Name: Survival Data için Rakip Risk Regresyon Nomogram Modeli Oluşturma (Video) | JoVE Journal
Uploaded: 2020-10-23T13:00:00.000+00:00
Duration: 4 min 57 s
Description: Öğrenin, rakip risk regresyon modeli kullanarak Cox orantılı tehlikeler regresyonu temelinde nomogram oluşturmayı. Bu yöntem, hayatta kalma verilerinde rakip olaylar varsa daha rasyonel bir yaklaşım sunar.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

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.

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
<ol><li>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.</li>
</ol>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.
<ol><li>rms ve cmprsk R paketlerini yükleyin. >install.packages("rms") >install.packages("cmprsk")
</li>
	<li>R paketlerini yükleyin. >kütüphane("rms") >kütüphane("cmprsk")
</li>
	<li>Kohort verilerini içe aktarın. >Dataset<-read.csv(".../Kohort Data.csv") # kohort verisi örnektir
</li>
</ol>3. Cox Orantılı Tehlikeler Regresyon modeline dayalı nomogram
<ol><li>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.<ol>
<li>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.</li>
	</ol>
</li>
	<li>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.</li>
</ol>4. Rakip Risk Regresyon Modeline Dayalı Nomogram
<ol><li>Rakip Risk Regresyon Modelini kurun.<ol>
<li>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.</li>
		<li>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.</li>
		<li>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)
</li>
	</ol>
</li>
	<li>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.<ol>
<li>Cox nom oluşturmak için işlev nomogramını kullanın (adım 3.2'de listelenen).</li>
		<li>X.beta ve X.point'in yanı sıra rakip risk regresyon modelinin total.points, X.real ve X.score'unu değiştirin.<ol>
<li>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$zaman=="24") > cif.min24<-suv[line24,hangi.min(suv[line24,]]]]
</li>
			<li>X.beta ve X.point'i değiştirin. > lmaxbeta<-which.max(abs(mod$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.</li>
			<li>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.</li>
			<li>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.</li>
		</ol>
</li>
	</ol>
</li>
</ol>5. Grup Risk Puanına (GRS) göre alt grup analizi
<ol><li>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.<ol>
<li>R paketlerini yükleme ve yükleme > install.packages("meta") > kütüphane("meta")
</li>
		<li>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$RS, seq(0, 1,1/3)), include.lowest = TRUE, etiketler = 1:3)</li>
		<li>Orman arsasını çizin. Crr fonksiyonu üzerinden HR, LCI ve UCI alın. > alt grup<-crr(ftime, fstatus, cov1, failcode=1) > HR<- özet(alt grup)$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")
</li>
	</ol>
</li>
</ol>

