Name: Rakip Risk Modelinin R Tabanlı Peyzaj Doğrulaması (Video) | JoVE Journal
Uploaded: 2022-09-16T13:10:00.000+00:00
Duration: 5 min 37 s
Description: Öğrenin, R tabanlı rakip risk modelinin peyzaj doğrulamasını; C-index, AUC ve bootstrap yöntemleriyle model ayırt ediciliği ve kalibrasyonunu değerlendirmeyi keşfedin.

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 Tıp Bilimi ve Teknoloji Planı Projesi (hibe numaraları 2013KYA212), Zhejiang Eyaleti Doğa Bilimleri Vakfı'nın genel programı (hibe numarası Y19H160126) ve Jinhua Belediyesi Bilim ve Teknoloji Bürosu'nun kilit programından (hibe numarası 2016-3-005, 2018-3-001d ve 2019-3-013) hibelerle desteklenmiştir.

Sürveyans, Epidemiyoloji ve Son Sonuçlar (SEER) veritabanı, yalnızca tanımlanmamış hasta verilerini içeren açık erişimli bir kanser veritabanıdır (SEER ID: 12296-Kasım 2018). Bu nedenle, bu çalışma Zhejiang Üniversitesi Tıp Fakültesi, Bağlı Jinhua Hastanesi inceleme kurulunun onayından muaf tutulmuştur.
1. Veri hazırlama ve R paketlerinin hazırlanması
<ol><li>Verileri hazırlayın ve içeri aktarın. > Veri Kümesi <- read.csv(".../Meme kanseri Verileri.xlsx") #Import veriler. NOT: Veriler Ek Dosya 1'e yüklenir.</li>
	<li>R paketlerini yükleyin ve yükleyin. > paketleri <- c("rms","cmprsk","mstate","survival","riskRegression",," prodlim") > req.pcg <- fonksiyonu(pcg){ Yeni <- PCG[!( pcg %in% installed.packages()[, "Paket"])] if (length(new)) install.packages(new, dependencies = T) sapply(pcg, require, ch = T) } > req.pcg(paketler) NOT: rms, cmprsk, mstate, survival, riskRegression ve prodlim (http://www.r-projectrg/) paketlerini kullanarak R yazılımını (sürüm 3.6.2) temel alan aşağıdaki yordamları gerçekleştirin.</li>
</ol>2. Rakip risk nomogramlarını iki farklı yöntemle oluşturun
<ol><li>Rakip risk nomogramını doğrudan bir yöntemle oluşturun. > mod_cph <- cph (Surv (Survivalmonths, durum) ~ faktör1 + faktör2 + ..., x=T, y=T, surv=T, data=Veri kümesi) > nom <- nomogram(mod_cph, fun=list(function(x) 1-surv_cph(36, x)...), funlabel=c("3 yıllık olay1 Prob." ...), lp=F) örnek olarak 36. ay #Take. > mod_crr <- crr(Survivalmonths, fstatus, failcode=1, cov1=cov) > puanı <- log(log((1-real.3y),(1-cif.min36)))/(maxbeta/100) > Arsa (Nom)</li>
	<li>Rakip risk nomogramını ağırlıklı bir yöntemle oluşturun. > df.w <- crprep("Survivalmonths"," fstatus", data=Veri kümesi, trans=c(1,2), cens=0, keep=c("faktör1"," faktör2"...)) > mod.w <- cph(Surv(Tstart, Tstop, status==1) ~ factor1+factor2+..., data=df.w, weight=weight.cens, subset=failcode==1, surv=T) > nom.w <- nomogram(mod.w...)</li>
</ol>3. Rakip risk nomogramının ayırt edicilik yeteneği
<ol><li>Ayrımcılık için C-indeksi<ol><li>Matris kovanını rakip risk modeline mod_crr sığdırın ve tahmin edilen bir matris SUV alın. > suv <- predict.crr(mod_crr, cov)</li>
		<li>Belirli bir aydaki kümülatif olayları suv'den alın ve rcorr.cens işleviyle C-endeksini hesaplayın. > cif36 <- suv[hangi(suv[,1]==36),][-1] > rcorr <- rcorr.cens(1-cif36,Surv(Dataset$Survivalmonths,Dataset$tumordeath)) > cindex <- rcorr[1]</li>
	</ol></li>
