Rakip Risk Modelinin R Tabanlı Peyzaj Doğrulaması
16 Eylül 2022
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.
Protokolümüz, hayatta kalma analizinde rakip olayların varlığını dikkate alan rakip risk nomogramının değerlendirilmesi ve doğrulanması için farklı yöntemler sunmaktadır. Bu protokol, R.Like içindeki risk regresyon paketine, C-indeksinin hesaplanması ve bootstrap yöntemi kullanılarak dahili doğrulama gibi bir ek görevi görür. C-indeksi ayrımcılığına başlamak için, matris koçanını rakip risk modeli mod CRR'ye sığdırın ve komutu yürüterek tahmin edilen bir matris SUV elde edin.
SUV'dan belirli bir aydaki kümülatif olayları alın ve R-core gönderdiği fonksiyonla C-endeksini hesaplayın. AUC ayrımcılığı için, işlev puanını, risk regresyon paketini kullanarak rakip risk modelinin tahmine dayalı performansını puanlayın. Ardından komutu yürüterek AUC'yi puandan çıkarın.
Rakip risk modelinin %95 güven aralığına sahip kalibrasyon eğrileri elde etmek için, her bireyin belirli bir arıza süresindeki kümülatif insidanslarını içeren bir veri çerçevesi elde edin. Ardından, kohortu tahmini kümülatif insidanslara göre beş alt gruba ayırın ve her bir alt grubun ortalama öngörülen kümülatif insidanslarını hesaplayın. Gözlenen kümülatif insidansları, yani cuminc fonksiyonunu kullanarak gerçek kümülatif insidansları hesaplayın.
Ardından, komutu yürüterek belirli bir hata süresinde% 95'lik bir güven aralığıyla gözlemlenen kümülatif olayları elde edin. Kalibrasyon eğrisini, X ekseni olarak tahmin edilen kümülatif insidanslarla ve Y ekseni olarak gözlemlenen kümülatif insidanslarla çizin. gg grafiği işlevini kullanarak.
Rakip risk modelinin risk puanlarını içeren kalibrasyon eğrisi için, tüm değişkenlerin her seviyesini değerlendirin ve komutu yürüterek toplam RS'yi elde edin. Frekansları sayın ve farklı toplam risk puanlarının gözlemlenen kümülatif insidanslarını hesaplayın. X ekseninin aralığını ayarlayın ve toplam risk puanlarının tahmin edilen kümülatif insidanslarını hesaplayın.
Ardından, komutu yürüterek kalibrasyon eğrisini risk puanlarıyla çizin. Bootstrap yöntemini kullanarak ortalama tahmin edilen kümülatif olayları elde etmek için, bootstrap veri kümesini oluşturmak üzere özgün veri kümesini (rechange ile veri kümesi) yeniden örnekleyin. Veri kümesi içinde.
Ardından, bootstrap veri kümesiyle rakip bir risk modeli: mod NCRR oluşturun ve SUV üretmek için döngü B zamanlarında mod NCRR'yi tahmin etmek için CRR'yi tahmin et işlevini kullanın. Ardından, belirli bir ayda ortalama tahmin edilen kümülatif olayları alın. R-core gönderir fonksiyonuyla aralık çapraz doğrulamasını kullanarak C-endeksini hesaplayın.
Kalibrasyon için, harici doğrulama kullanarak, komutu yürüterek harici verileri ve harici veri değişkenleri matrisi ile kümülatif olayları kullanarak tahmin edilen kümülatif olayları alın:Code-X. Ardından, komutu yürüterek harici doğrulamayı kullanarak C-indeksini hesaplayın. Doğrudan yöntem ve ağırlıklı yöntem kullanılarak iki nomogram elde edildi ve her değişken seviyesinin noktalarının ve toplam noktalara karşılık gelen olasılıkların neredeyse aynı olduğunu gösterdi.
Bazı küçük farklılıklar gözlenirken. Rakip risk modeli için kalibrasyon eğrisi eşdeğerlik çizgisine yakındı ve gözlemlenen frekansın %95 güven aralığı her grupta eşdeğerlik çizgisine düştü. Modelin doğru kalibrasyon yeteneğini gösterir.