<ol><li>Fine, J. P., Gray, R. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+proportional+hazards+model+for+the+subdistribution+of+a+competing+risk%5BTitle%5D)+AND+%22Journal+of+the+American+Statistical+Association%22%5BJournal%5D)">A proportional hazards model for the subdistribution of a competing risk.</a> Journal of the American Statistical Association. 94 (446), 496-509 (1999).</li>
<li>Fu, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Real-world+impact+of+non-breast+cancer-specific+death+on+overall+survival+in+resectable+breast+cancer%5BTitle%5D)+AND+%22Cancer%22%5BJournal%5D)">Real-world impact of non-breast cancer-specific death on overall survival in resectable breast cancer.</a> Cancer. 123 (13), 2432-2443 (2017).</li>
<li>Kim, H. T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Cumulative+incidence+in+competing+risks+data+and+competing+risks+regression+analysis%5BTitle%5D)+AND+%22Clinical+Cancer+Research%22%5BJournal%5D)">Cumulative incidence in competing risks data and competing risks regression analysis.</a> Clinical Cancer Research. 13, 2 Pt 1 559-565 (2007).</li>
<li>Balachandran, V. P., Gonen, M., Smith, J. J., DeMatteo, R. P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Nomograms+in+oncology%3A+more+than+meets+the+eye%5BTitle%5D)+AND+%22Lancet+Oncology%22%5BJournal%5D)">Nomograms in oncology: more than meets the eye.</a> Lancet Oncology. 16 (4), 173-180 (2015).</li>
<li>Han, D. S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Nomogram+predicting+long-term+survival+after+d2+gastrectomy+for+gastric+cancer%5BTitle%5D)+AND+%22Journal+of+Clinical+Oncology%22%5BJournal%5D)">Nomogram predicting long-term survival after d2 gastrectomy for gastric cancer.</a> Journal of Clinical Oncology. 30 (31), 3834-3840 (2012).</li>
<li>Karakiewicz, P. I., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Multi-institutional+validation+of+a+new+renal+cancer-specific+survival+nomogram%5BTitle%5D)+AND+%22Journal+of+Clinical+Oncology%22%5BJournal%5D)">Multi-institutional validation of a new renal cancer-specific survival nomogram.</a> Journal of Clinical Oncology. 25 (11), 1316-1322 (2007).</li>
<li>Liang, W., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Development+and+validation+of+a+nomogram+for+predicting+survival+in+patients+with+resected+non-small-cell+lung+cancer%5BTitle%5D)+AND+%22Journal+of+Clinical+Oncology%22%5BJournal%5D)">Development and validation of a nomogram for predicting survival in patients with resected non-small-cell lung cancer.</a> Journal of Clinical Oncology. 33 (8), 861-869 (2015).</li>
<li>Valentini, V., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Nomograms+for+predicting+local+recurrence%2C+distant+metastases%2C+and+overall+survival+for+patients+with+locally+advanced+rectal+cancer+on+the+basis+of+European+randomized+clinical+trials%5BTitle%5D)+AND+%22Journal+of+Clinical+Oncology%22%5BJournal%5D)">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.</a> Journal of Clinical Oncology. 29 (23), 3163-3172 (2011).</li>
<li>Iasonos, A., Schrag, D., Raj, G. V., Panageas, K. S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((How+to+build+and+interpret+a+nomogram+for+cancer+prognosis%5BTitle%5D)+AND+%22Journal+of+Clinical+Oncology%22%5BJournal%5D)">How to build and interpret a nomogram for cancer prognosis.</a> Journal of Clinical Oncology. 26 (8), 1364-1370 (2008).</li>
<li>Chisholm, J. C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Prognostic+factors+after+relapse+in+nonmetastatic+rhabdomyosarcoma%3A+a+nomogram+to+better+define+patients+who+can+be+salvaged+with+further+therapy%5BTitle%5D)+AND+%22Journal+of+Clinical+Oncology%22%5BJournal%5D)">Prognostic factors after relapse in nonmetastatic rhabdomyosarcoma: a nomogram to better define patients who can be salvaged with further therapy.</a> Journal of Clinical Oncology. 29 (10), 1319-1325 (2011).</li>
