), 459-468 (1991).
- Steyerberg, E. W., Harrell, F. E. Prediction models need appropriate internal, internal-external, and external validation. Journal of Clinical Epidemiology. 69, 245-247 (2016).
- Zhang, Z., Chen, L., Xu, P., Hong, Y. Predictive analytics with ensemble modeling in laparoscopic surgery: A technical note. Laparoscopic, Endoscopic and Robotic Surgery. 5 (1), 25-34 (2022).