İç ve dış doğrulamayı kullanan kalibrasyon eğrileri gösterildi, bu da inşa edilen modelin dahili doğrulamada iyi bir kalibrasyon kabiliyetine sahip olduğunu, ancak harici doğrulamada zayıf olduğunu gösterdi. Rakip risk nomogramının karar eğrisi analizi sonuçları elde edilmiştir. Net faydadaki değişikliklerin artan eşik olasılığı ile gösterilmesi.
Orijinal veri kümesinin yeniden örneklenmesi, rakip risk nomogramının dahili doğrulamasının gerçekleştirilmesinde önemli olan bootstrap veri kümesini oluşturmak için değiştirildi. Bootstrap yönteminin yanı sıra, dahili doğrulama için kullanılan veri kümelerini oluşturmak için rastgele görüntüleme ve K4 yöntemi de gerçekleştirilebilir. Rakip risk modelinin R tabanlı peyzaj doğrulamasını kullanarak, klinisyenler rakip riski daha kolay göz önünde bulundurarak gerçek dünyada bir prognoz analizi yapabilirler.
Tam transkripti görüntüleyin ve binlerce bilimsel videoya erişin
Genel Bakış
Bu protokol, sağkalım analizinde yarışan risk modellerinin değerlendirilmesi ve doğrulanması için yöntemler sunmaktadır. Diskriminasyon ve kalibrasyon yeteneklerini değerlendirmeye yönelik R kodlarının yanı sıra iç ve dış doğrulama tekniklerini içermektedir.
Temel Çalışma Bileşenleri
Bilim Alanı
- Sağkalım Analizi
- Yarışan Riskler
- İstatistiksel Modelleme
Arka Plan
- Yarışan risk modelleri, sağkalım verilerindeki yarışan olayların varlığını dikkate alır.
- C-indeksi ve AUC gibi değerlendirme metrikleri, model performansının belirlenmesi için kritik öneme sahiptir.
- İç doğrulama için yaygın olarak bootstrap yöntemleri kullanılır.
- Bu protokol, R'daki risk regression paketini tamamlayıcı niteliktedir.
Çalışmanın Amacı
- Yarışan risk nomogramlarını değerlendirmek için kapsamlı bir kılavuz sağlamak.
- Model kalibrasyonu ve ayırt ediciliğine ilişkin anlayışı geliştirmek.
- Sağkalım analizinde istatistiksel yöntemlerin uygulanmasını kolaylaştırmak.
Kullanılan Yöntemler
- Model ayrımı için C-indeksinin hesaplanması.
- İç doğrulama için bootstrap yöntemlerinin kullanımı.
- Tahmin performansını değerlendirmek için AUC değerinin çıkarılması.
- Model uyumu ve değerlendirmesi için R komutlarının uygulanması.
Ana Sonuçlar
- Tahmin edilen matristen kümülatif insidansların başarılı bir şekilde hesaplanması.
- Yarışan risk modellerinin skorlanması ve doğrulanması için yöntemlerin gösterilmesi.
- Tekrarlanabilirlik için net R kodu örneklerinin sağlanması.
- Sağkalım analizinde model değerlendirmenin öneminin vurgulanması.
Sonuçlar
- Protokol, sağkalım analizi alanındaki araştırmacılar için değerli araçlar sunmaktadır.
- Yarışan risk modellerinin titiz bir şekilde değerlendirilmesi gerekliliğini vurgulamaktadır.
- Gelecekteki uygulamalar, model doğruluğunu artırmak için bu yöntemler üzerine inşa edilebilir.
Sıkça Sorulan Sorular
Sektörel Uygulama ve Önem
Güçlü R tabanlı iş akışları aracılığıyla doğrulanan yarışan risk modelleri, klinik veri setlerindeki birden fazla olay sonucunu nicelendirerek geleneksel sağkalım analizinin kısıtlamalarını giderir. Bu yaklaşım, öngörü güvenini artırır ve kritik keşif ile translasyonel dönüm noktalarında riske göre ayarlanmış karar verme süreçlerini destekler. Güvenilir model kalibrasyonu ve ayrım metrikleri, biyofarma ekiplerinin hedefleri önceliklendirmesine ve hasta popülasyonlarını daha yüksek bir hassasiyetle tabakalandırmasına olanak tanır.