	<li>Ayrımcılık için AUC<ol><li>Score (riskRegression package) işlevini kullanarak rakip risk modelinin tahmine dayalı performansını puanlayın. > fgr.w <- FGR(Hist(Survivalmonths, fstatus) ~ factor1+ factor2+..., data=Dataset, cause=1) > skor <- Score(list("Fine-Gray" = fgr.w),</li>
		<li>AUC'yi "puan" dan çıkarın. > puanı$AUC</li>
	</ol></li>
</ol>4. Rakip risk modellerinin kalibrasyon kabiliyeti
<ol><li>Rakip risk modelinin %95 güven aralığına sahip kalibrasyon eğrileri<ol><li>Belirli bir başarısızlık süresinde her bireyin kümülatif olaylarını içeren bir veri çerçevesi edinin. Örnek olarak 36. ay #Take cif36 <- data.frame(cif36) >. > ortak ad(cif36.36_o)<-c("36m")</li>
		<li>Kohortu tahmini kümülatif insidanslara göre beş alt gruba ayırın ve her bir alt grubun ortalama öngörülen kümülatif insidanslarını hesaplayın. > grubu36 <- kesim (cif36 $ '36 m', Kantil (cif36 $ '36m', seq (0, 1, 0.2)), include.en düşük = TRUE, etiketler = 1:5) > ortalama36 <- as.vector(by(cif36 $'36m', group36, ortalama))</li>
		<li>Gözlenen kümülatif insidansı, yani gerçek kümülatif insidansı, kiminc fonksiyonunu kullanarak hesaplayın ve ardından gözlemlenen kümülatif insidansı, belirli bir başarısızlık süresinde% 95'lik bir güven aralığıyla elde edin. > cum36 <- cuminc(Dataset$Survivalmonths,Dataset$fstatus,group36) > obs36 <- zaman noktaları(cum36,Veri Kümesi$Survivalmonths)$est[c(1:5),36] > obs36var <- timepoints(cum36,Dataset$Survivalmonths)$var[c(1:5),36] > DF <- data.frame(ortalama36, obs36, obs36var)</li>
		<li>Kalibrasyon eğrisini, ggplot fonksiyonunu kullanarak x ekseni olarak tahmin edilen kümülatif insidanslar ve y ekseni olarak gözlemlenen kümülatif insidanslarla çizin. > ggplot(df)+ geom_point(aes(x=ortalama36,y=obs36),col="kırmızı")+ geom_point(AES(x=ortalama36,y=obs36),col="kırmızı",pch=4)+ geom_line(col="kırmızı",AES(x=ortalama36,y=obs36))+ geom_errorbar(col="kırmızı",aes(x=ortalama36,y=obs36+1.96 *sqrt(obs36var)), ymin = obs36-1.96 * sqrt (obs36var), ymax = obs36 + 1.96 *sqrt(obs36var)) geom_abline(lty=3,lwd=2,col=c(rgb(0,118,192, maxColorValue=255)))</li>
	</ol></li>
	<li>Rakip risk modelinin risk puanları ile kalibrasyon eğrisi<ol><li>Tüm değişkenlerin her seviyesini değerlendirin ve toplam RS'yi elde edin. > Veri Kümesi$factor1[Veri Kümesi$faktör1==1] <- faktör1.scale["Factor1_level1"] > ... #For örnek, Dataset$histology[Dataset$histology==1]<-histology.scale["Histology1"] > Dataset$rs <- Dataset$factor1+Dataset$factor2+Dataset$factor3+... NOT: Her değişkenin puanlarını toplayarak her hasta için toplam RS'yi elde edin.</li>
		<li>Frekansları sayın ve farklı toplam risk puanlarının gözlemlenen kümülatif insidanslarını hesaplayın. > rs.freq <- as.data.frame(table(Dataset$rs)) > obs.36 <- vektör(mode="sayısal", uzunluk=nrow(rs.freq)) > için (i in 1: nrow(rs.freq)) { dataset <- subset(Dataset,Dataset$rs== rs.freq [i,1]) cif.dataset <- cuminc(dataset$Survivalmonths,dataset$death3) cif36.dataset <- zaman noktaları(cif.dataset,36) obs.36[i] <- cif36.dataset$est[1]}</li>
		<li>X ekseninin aralığını ayarlayın ve toplam risk puanlarının tahmin edilen kümülatif insidanslarını hesaplayın. > RS <- aralığı(nom$total.points) > x.36 <- seq(min(RS),max(RS),0.01) > pre.36 <- 1-(1-cif.min36)^exp(x.36*maxbeta/100)</li>
