Etablierung eines Nomogrammmodells für die wettbewerbsfördernde Risikoregression für Überlebensdaten
Summary
Hier wird ein Protokoll zum Erstellen von Nomogrammen auf der Grundlage des Regressionsmodells der Cox-Proportionalgefahren und des konkurrierenden Risikoregressionsmodells vorgestellt. Die konkurrierende Methode ist eine rationalere Methode, die angewendet werden kann, wenn konkurrierende Ereignisse in der Überlebensanalyse vorhanden sind.
Abstract
Die Kaplan-Meier-Methode und das Regressionsmodell für proportionale Gefahren von Cox sind die häufigsten Analysen im Überlebensrahmen. Diese sind relativ einfach anzuwenden und zu interpretieren und können visuell dargestellt werden. Wenn jedoch konkurrierende Ereignisse (z. B. kardiovaskuläre und zerebrovaskuläre Unfälle, behandlungsbedingte Todesfälle, Verkehrsunfälle) vorhanden sind, sollten die Standard-Überlebensmethoden mit Vorsicht angewendet werden, und reale Daten können nicht richtig interpretiert werden. Es kann wünschenswert sein, verschiedene Arten von Ereignissen zu unterscheiden, die zum Scheitern führen können, und sie in der Analyse unterschiedlich zu behandeln. Hier konzentrieren sich die Methoden auf die Verwendung des konkurrierenden Regressionsmodells, um signifikante prognostische Faktoren oder Risikofaktoren zu identifizieren, wenn konkurrierende Ereignisse vorhanden sind. Darüber hinaus werden Nomogramme auf der Grundlage eines proportionalen Risikoregressionsmodells und eines konkurrierenden Regressionsmodells eingerichtet, um Ärzten zu helfen, individuelle Bewertungen und Risikostratifizierungen vorzunehmen, um die Auswirkungen kontroverser Faktoren auf die Prognose zu erklären.
Introduction
Die Zeit bis zur Ereignis-Überlebensanalyse ist in klinischen Studien durchaus üblich. Überlebensdaten messen die Zeitspanne von der Startzeit bis zum Auftreten des Ereignisses von Interesse, aber das Auftreten des Ereignisses von Interesse wird oft durch ein anderes Ereignis ausgeschlossen. Wenn mehr als ein Typ von Endpunkt vorhanden ist, werden sie als konkurrierende Risikoendpunkte bezeichnet. In diesem Fall funktioniert die Standard-Gefahrenanalyse (d. h. das Modell der proportionalen Ursache-spezifischen Gefahren von Cox) oft nicht gut, da Personen, die eine andere Art von Ereignis erleben, zensiert werden. Personen, die ein konkurrierendes Ereignis erleben, bleiben oft im Risiko, da die konkurrierenden Risiken in der Regel nicht unabhängig sind. Daher untersuchten Fine und Gray1 die Regressionsmodellschätzung für die Unterverteilung eines konkurrierenden Risikos. In einer konkurrierenden Risikoeinstellung können drei verschiedene Arten von Ereignissen diskriminiert werden.
Man misst das Gesamtüberleben (OS), indem ein direkter klinischer Nutzen aus neuen Behandlungsmethoden für eine Krankheit nachgewiesen wird. OS misst die Überlebenszeit vom Zeitpunkt des Ursprungs (d. h. zeitpunkt der Diagnose oder Behandlung) bis zum Zeitpunkt des Todes aufgrund einer beliebigen Ursache und bewertet im Allgemeinen das absolute Sterberisiko, wodurch die Todesursachen (z. B. krebsspezifischer Tod (CSD) oder nicht-krebsspezifischer Tod (nicht-CSD))nichtunterschieden werden. OS wird daher als wichtigster Endpunkt betrachtet. Die Ereignisse von Interesse sind oft krebsbedingt, während die nicht-krebsspezifischen Ereignisse, zu denen Herzkrankheiten, Verkehrsunfälle oder andere nicht zusammenhängende Ursachen gehören, als konkurrierende Ereignisse betrachtet werden. Bösartige Patienten mit einer günstigen Prognose, von denen erwartet wird, dass sie länger überleben, haben oft ein höheres Risiko für Nicht-CSD. Das heißt, das Betriebssystem wird durch andere Todesursachen verwässert und die tatsächliche Wirksamkeit der klinischen Behandlung nicht richtig interpretieren. Daher ist OS möglicherweise nicht die optimale Maßnahme für den Zugriff auf die Folgen der Krankheit3. Solche Verzerrungen könnten durch das konkurrierende Risikoregressionsmodell korrigiert werden.