<li>Brockman, J. A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Nomogram+Predicting+Prostate+Cancer-specific+Mortality+for+Men+with+Biochemical+Recurrence+After+Radical+Prostatectomy%5BTitle%5D)+AND+%22European+Urology%22%5BJournal%5D)">Nomogram Predicting Prostate Cancer-specific Mortality for Men with Biochemical Recurrence After Radical Prostatectomy.</a> European Urology. 67 (6), 1160-1167 (2015).</li>
<li>Zhou, H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Nomogram+to+Predict+Cause-Specific+Mortality+in+Patients+With+Surgically+Resected+Stage+I+Non-Small-Cell+Lung+Cancer%3A+A+Competing+Risk+Analysis%5BTitle%5D)+AND+%22Clinical+Lung+Cancer%22%5BJournal%5D)">Nomogram to Predict Cause-Specific Mortality in Patients With Surgically Resected Stage I Non-Small-Cell Lung Cancer: A Competing Risk Analysis.</a> Clinical Lung Cancer. 19 (2), 195-203 (2018).</li>
<li>Fu, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((De-escalating+chemotherapy+for+stage+II+colon+cancer%5BTitle%5D)+AND+%22Therapeutic+Advances+in+Gastroenterology%22%5BJournal%5D)">De-escalating chemotherapy for stage II colon cancer.</a> Therapeutic Advances in Gastroenterology. 12, 1756284819867553(2019).</li>
<li>Chen, D., Li, J., Chong, J. K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Hazards+regression+for+freemium+products+and+services%3A+a+competing+risks+approach%5BTitle%5D)+AND+%22Journal+of+Statistical+Computation+and+Simulation%22%5BJournal%5D)">Hazards regression for freemium products and services: a competing risks approach.</a> Journal of Statistical Computation and Simulation. 87 (9), 1863-1876 (2017).</li>
<li>Frank, E., H, J. rms: Regression Modeling Strategies. R package version 5.1-2. , Available from: 
 <a target="_blank" href="https://CRAN.R-project.org/package=rms">https://CRAN.R-project.org/package=rms</a> (2018).</li>
<li>Gray, B. cmprsk: Subdistribution Analysis of Competing Risks. R package version 2.2-7. , Available from: 
 <a target="_blank" href="https://CRAN.R-project.org/package=cmprsk">https://CRAN.R-project.org/package=cmprsk</a> (2014).</li>
<li>Scrucca, L., Santucci, A., Aversa, F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Regression+modeling+of+competing+risk+using+R%3A+an+in+depth+guide+for+clinicians%5BTitle%5D)+AND+%22Bone+Marrow+Transplantation%22%5BJournal%5D)">Regression modeling of competing risk using R: an in depth guide for clinicians.</a> Bone Marrow Transplantation. 45 (9), 1388-1395 (2010).</li>
<li>Zhang, Z., Geskus, R. B., Kattan, M. W., Zhang, H., Liu, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Nomogram+for+survival+analysis+in+the+presence+of+competing+risks%5BTitle%5D)+AND+%22Annals+in+Translational+Medicine%22%5BJournal%5D)">Nomogram for survival analysis in the presence of competing risks.</a> Annals in Translational Medicine. 5 (20), 403(2017).</li>
<li>Geskus, R. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Cause-specific+cumulative+incidence+estimation+and+the+fine+and+gray+model+under+both+left+truncation+and+right+censoring%5BTitle%5D)+AND+%22Biometrics%22%5BJournal%5D)">Cause-specific cumulative incidence estimation and the fine and gray model under both left truncation and right censoring.</a> Biometrics. 67 (1), 39-49 (2011).</li>
<li>Fu, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Young-onset+breast+cancer%3A+a+poor+prognosis+only+exists+in+low-risk+patients%5BTitle%5D)+AND+%22Journal+of+Cancer%22%5BJournal%5D)">Young-onset breast cancer: a poor prognosis only exists in low-risk patients.</a> Journal of Cancer. 10 (14), 3124-3132 (2019).</li>
<li>de Glas, N. A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Performing+Survival+Analyses+in+the+Presence+of+Competing+Risks%3A+A+Clinical+Example+in+Older+Breast+Cancer+Patients%5BTitle%5D)+AND+%22Journal+of+the+National+Cancer+Institute%22%5BJournal%5D)">Performing Survival Analyses in the Presence of Competing Risks: A Clinical Example in Older Breast Cancer Patients.</a> Journal of the National Cancer Institute. 108 (5), (2016).</li>
</ol>

