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

Araştırmamız, birden fazla primer kolorektal kanserli hastaların kansere özgü sağkalımını analiz etmeye odaklanmaktadır. Bu hastalarda kansere özgü sağkalımı etkileyen faktörleri araştırıyoruz ve daha sonra klinik karar vermeyi desteklemek için bir model geliştiriyoruz.

Araştırmamızda, kansere özgü sağkalımı etkileyen faktörleri araştırmak için bir Cox modeli yerine rakip bir ReX modeli kullanıyoruz. Bu yaklaşım, rekabet eden etkinliklerin etkisini en aza indirmemize ve daha kesin sonuçlar elde etmemize olanak tanır. Gelecekte, farklı genetik özelliklerini ortaya çıkarmayı amaçlayan çoklu primer kolorektal kanserlerde genomik araştırmalara odaklanmayı planlıyoruz.

[Öğretim Görevlisi] Başlamak için, SEERS veritabanı web sitesinden SEERStat 8.4.3 yazılımını indirin. İlgili hasta verilerini almak için SEERStat 8.4.3'e kaydolun ve oturum açın. Giriş yaptıktan sonra, vaka listeleme oturumuna ve verilerine tıklayın. Ardından olay SEER araştırma verilerini, 17 kayıt defterini, Kasım 2022 alt, 2000 ila 2020 veritabanını seçin. Seçime tıklayın, ardından ırk, cinsiyet, yıl dx, tanı yılı, 2004 - 2015 ve site ve morfoloji, site yeniden kodlama ICD03 ve WHO 2008'i kolon ve rektum olarak düzenleyin ve seçin. Pozitif histoloji olarak bölge ve morfoloji tanı onayını seçin ve çoklu birincil alan sıra numarası yalnızca bir birincil değildir. Şimdi Tamam'a tıklayın ve seçimi kaydedin. Ardından tabloya tıklayın ve mevcut değişkenler arayüzünde, tek yaş ve 85 artı, cinsiyet, site yeniden kodlaması ICD03 ve WHO 2008 CS tümör boyutu ile yaş yeniden kodlaması, 2017'ye kadar sınıf yeniden kodlaması, türetilmiş AJCCT altıncı baskısı, 2004 - 2015, türetilmiş AJCCN altıncı baskısı, 2004 - 2015, türetilmiş AJCCM altıncı baskısı, 2004 - 2015, radyasyon kodlaması, kemoterapi kodlaması, evet, hayır veya bilinmiyor. SEER neden spesifik ölüm sınıflandırması, SEER diğer ölüm nedeni sınıflandırması, Sağkalım ayları, hasta kimliği ve RX özet cerrahisi, prim site 1.998 artı. Bundan sonra, sütuna tıklayın. Ardından çıktıya tıklayın. Verileri adlandırın ve verilerin çıktısını almak ve kaydetmek için yürüt'e tıklayın. Veri indirme işlemini tamamladıktan sonra, birden fazla primer kolorektal kanseri gösteren iki veya daha fazla olay teşhisi konan hastaları filtrelemek için hasta kimliğini kullanın. Hayatta kalma sürelerine göre tümör teşhisleri arasındaki aralığı hesaplayın. Daha sonra hastaları senkron, çoklu primer kolorektal kanser ve metakron multipl primer kolorektal kanser olarak sınıflandırın ve kesme olarak altı ay kullanın. İlk tanı anındaki yaşa göre, hastaların yaşlarını 65 yaş ve altı ve 65 yaş üstü olarak sınıflandırın. Tümör derecelerini iyi farklılaşma için birinci derece, orta derecede farklılaşma için ikinci derece, düşük farklılaşma için üçüncü derece ve farklılaşmama için dördüncü derece olarak sınıflandırın. Ardından, sağ kolon, sol kolorektum veya tüm kolorektum gibi birden fazla tümörün dağılımına göre tümör konumunu sınıflandırın. Aynı hastadaki birden fazla tümör arasından en büyük tümör çapını seçerek tümör boyutunu belirleyin. 8.931 hastanın tümünü rastgele olarak yedi ila üç oranında bir eğitim kohortuna ve bir doğrulama kohortuna bölün. RStudio ve RSoftware'i indirin. RSoftware'i çalıştırmak için RStudio'yu açın. Ardından yeni dosyaya tıklayın ve yeni bir RProgramlama arayüzü oluşturmak için RScript'i seçin. İlgili kodu kod düzenleyicisine girin ve kodu çalıştırmak için çalıştır'a tıklayın. Tek değişkenli analiz gerçekleştirmek ve CIF eğrisini çizmek için kodu kullanın. Kodu çalıştırdıktan sonra dışa aktar'a tıklayın, ardından görüntü olarak kaydet'e tıklayın ve son olarak görüntüyü kaydetmek için kaydet'e tıklayın. Tüm faktörler için tek değişkenli analiz gerçekleştirmek için koddaki cinsiyeti diğer faktörlerle değiştirin. Ardından, en iyi alt küme regresyonu, çok değişkenli analiz ve görselleştirmeyi gerçekleştirmek için kodu kullanın. Ardından görüntüyü daha önce gösterildiği gibi kaydedin. Nomogramı, ROC eğrisini, kalibrasyon eğrisini ve DCA eğrisini çizmek için kodu kullanın. Ardından, görüntüyü kaydetmeden önce DCA eğrisini çizmek için GGSCIDCA paketini kullanın. ROC eğrileri, modelin eğitim kohortunda bir yıl, üç yıllık ve beş yıllık tahminler için sırasıyla 0.762, 0.742 ve 0.734'lük bir AUC elde ettiğini gösterdi. Ve doğrulama kohortunda 0.801, 0.740 ve 0.743. Kalibrasyon eğrileri, hem eğitim hem de doğrulama kohortlarında tahmin edilen olasılıklar ile gerçek sonuçlar arasında yüksek bir uyum olduğunu gösterdi. DCA, modelin çeşitli eşik olasılıklarda iyi bir net fayda sağladığını gösterdi.