		<li>Kalibrasyon eğrisini risk puanlarıyla çizin. > grafiği(x.36, pre.36, type='l'...) > par(new=TRUE) > arsa(as.vector(rs.freq[,1]), obs.36... )</li>
	</ol></li>
</ol>5. Rakip risk modellerinin karar eğrisi analizi
<ol><li>Karar eğrisi analizini gerçekleştirmek için stdca işlevini kaynaklayın. > kaynak("stdca. R")</li>
	<li>Hayatta kalma olasılığını hesaplamak için polinom denklemlerini nomogramdan çıkarın. > nomogramEx(nomo = nom) > Veri Kümesi$tahmincileri <- A * (Veri Kümesi$rs ^3) + B * (Veri Kümesi$rs ^2) + C * Veri Kümesi$rs + D #predictors, belirlenen nomogram tarafından hesaplanan kansere özgü ölüm olasılıklarının tahmin edilen olasılıklarıdır</li>
	<li>Karar eğrisi analizini gerçekleştirin. > stdca(data = Veri kümesi, result = "status", ttoutcome = "Survivalmonths", timepoint = 36, tahminciler = "öngörücüler", cmprsk = DOĞRU, pürüzsüz = YANLIŞ, olasılık = YANLIŞ) NOT: Rakip bir risk varlığında bir sonucu değerlendirmek için, cmprsk için TRUE seçilmelidir.</li>
</ol>6. Bootstrap yöntemini kullanarak dahili doğrulama
<ol><li>Bootstrap yöntemini kullanarak tahmin edilen ortalama kümülatif olayları elde edin.<ol><li>Bootstrap veri kümesini (Dataset_in) oluşturmak için özgün veri kümesini (Veri Kümesi) replace ile yeniden örnekleyin. Bootstrap veri kümesiyle rakip bir risk modeli (mod.in_crr) oluşturun. mod.in_crr tahmin etmek için predict.crr işlevini kullanın ve suvall.in oluşturmak için b zamanlarını döngüleyin. B=b suvall.in <- list() for(j in 1:B){ Dataset_in <- Dataset[sample(c(1:nrow(Dataset)),nrow(Dataset), değiştir = TRUE),] Ekle (Dataset_ içinde) cov. <- model.matrix(~faktör1+ faktör2+...) [,-1] mod. içinde _crr <- crr(Survivalmonths, fstatus, failcode=1, cov1=cov.in) detach(Veri kümesi. iç) SUV. <- predict.crr (mod. in _crr, cov) suvall.in[[j]] <- suv.in}</li>
		<li>Belirli bir ayda tahmin edilen ortalama kümülatif olayları alın. CIF36ALL. iç <- vektör(mode="sayısal", uzunluk=nrow(Veri kümesi)) for (k in 1:B) { CIF36ALL. İç<- CIF36ALL. iç + suvall. iç[[k]][hangi(suvall. iç[[k]][,1]==36),][-1] } cif36.in <- cif36all.in/B</li>
	</ol></li>
	<li>C-dizinini, rcorr.cens işleviyle dahili çapraz doğrulamayı kullanarak hesaplayın. RCORR. iç <- rcorr.cens(1-cif36.in,Surv(Veri Kümesi$Survivalmonths,Veri Kümesi$tümör ölümü)) cindex. İç <- RCORR. iç[1]</li>
	<li>Çapraz dahili doğrulamayı kullanarak kalibre edin. NOT: İç doğrulamalı rakip risk modelinin kalibrasyon eğrisinin kodları, bölüm 4'teki kodlara benzerken, suv suv.in ile değiştirilmiştir.</li>
</ol>7. Rakip risk modelinin harici olarak doğrulanması
<ol><li>Dış verileri kullanarak tahmin edilen kümülatif olayları alın. Dış veri değişkenleri matrisi (cov.ex) ile tahmin edilen kümülatif olayları elde edin. suv.ex <- predict.crr(mod_crr,cov.ex) cif36.ex <- suv.ex [hangi(suv.ex $time=="36"),][-1]</li>
	<li>Harici doğrulama kullanarak C-indeksini hesaplayın. rcorr.ex <- rcorr.cens(1-cif36.ex,Surv(Dataset.ex$Survivalmonths,Dataset.ex$tumordeath)) cindex.ex <- rcorr.ex[1]</li>
	<li>Harici doğrulama kullanarak kalibre edin. NOT: İç doğrulamalı rakip risk modelinin kalibrasyon eğrisinin kodları, bölüm 4'teki kodlara benzerken, suv, suv.ex ile değiştirilir.</li>
</ol>