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 k...

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.

<table><tbody><tr><td>Hayır</td><td>Hayır</td><td>Hayır</td><td></td></tr></tbody></table>

survival data için rakip risk regresyon nomogram modeli oluşturma

Establishing a Competing Risk Regression Nomogram Model for Survival Data

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.

Örnek kohortun hayatta kalma özellikleri <img alt="Figure 1" clas...

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.

Survival Data için Rakip Risk Regresyon Nomogram Modeli Oluşturma

The Kaplan&#8211;Meier method and Cox proportional hazards regression model are the most common analyses in the survival framework. These are relatively ...

Bu protokol, trafik kazaları gibi rakip olaylar hayatta kalma analizinde geçildiğinde uygulanacak daha rasyonel bir yöntem olan rakip risk regresyon modeline dayalı normal hibelerle başa çıkmak için kullanılan protokoldür. Rakip etkinliklerimizi yaşamış olan bireyler genellikle, rakip riskler genellikle bağımsız olmadığı için riskleri hatırlatmaktadırlar. Rekabet normal hibe analiz de bireyler için olayları test olasılığını değerlendirmek için daha uygundur.RMS'yi yükledikten ve risk R paketlerini yükledikten sonra, bunları yükleyin ve kohort verilerini içe aktarArak Cox orantılı tehlikelerre regresyon modelini oluşturmak için, modeli CPH işlevini kullanarak verilere uygun hale getirin ve iki yıl öngörülen sağkalım oranını örnek alın. Risk puanını hesaplamak ve bir orman arsaçizmek için R meta paketini kullanın. R paketlerini yükledikten ve yükledikten sonra grup risk puanını veya GRS'yi alın ve kohort'u üç alt gruba bölün.Daha sonra orman arsasını çizin, tehlike oranı daha düşük yetkinlik aralığını ve CRR fonksiyonu ile üst güven aralığını elde edin. Rakip risk regresyon modelini oluşturmak için, prognostik değişkenleri bir matrisin içine yerleştirerek başlayın. Değişkenleri sütunlara göre birleştirip modele sığdırmak için Cbind işlevini kullanın.Sonra Cox Nome oluşturmak için nomogram işlevini kullanın. Temel kümülatif olaylar işlevini veya CIF'i alın ve rakip risk regresyon modelinin X beta ve X noktasını değiştirin. X makarasındaki toplam X noktasını değiştirin, ardından X skorunu hesaplayın ve nomogramı çizin.X skoru ve X demiryolu ilişkisi denklemi, rakip modelin içsel atıflarına göre hesaplanabilir. CIF sıfır, tahmin CRR işlevi tarafından hesaplanan temel CIF anlamına gelir. Örnek kohortta toplam 8, 550 uygun hasta analize dahil edilmiş ve ortanca takip süresi 88 ay olarak saptandı.Tümör ölümü kümülatif insidansı ve tümör ölümü ve rakip olaylar Kaplan-Meier yöntemi ve rakip risk regresyon fonksiyonu ile sırasıyla. Kaplan-Meier yöntemi ile hesaplanan tümör ölümü ve tümör ölümü olmayan kümülatif ölüm insidansının toplamı, rakip bir yöntem kullanıldığında kansere özgü ölüm kümülatif olaylarına eşit olan tüm ölüm nedenlerinin tahminlerinin toplamından daha yüksekti. Medeni durum, ırk, histolojik tip, diferansiye sınıf, T-sınıflandırması ve N-sınıflandırması gibi önemli faktörlere dayalı Cox orantılı regresyon modeli kullanılarak bir nomogram oluşturuldu.Bir nomogram da rakip risk regresyon modeli kullanılarak inşa edilmiştir. Risk skoruna göre kohort düşük risk, orta risk ve yüksek risk olmak üzere üç alt gruba ayrılmıştır. Orman çizimi, grup risk puanı ile belirli faktör arasındaki etkileşimi açıkça sunmak için kullanılmıştır.Yaş düşünüldüğünde, sadece düşük risk grubu genç kadınlar için daha kötü bir prognoz gösterdi, genç yaş orta ve yüksek riskli gruplarda prognoz koruyucu bir faktör olarak hareket edebilir gösteren. Bu protokolü denerken olay analizi ne kadar 10 farklı hayatta kalma modellerini tam olarak anlamak önemlidir ve araçlar bireyselleştirilmiş kılavuzluk için uygun şekilde ustalaştırılır. Model performansı ayrımcılık ve kalibreli istihkak performansı açısından değerlendirilir.Bu yordamı takiben, kalibrasyon eğrisi ve aynı boşluklar rakip normal hibe verimliliğini doğrulamak için performans olabilir konum.

establishing-competing-risk-regression-nomogram-model-for-survival

Research

JoVE Journal

Cancer Research

Kanser Araştırmaları

Mevcut protokol, rakip bir risk modelinin ayırt etme ve kalibrasyon yeteneklerini değerlendirmek için R'deki kodları ve bunun iç ve dış doğrulaması için kodları açıklamaktadır.

Rakip Risk Modelinin R Tabanlı Peyzaj Doğrulaması

Çalışma, ameliyat sonrası çoklu primer kolorektal kanser (MPCC) hastalarında erkek cinsiyet, zayıf tümör derecesi ve ileri Tümör Nodu Metastazı evresinin daha kötü kansere özgü sağkalım (CSS) ile ilişkili olduğunu buldu. MPCC hastalarının CSS'sini tahmin etmek ve klinik tedavi karar verme sürecine katkıda bulunmak için bir nomogram geliştirdik.

Ameliyat Sonrası Çoklu Primer Kolorektal Kanser Hastalarında Kansere Özgü Sağkalımı Tahmin Etmek için Rekabet Riski Nomogramı

Bu çalışma, kolorektal taşlı yüzük hücreli karsinom hastaları için prognostik sistemleri, makine öğrenmesi modelleri ve rakip risk analizleri kullanarak değerlendirmektedir. Pozitif lenf nodlarının log oranlarını, pN evrelemesine kıyasla üstün bir öngörücü olarak tanımlar, güçlü öngörücü performans gösterir ve sağlam sağkalım tahmin araçları aracılığıyla klinik karar vermeye yardımcı olur.