Es gibt zwei Hauptmethoden für konkurrierende Risikodaten: ursachenspezifische Gefahrenmodelle (Cox-Modelle) und Unterverteilungsgefahrenmodelle (konkurrierende Modelle). Im folgenden Protokoll stellen wir zwei Methoden zur Erzeugung von Nomogrammen auf der Grundlage des ursachenspezifischen Gefahrenmodells und des Unterverteilungsrisikomodells vor. Das ursachenspezifische Gefahrenmodell kann in das Cox-Modell für proportionale Gefahren passen, das Probanden, die das konkurrierende Ereignis erleben, zum Zeitpunkt des Wettbewerbsereignisses als zensiert behandelt. In dem Subverteilungsrisikomodell, das 1999 von Fine und Gray1 eingeführt wurde, können drei verschiedene Arten von Ereignissen diskriminiert werden, und Personen, die ein konkurrierendes Ereignis erleben, bleiben für immer dem Risiko ausgesetzt.
Ein Nomogramm ist eine mathematische Darstellung der Beziehung zwischen drei oder mehr Variablen4. Medizinische Nomogramme betrachten biologische und klinische Ereignisse als Variablen (z. B. Tumorgrad und Patientenalter) und erzeugen Wahrscheinlichkeiten eines klinischen Ereignisses (z. B. Krebsrezidiv oder Tod), das grafisch als statistisches prognostisches Modell für eine bestimmte Person dargestellt wird. Im Allgemeinen wird ein Nomogramm basierend auf den Ergebnissen des Cox Proportional Hazards Modell5,6,7,8,9,10formuliert.
Wenn jedoch konkurrierende Risiken vorhanden sind, kann ein Nomogramm, das auf dem Cox-Modell basiert, möglicherweise nicht gut funktionieren. Obwohl mehrere frühere Studien11,12,13,14 das konkurrierende Risikonomogramm angewendet haben, um die Wahrscheinlichkeit von CSD zu schätzen, haben nur wenige Studien beschrieben, wie das Nomogramm auf der Grundlage eines konkurrierenden Risikoregressionsmodells zu etablieren ist, und es gibt kein vorhandenes Paket, um dies zu erreichen. Daher wird die nachstehende Methode ein Schrittweiseprotokoll zur Festlegung eines spezifischen Nomogramms mit konkurrierendem Risiko auf der Grundlage eines konkurrierenden Risikoregressionsmodells sowie eine Risikobewertung für Ärzte bei der Entscheidungsfindung bei der Behandlung bereitstellen.
Protocol
Representative Results
Discussion
Das übergeordnete Ziel der aktuellen Studie war es, ein spezifisches Nomogramm mit konkurrierendem Risiko zu etablieren, das reale Krankheiten beschreiben könnte, und ein bequemes individuelles Bewertungsmodell für Kliniker zu entwickeln, um Behandlungsentscheidungen zu treffen. Hier bieten wir ein Schritt-für-Schritt-Tutorial zum Einrichten von Nomogrammen basierend auf dem Cox-Regressionsmodell und dem konkurrierenden Risikoregressionsmodell und die weitere Durchführung von Subgruppenanalysen. Zhang et al.<sup cla…
Divulgazioni
The authors have nothing to disclose.