<ol><li>Andersen, P. K., Gill, R. D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Cox%27s+regression+model+for+counting+processes%3A+A+large+sample+study%5BTitle%5D)+AND+%22The+Annals+of+Statistics%22%5BJournal%5D)">Cox's regression model for counting processes: A large sample study.</a> The Annals of Statistics. 10 (4), 1100-1120 (1982).</li>
<li>Lubsen, J., Pool, J., vander Does, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+practical+device+for+the+application+of+a+diagnostic+or+prognostic+function%5BTitle%5D)+AND+%22Methods+of+Information+in+Medicine%22%5BJournal%5D)">A practical device for the application of a diagnostic or prognostic function.</a> Methods of Information in Medicine. 17 (2), 127-129 (1978).</li>
<li>Harrell, F. E., Lee, K. L., Mark, D. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Multivariable+prognostic+models%3A+Issues+in+developing+models%2C+evaluating+assumptions+and+adequacy%2C+and+measuring+and+reducing+errors%5BTitle%5D)+AND+%22Statistics+In+Medicine%22%5BJournal%5D)">Multivariable prognostic models: Issues in developing models, evaluating assumptions and adequacy, and measuring and reducing errors.</a> Statistics In Medicine. 15 (4), 361-387 (1996).</li>
<li>Hung, H., Chiang, C. -T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Estimation+methods+for+time-dependent+AUC+models+with+survival+data%5BTitle%5D)+AND+%22The+Canadian+Journal+of+Statistics+%2F+La+Revue+Canadienne+de+Statistique%22%5BJournal%5D)">Estimation methods for time-dependent AUC models with survival data.</a> The Canadian Journal of Statistics / La Revue Canadienne de Statistique. 38 (1), 8-26 (2010).</li>
<li>Moons, K. G. M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Risk+prediction+models%3A+I.+Development%2C+internal+validation%2C+and+assessing+the+incremental+value+of+a+new+%28bio%29marker%5BTitle%5D)+AND+%22Heart%22%5BJournal%5D)">Risk prediction models: I. Development, internal validation, and assessing the incremental value of a new (bio)marker.</a> Heart. 98 (9), 683-690 (2012).</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>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>Wu, L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Establishing+a+competing+risk+regression+nomogram+model+for+survival+data%5BTitle%5D)+AND+%22Journal+of+Visualized+Experiments%22%5BJournal%5D)">Establishing a competing risk regression nomogram model for survival data.</a> Journal of Visualized Experiments. (164), e60684(2020).</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+of+Translational+Medicine%22%5BJournal%5D)">Nomogram for survival analysis in the presence of competing risks.</a> Annals of Translational Medicine. 5 (20), 403(2017).</li>
<li>Zhang, Z. H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Overview+of+model+validation+for+survival+regression+model+with+competing+risks+using+melanoma+study+data%5BTitle%5D)+AND+%22Annals+Of+Translational+Medicine%22%5BJournal%5D)">Overview of model validation for survival regression model with competing risks using melanoma study data.</a> Annals Of Translational Medicine. 6 (16), 325(2018).</li>
<li>Newson, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Confidence+intervals+for+rank+statistics%3A+Somers%27+D+and+extensions%5BTitle%5D)+AND+%22Stata+Journal%22%5BJournal%5D)">Confidence intervals for rank statistics: Somers' D and extensions.</a> Stata Journal. 6 (3), 309-334 (2006).</li>
<li>Davison, A. C., Hinkley, D. V., Schechtman, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Efficient+bootstrap+simulation%5BTitle%5D)+AND+%22Biometrika%22%5BJournal%5D)">Efficient bootstrap simulation.</a> Biometrika. 73 (3), 555-566 (1986).</li>
<li>Roecker, E. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Prediction+error+and+its+estimation+for+subset-selected+models%5BTitle%5D)+AND+%22Technometrics%22%5BJournal%5D)">Prediction error and its estimation for subset-selected models.</a> Technometrics. 33 (4), 459-468 (1991).</li>
<li>Steyerberg, E. W., Harrell, F. E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Prediction+models+need+appropriate+internal%2C+internal-external%2C+and+external+validation%5BTitle%5D)+AND+%22Journal+of+Clinical+Epidemiology%22%5BJournal%5D)">Prediction models need appropriate internal, internal-external, and external validation.</a> Journal of Clinical Epidemiology. 69, 245-247 (2016).</li>
<li>Zhang, Z., Chen, L., Xu, P., Hong, Y. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Predictive+analytics+with+ensemble+modeling+in+laparoscopic+surgery%3A+A+technical+note%5BTitle%5D)+AND+%22Laparoscopic%2C+Endoscopic+and+Robotic+Surgery%22%5BJournal%5D)">Predictive analytics with ensemble modeling in laparoscopic surgery: A technical note.</a> Laparoscopic, Endoscopic and Robotic Surgery. 5 (1), 25-34 (2022).</li>
</ol>

