Upprättande av en konkurrerande risk regressions nomogrammodell för överlevnadsdata
Summary
Presenteras här är ett protokoll för att bygga nomogram baserat på Cox proportionella faror regressionsmodell och konkurrerande risk regressionsmodell. Den konkurrerande metoden är en mer rationell metod att tillämpa när konkurrerande händelser förekommer i överlevnadsanalysen.
Abstract
Kaplan–Meier-metoden och Cox proportionella hazards regressionsmodell är de vanligaste analyserna i överlevnadsramverket. Dessa är relativt lätta att applicera och tolka och kan avbildas visuellt. När konkurrerande händelser (t.ex. kardiovaskulära och cerebrovaskulära olyckor, behandlingsrelaterade dödsfall, trafikolyckor) förekommer, bör standardöverlevnadsmetoderna emellertid tillämpas med försiktighet, och verkliga data kan inte tolkas korrekt. Det kan vara önskvärt att skilja olika slags händelser som kan leda till misslyckandet och behandla dem olika i analysen. Här fokuserar metoderna på att använda den konkurrerande regressionsmodellen för att identifiera betydande prognostiska faktorer eller riskfaktorer när konkurrerande händelser förekommer. Dessutom upprättas nomogram som baseras på en proportionell riskregressionsmodell och en konkurrerande regressionsmodell för att hjälpa kliniker att göra individuella bedömningar och riskstratifieringar för att förklara hur kontroversiella faktorer påverkar prognosen.
Introduction
Tiden till händelse överlevnad analys är ganska vanligt i kliniska studier. Överlevnadsdata mäter tidsspannet från starttiden fram till förekomsten av händelsen av intresse, men förekomsten av händelsen av intresse är ofta utesluten av en annan händelse. Om mer än en typ av slutpunkt är närvarande, kallas de konkurrerande risker slutpunkter. I detta fall fungerar standardfarlighetsanalysen (dvs. Cox proportionella orsaksspecifika riskmodell) ofta inte bra eftersom individer som upplever en annan typ av händelse censureras. Individer som upplever ett konkurrerande evenemang stannar ofta kvar i riskuppsättningen, eftersom de konkurrerande riskerna vanligtvis inte är oberoende. Därför studerade Fine och Gray1 regressionsmodelluppskattningen för delfördelningen av en konkurrerande risk. I en konkurrerande riskinställning kan tre olika typer av händelser diskrimineras.
Man mäter total överlevnad (OS) genom att påvisa en direkt klinisk nytta av nya behandlingsmetoder för en sjukdom. OS mäter överlevnadstiden från ursprungstid (dvs. tidpunkten för diagnos eller behandling) till tidpunkten för dödsfallet på grund av någon orsak och utvärderar i allmänhet den absoluta risken för dödsfall, och därigenom misslyckas med att differentiera dödsorsakerna (t.ex. cancerspecifik död (CSD) eller icke-cancerspecifik död (icke-CSD))2. OS betraktas därför som den viktigaste slutpunkten. De händelser av intresse är ofta cancer relaterade, medan de icke-cancer-specifika händelser, som inkluderar hjärtsjukdomar, trafikolyckor eller andra icke-närstående orsaker, anses konkurrerande händelser. Maligna patienter med en gynnsam prognos, som förväntas överleva längre, är ofta en större risk för icke-CSD. Det vill säga, OS kommer att spädas ut av andra dödsorsaker och misslyckas med att korrekt tolka den verkliga effektiviteten av klinisk behandling. Därför är OS kanske inte den optimala åtgärden för att få tillgång till utfallen av sjukdom3. Sådana fördomar skulle kunna korrigeras med den konkurrerande riskregressionsmodellen.
Det finns två huvudsakliga metoder för konkurrerande riskdata: orsaksspecifika faromodeller (Cox-modeller) och modeller för deldistributionsfaro (konkurrerande modeller). I följande protokoll presenterar vi två metoder för att generera nomogram som baseras på den orsaksspecifika faromodellen och modellen för risk för deldistribution. Den orsaksspecifika faromodellen kan göras för att passa i Cox proportionella faromodell, som behandlar försökspersoner som upplever den konkurrerande händelsen som censurerad vid den tidpunkt då den konkurrerande händelsen inträffade. I den subdistributionsriskmodell som introducerades av Fine och Gray1 1999 kan tre olika typer av händelser diskrimineras, och individer som upplever ett konkurrerande evenemang förblir på den risk som för alltid.
Ett nomogram är en matematisk representation av förhållandet mellan tre eller flera variabler4. Medicinska nomogram betraktar biologisk och klinisk händelse som variabler (t.ex. tumörgrad och patientålder) och genererar sannolikheter för en klinisk händelse (t.ex. cancerrecidiv eller död) som grafiskt avbildas som en statistisk prognostisk modell för en given individ. Generellt formuleras ett nomogram utifrån resultaten från Cox proportionella faror modell5,6,7,8,9,10.
Men när konkurrerande risker är närvarande, ett nomogram baserat på Cox modellen kan misslyckas med att prestera bra. Även om flera tidigarestudier 11,12,13,14 har tillämpat konkurrerande risk nomogram för att uppskatta sannolikheten för CSD, har få studier beskrivit hur man fastställs nomogram baserat på en konkurrerande risk regressionsmodell, och det finns inget befintligt paket tillgängliga för att åstadkomma detta. Därför kommer den metod som presenteras nedan att ge ett stegvist protokoll för att fastställa ett specifikt competing-risk nomogram baserat på en konkurrerande riskregressionsmodell samt en riskpoängsuppskattning för att hjälpa kliniker i beslutsfattandet om behandling.
Protocol
Representative Results
Discussion
Det övergripande målet med den aktuella studien var att fastställa ett specifikt konkurrerande risk nomogram som kunde beskriva verkliga sjukdomar och att utveckla en bekväm individuell bedömning modell för kliniker att närma sig behandling beslut. Här tillhandahåller vi en steg-för-steg handledning för upprättande av nomogram baserat på Cox regressionsmodell och konkurrerande riskregressionsmodell och vidareutför subgruppsanalys. Zhang et al.18 införde ett tillvägagångssätt för…
Disclosures
The authors have nothing to disclose.
Acknowledgements
Studien stöddes av bidrag från det allmänna programmet för Zhejiang Province Natural Science Foundation (bidragsnummer LY19H160020) och nyckelprogram för Jinhua Municipal Science & Technology Bureau (bidragsnummer 2016-3-005, 2018-3-001d och 2019-3-013).
References
- 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).