Acknowledgements
Die Studie wurde durch Stipendien aus dem allgemeinen Programm der Zhejiang Province Natural Science Foundation (Grant-Nummer LY19H160020) und dem Schlüsselprogramm des Jinhua Municipal Science & Technology Bureau (Grant-Nummer 2016-3-005, 2018-3-001d und 2019-3-013) unterstützt.
Riferimenti
- 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).
- 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).
- Kim, H. T. Cumulative incidence in competing risks data and competing risks regression analysis. Clinical Cancer Research. 13, 559-565 (2007).
- Balachandran, V. P., Gonen, M., Smith, J. J., DeMatteo, R. P. Nomograms in oncology: more than meets the eye. Lancet Oncology. 16 (4), 173-180 (2015).
- Han, D. S., et al. Nomogram predicting long-term survival after d2 gastrectomy for gastric cancer. Journal of Clinical Oncology. 30 (31), 3834-3840 (2012).
- Karakiewicz, P. I., et al. Multi-institutional validation of a new renal cancer-specific survival nomogram. Journal of Clinical Oncology. 25 (11), 1316-1322 (2007).
- Liang, W., et al. Development and validation of a nomogram for predicting survival in patients with resected non-small-cell lung cancer. Journal of Clinical Oncology. 33 (8), 861-869 (2015).
- Valentini, V., et al. 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. Journal of Clinical Oncology. 29 (23), 3163-3172 (2011).
- Iasonos, A., Schrag, D., Raj, G. V., Panageas, K. S. How to build and interpret a nomogram for cancer prognosis. Journal of Clinical Oncology. 26 (8), 1364-1370 (2008).
- Chisholm, J. C., et al. Prognostic factors after relapse in nonmetastatic rhabdomyosarcoma: a nomogram to better define patients who can be salvaged with further therapy. Journal of Clinical Oncology. 29 (10), 1319-1325 (2011).
- Brockman, J. A., et al. Nomogram Predicting Prostate Cancer-specific Mortality for Men with Biochemical Recurrence After Radical Prostatectomy. European Urology. 67 (6), 1160-1167 (2015).
- Zhou, H., et al. Nomogram to Predict Cause-Specific Mortality in Patients With Surgically Resected Stage I Non-Small-Cell Lung Cancer: A Competing Risk Analysis. Clinical Lung Cancer. 19 (2), 195-203 (2018).
- Fu, J., et al. De-escalating chemotherapy for stage II colon cancer. Therapeutic Advances in Gastroenterology. 12, 1756284819867553 (2019).
- Chen, D., Li, J., Chong, J. K. Hazards regression for freemium products and services: a competing risks approach. Journal of Statistical Computation and Simulation. 87 (9), 1863-1876 (2017).
- . rms: Regression Modeling Strategies. R package version 5.1-2 Available from: https://CRAN.R-project.org/package=rms (2018)
- . cmprsk: Subdistribution Analysis of Competing Risks. R package version 2.2-7 Available from: https://CRAN.R-project.org/package=cmprsk (2014)
- Scrucca, L., Santucci, A., Aversa, F. Regression modeling of competing risk using R: an in depth guide for clinicians. Bone Marrow Transplantation. 45 (9), 1388-1395 (2010).
- Zhang, Z., Geskus, R. B., Kattan, M. W., Zhang, H., Liu, T. Nomogram for survival analysis in the presence of competing risks. Annals in Translational Medicine. 5 (20), 403 (2017).
- Geskus, R. B. Cause-specific cumulative incidence estimation and the fine and gray model under both left truncation and right censoring. Biometrics. 67 (1), 39-49 (2011).
- Fu, J., et al. Young-onset breast cancer: a poor prognosis only exists in low-risk patients. Journal of Cancer. 10 (14), 3124-3132 (2019).
- de Glas, N. A., et al. Performing Survival Analyses in the Presence of Competing Risks: A Clinical Example in Older Breast Cancer Patients. Journal of the National Cancer Institute. 108 (5), (2016).