Kolorektal Taşlı Yüzük Hücreli Karsinomda Üç Lenf Nodu Evreleme Sisteminin Prediktif Performansının Makine Öğrenmesi Modeline Dayalı Olarak Karşılaştırılması

Mime, zarif performansa sahip makine öğrenimi tabanlı bir entegrasyon modeli oluşturmak için esnek bir hesaplama çerçevesidir. Burada, hastalığın ilerlemesi, hasta sonuçları ve terapötik yanıtla ilişkili kritik genleri belirlemek için karmaşık veri kümelerinden yararlanarak, yüksek doğrulukta tahmine dayalı modeller geliştirmek için ayrıntılı bir adım adım prosedür sunuyoruz.

Mime Tabanlı Makine Öğrenmesi Çerçevesini Kullanarak Modeller Oluşturma ve Görselleştirme

EGFR TKI ve MET-TKI kanser hücrelerinin içinde çift direnç kurmak için bir vitro yöntemi açıklanmıştır. MET-güçlendirme ile EGFR-TKI tedaviye rağmen hastalık ilerleme sergileyen EGFR mutasyon, hastalar için tedavi geliştirmek için yararlı bir yöntemdir. Ayrıca diğer molekülleri hedefleme inhibitörleri için değiştirilebilir.

2-adım doz-yükseltme yordamını akciğer adenokarsinom hücre Vitro EGFR-TKI ve bir araya geldi-TKI çift direnç kurulması

Burada, sağlıklı ve patolojik hücreleri üzerinde 3 boyutlu onların şekil alarak tanımlamasını sağlayan bir iş akışı sağlar. İncelenen hücre olasılığını tarafsız kümeleme sağlayacak bir Self-Organizing harita eğitmek için 3B yüzeyler üzerinde temel 2D projeksiyon anahatları kullanma işlemi açıklanmaktadır.

Sağlıklı ve patolojik arasında ayrım morfoloji tabanlı kullanarak Fourier dönüşümleri ve kendi kendini düzenleyen haritalar hücreleri

Bir gen gen işlev eğitim ilgi overexpressing bir istikrarlı hücre kültürünü kuran istikrarlı transfection-toplama tek klonlar tarafından via retroviral enfeksiyon transfecting sonra yapılabilir. İşte bu şekilde oluşturulan HT29-DR3 hücre hatları tarafından hangi ölüm reseptör 3 (DR3) antimitotics kaynaklı apoptosis katkıda mekanizmaları aydınlatmak göstermektedir.

Anti-mitotik Therapeutics apoptotik yanıtı değerlendirmek için DR3 Overexpressing hücre satırları oluşturma

Bu çalışma, yeşil floresan protein ve biyolüminesans sinyallerinin yanı sıra kantitatif moleküler algılama tekniğinin entegrasyonu ile tümör yüklemesini doğru bir şekilde değerlendirmek için gelişmiş bir protokol hazırlaştır.

Ortotopik Meme Kanseri Modeli Kullanarak Üçlü Negatif Meme Kanseri Eğitimi

Burada glioblastoma için kullanımı kolay bir istila çıktısını tanımlıyoruz. Bu töz glioblastoma kök benzeri hücreler için uygundur. İstilanın, göçün ve çoğalmanın kolay ölçülmesi için bir Fiji makrosu da tanımlanmıştır.

Glioblastoma için 3D Spheroid Model

Bu yazıda kan toplama, plazma ve buffy kat ayırma, cfDNA ve germline DNA ekstraksiyonu, cfDNA veya germline DNA'nın nicelleştirilmesi ve cfDNA parça zenginleştirme analizi dahil olmak üzere invaziv olmayan sıvı biyopsi tekniği için ayrıntılı bir protokol sunuyoruz.

Kanser Hastalarının Kan Plazma Örneklerinde Hücresiz DNA Tespiti

Öğrenin, rakip risk regresyon modeli kullanarak Cox orantılı tehlikeler regresyonu temelinde nomogram oluşturmayı. Bu yöntem, hayatta kalma verilerinde rakip olaylar varsa daha rasyonel bir yaklaşım sunar.

Survival Data için Rakip Risk Regresyon Nomogram Modeli Oluşturma

Daha fazla video keşfet