Yazarlar birbiriyle çelişen çıkarları olmadığını beyan ederler.

Bu çalışmada iki farklı yöntemle oluşturulan rakip risk nomogramları karşılaştırılmış ve oluşturulan nomogramların değerlendirilmesi ve validasyonu yapılmıştır. Spesifik olarak, bu çalışma, doğrudan bir yönteme dayalı nomogramı oluşturmak, ayrıca C-indeksini hesaplamak ve kalibrasyon eğrilerini çizmek için adım adım bir öğretici sağlamıştır.
R yazılımındaki rms paketi, Cox orantılı tehlike modellerinin oluşturulması ve değerlendirilmesi için yaygın olarak kullanılmaktadır, ancak rakip...

Son yıllarda, hassas tıbbın gelişmesiyle birlikte ortaya çıkan prognostik faktörler belirlenmiş, moleküler ve klinikopatolojik faktörleri birleştiren prognostik modeller klinik ortamlarda giderek daha fazla dikkat çekmektedir. Bununla birlikte, Cox orantılı tehlike modeli gibi grafiksel olmayan modeller, katsayı değerlerinin sonuçlarıyla, klinisyenlerin 1'i anlaması zordur. Buna karşılık, bir nomogram, bir matematiksel fonksiyonun yaklaşık grafik hesaplaması için tasarlanmış iki boyutlu bir diyagram olan regresyon modellerinin (Cox regresyon modeli, rakip risk modeli vb. dahil) bir görselleştirme aracıdır2. Bir klinik modelde farklı değişken seviyelerinin değerlendirilmesini ve prognozu tahmin etmek için risk skorlarının (RS) hesaplanmasını sağlar.
Model yapımında model değerlendirmesi esastır ve değerlendirme için genellikle iki özellik kabul edilir: ayrımcılık ve kalibrasyon. Klinik modellerde ayrımcılık, bir modelin olayları geliştiren bireyleri, ölen hastalara karşı hayatta kalanlar gibi geliştirmeyenlerden ayırma yeteneğini ifade eder ve uyum indeksi (C-indeksi) veya alıcı çalışma karakteristik eğrisi (AUC) altındaki alan tipik olarak karakterize etmek için kullanılır 3,4. Kalibrasyon, bir modelin tahmin edilen olasılıklarını gerçek olasılıklarla karşılaştırma işlemidir ve kalibrasyon eğrileri onu temsil etmek için yaygın olarak kullanılmıştır. Ek olarak, model doğrulaması (iç ve dış doğrulama) model yapımında önemli bir adımdır ve yalnızca doğrulanmış modeller daha fazla tahmin edilebilir5.
Cox orantılı tehlike modeli, prognostik faktörler ile sağkalım durumu arasındaki ilişkileri araştırmak için tıbbi araştırmalarda kullanılan bir regresyon modelidir. Bununla birlikte, Cox orantılı tehlike modeli yalnızca iki sonuç durumunu [Y (0, 1)] dikkate alırken, çalışma denekleri genellikle ikiden fazla durumla karşı karşıya kalır ve rakip riskler ortaya çıkar [Y (0, 1, 2)]1. Menşe tarihinden (örneğin tedavi) herhangi bir nedene bağlı ölüm tarihine