Survival Data için Rakip Risk Regresyon Nomogram Modeli Oluşturma
Summary
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.
Abstract
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.
Introduction
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.
Protocol
Representative Results
Discussion
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…
Divulgazioni
The authors have nothing to disclose.
Acknowledgements
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.
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).