Biyofarma Ar-Ge'sinde Stratejik Uygulamalar
Erken Keşif ve Hedef Doğrulama
- Sağkalım verilerindeki rakip klinik sonuçları hesaba katarak titiz hipotez testlerini mümkün kılar.
- Kantitatif ayırt etme ve kalibrasyon metrikleri aracılığıyla fonksiyonel hedef doğrulamasını destekler.
- Erken portföy seçimi ve mekanistik risk azaltma için öngörücü güven sağlar.
Tarama ve Analiz Geliştirme
- Aşağı akışlı translasyonel iş akışları için valide edilmiş istatistiksel modeller hazırlar.
- Tekrarlanabilirlik için C-indeksi, AUC ve kalibrasyon eğrileri kullanarak model değerlendirmesini standartlaştırır.
- Prognostik biyobelirteçlerin ve risk faktörlerinin ölçeklenebilir, kantitatif değerlendirmesine olanak tanır.
Translasyonel ve Preklinik Araştırmalar
- Translasyonel süreklilik için model çıktılarını gerçek dünya klinik sonlanım noktalarıyla uyumlu hale getirir.
- Karar eğrisi analizi yoluyla net faydayı nicelleştirerek risk ayarlı ilerleme kararlarını destekler.
- Modelin farklı veri setleri arasındaki genellenebilirliğini sağlayarak dış doğrulama için bir çerçeve sunar.
Boru Hattı ve İş Akışı Entegrasyonu
R tabanlı bu doğrulama protokolü, erken keşiften translasyonel araştırmaya kadar olan süreci entegre ederek, rakip risklerin mevcut olduğu durumlarda öncü bileşik tanımlama ve preklinik model seçimini destekler.
- Keşif Biyolojisi: Yarışan olayların etkisini nicelleştirerek biyolojik yolakları netleştirir ve mekanistik belirsizliği azaltır.
- Tarama: Model karşılaştırması ve analiz hazırlığı için tekrarlanabilir, kantitatif çıktılar (C-index, AUC) sağlar.
- Analitik: Öngörücü performansı kıyaslamak için kalibrasyon eğrileri ve karar eğrisi analizi sunar.
- Translasyonel Araştırma: Keşif ve klinik veri setleri arasında süreklilik için harici doğrulamaya olanak tanır.
- Kurumsal Yeniden Kullanım: Çeşitli sağkalım analizi uygulamaları için yeniden kullanılabilir bir istatistiksel doğrulama çerçevesi oluşturur.
Operasyonel ve Kurumsal Etki
- Bilimsel Değer: Yarışan risk analizini entegre ederek öngörü güvenini ve hedef doğrulamasını artırır.
- Operasyonel Değer: Tekrarlanabilirlik ve ölçeklenebilirlik için model değerlendirme ve doğrulama süreçlerini standartlaştırır.
- Stratejik Değer: Güçlü istatistiksel çıktılar aracılığıyla devam/dur kararlarına bilgi sağlar ve geç aşama biyolojik risklerini azaltır.
- Portföy Etkisi: Doğrulanmış prognostik modellere dayalı olarak, riske göre ayarlanmış önceliklendirmeyi ve varlıkların ilerletilmesini destekler.
Uygulama Hususları
- R ve sağkalım analizi istatistiksel yöntemlerinde uzmanlık gerektirir.
- Bootstrap ve harici doğrulama iş akışları için güçlü bir hesaplama altyapısına erişime bağlıdır.
- Model değerlendirme metriklerinin ve raporlamanın ekipler arası standardizasyonunu gerektirir.
- Farklı hastalık modelleri veya klinik sonlanım noktaları için adaptasyon gerekebilir.
- Harici doğrulama performansı, veri seti heterojenliğine ve olay oranlarına bağlı olarak değişiklik gösterebilir.
Biyofarma SSS
Chapters in this video
0:04
Introduction
0:35
Discrimination Ability of the Competing Risk Nomogram
1:17
Calibration Ability of Competing Risk Models
2:42
Internal Validation Using the Bootstrap Method and External Validation of the Competing Risk Model
3:45
Results: Codes for Evaluating the Discrimination and Calibration Abilities of a Competing Risk Model
4:44
Conclusion