kadar geçen süre olarak tanımlanan genel sağkalım (OS), sağkalım analizinde en önemli son noktadır. Bununla birlikte, işletim sistemi kansere özgü ölümü kansere özgü olmayan ölümden (örneğin, kardiyovasküler olaylar ve diğer ilgisiz nedenler) ayırt etmekte başarısız olmakta, böylece rakip riskleri göz ardı etmektedir6. Bu gibi durumlarda, rakip riskler göz önünde bulundurularak sağkalım durumunun tahmin edilmesinde rakip risk modeli tercih edilir7. Cox orantılı tehlike modellerinin oluşturulması ve doğrulanması metodolojisi iyi kurulmuş olsa da, rakip risk modellerinin doğrulanması ile ilgili çok az rapor bulunmaktadır.
Önceki çalışmamızda, spesifik bir rakip risk nomogramı, bir nomogram ve rakip risk modelinin bir kombinasyonu ve rakip bir risk modeline dayalı bir risk puanı tahmini oluşturulmuştur8. Bu çalışma, rakip risk nomogramının farklı değerlendirme ve validasyon yöntemlerini sunmayı amaçlamaktadır ve bu yöntemler, klinisyenlerin rakip riskleri göz önünde bulundurarak prognozu tahmin etmeleri için yararlı bir araç olarak hizmet etmelidir.

<table><tbody><tr><td>R yazılımı</td><td>Yok</td><td>Uygulanamaz</td><td>Sürüm 3.6.2 veya üstü&nbsp;</td></tr><tr><td>Bilgisayar sistemi</td><td>Microsoft&nbsp;</td><td>Windows 10</td><td>&nbsp; Windows 10 veya üzeri</td></tr></tbody></table>

rakip risk modelinin r tabanlı peyzaj doğrulaması

An R-Based Landscape Validation of a Competing Risk Model

Cox orantılı tehlike modeli, klinik ortamlarda sağkalım analizleri için yaygın olarak uygulanmaktadır, ancak çoklu sağkalım sonuçlarıyla baş edememektedir. Geleneksel Cox orantılı tehlike modelinden farklı olarak, rakip risk modelleri, rakip olayların varlığını ve bunların klinisyenlerin kesin bir prognostik tahmin yapmaları için yararlı bir araç olan grafiksel bir hesaplama cihazı olan bir nomogram ile kombinasyonunu göz önünde bulundurur. Bu çalışmada, rakip risk nomogramını oluşturmak için bir yöntem, yani ayırt edicilik (yani, uyum indeksi ve eğri altındaki alan) ve kalibrasyon (yani kalibrasyon eğrileri) yeteneklerinin yanı sıra net faydanın (yani karar eğrisi analizi) değerlendirilmesi için bir yöntem sunuyoruz. Ek olarak, orijinal veri kümesinin bootstrap yeniden örneklerini kullanan dahili doğrulama ve yerleşik rakip risk nomogramının harici bir veri kümesini kullanan harici doğrulama, ekstrapolasyon yeteneğini göstermek için de gerçekleştirilmiştir. Rakip risk nomogramı, klinisyenlerin rakip riskleri göz önünde bulundurarak prognozu tahmin etmeleri için yararlı bir araç olarak hizmet etmelidir.

Bu çalışmada meme kanserli hastaların verileri SEER veri tabanından alınmış ve örnek veri olarak sunulmuştur. SEER veritabanı, Amerika Birleşik Devletleri nüfusunun yaklaşık% 34,6'sını temsil eden kanser hakkında veri sağlar ve veritabanına erişim izni alınmıştır (referans numarası 12296-Kasım 2018).
Her ikisi de histolojik tip, farklılaşmış derece, T evresi ve N evresini içeren iki nomogram (Şekil 1), sırasıyla direkt yöntem ve ağırlıklı yöntem kullanılarak oluşt...

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

The Cox proportional hazard model is widely applied for survival analyses in clinical settings, but it is not able to cope with multiple survival ...

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.

an-r-based-landscape-validation-of-a-competing-risk-model

Research

JoVE Journal

Cancer Research

Kanser Araştırmaları

araçları ve belirsiz gelecek koşullara rağmen su sistemleri yönetebilen metodolojileri için kritik bir ihtiyaç vardır. Bir senaryo analizleri yönetimi çerçevesinde kullanılmak üzere peyzaj tabanlı birikimli etkileri modelleri üretmek için kaynak yöneticileri sağlar hedeflenen havza değerlendirme yapmasına yönelik yöntemleri sağlar.

Bir Kantitatif Senaryo Analizi Çerçevesinde Planlama Havza

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

Biz cogStack, elektronik sağlık kayıtları için bir bilgi alma ve çıkarma platformu dayalı gerçek zamanlı psikoz risk hesaplama ve uyarı sistemi dağıtmak için nasıl göstermek.

CogStack kullanarak Elektronik Sağlık Kayıtlarına Dayalı Gerçek Zamanlı Psikoz Risk Algılama ve Uyarı Sisteminin Uygulanması

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

Farelerin çekumuna tümör hücreleri veya organoidler enjekte edilerek ortotopik kolorektal tümörlerin oluşumunu ve ardından bu modelden dolaşımdaki tümör hücrelerinin (CTC'lerin) izole edilmesini açıklıyoruz.

Kolorektal kanserli bir Ortotopik Fare Modelinde Dolaşan Tümör Hücrelerinin İzolasyonu

Biz bir vivo içinde fare modeli perineural işgalinin siyatik sinir syngeneic pankreas kanseri hücreleri enjekte edilerek tanımlamak. Model ölçüde sinir işgalinin miktar için sağlar ve araştırma perineural işgalinin hücresel ve moleküler mekanizmaları destekler.

Vivo fare siyatik sinir modeli Perineural işgali

Fare orthotopic PDAC homografts immunophenotyping deneysel ameliyat tümör IMMUNO-microenvironment profil oluşturma amaçlamaktadır. Tümör ameliyat ile implante orthotopically vardır. Tümör boyutu 200-600 mm3 hasat ve tek hücreli süspansiyonlar, çok bağışıklık marker FACS analizi farklı fluorescently etiketli antikorlar tarafından takip hazırlamak için ayrışmış.

Orthotopic Homogref (Syngeneic) fare birincil KPC pankreas duktal adenokarsinom, akış sitometresi tarafından Immunophenotyping

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

Sunulan tanısal FL-DNA kiti kolorektal kanser lezyonlarının varlığı güvenilir olasılığını belirlemek için zaman kazandıran ve kullanıcı dostu bir yöntemdir.

Kolorektal Kanser Riski ve Yaygınlığının Dışkı DNA Bütünlüğü Saptanması ile Değerlendirilmesi

Öğrenin, R tabanlı rakip risk modelinin peyzaj doğrulamasını; C-index, AUC ve bootstrap yöntemleriyle model ayırt ediciliği ve kalibrasyonunu değerlendirmeyi keşfedin.

Rakip Risk Modelinin R Tabanlı Peyzaj Doğrulaması

Daha fazla video keşfet