Vaststelling van een concurrerende risico regressie Nomogram Model voor Survival Data
Summary
Hier gepresenteerd is een protocol om nomogrammen te bouwen op basis van de Cox proportionele gevaren regressie model en concurrerende risico regressie model. De concurrerende methode is een meer rationele methode toe te passen wanneer concurrerende gebeurtenissen aanwezig zijn in de overlevingsanalyse.
Abstract
De Kaplan-Meier methode en Cox proportionele gevaren regressie model zijn de meest voorkomende analyses in het overlevingskader. Deze zijn relatief eenvoudig toe te passen en te interpreteren en kunnen visueel worden afgebeeld. Wanneer echter concurrerende gebeurtenissen (bijvoorbeeld cardiovasculaire en cerebrovasculaire ongevallen, behandelingsgerelateerde sterfgevallen, verkeersongevallen) aanwezig zijn, moeten de standaardoverlevingsmethoden met de nodige voorzichtigheid worden toegepast en kunnen gegevens in de echte wereld niet correct worden geïnterpreteerd. Het kan wenselijk zijn om verschillende soorten gebeurtenissen die kunnen leiden tot het falen te onderscheiden en ze anders te behandelen in de analyse. Hier richten de methoden zich op het gebruik van het concurrerende regressiemodel om significante prognostische factoren of risicofactoren te identificeren wanneer concurrerende gebeurtenissen aanwezig zijn. Daarnaast worden nomogrammen op basis van een proportioneel risicoregressiemodel en een concurrerend regressiemodel opgesteld om artsen te helpen individuele beoordelingen en risicostraalificaties te maken om het effect van controversiële factoren op de prognose te verklaren.
Introduction
De tijd tot event survival analyse is heel gebruikelijk in klinische studies. Overlevingsgegevens meten de tijdsspanne vanaf de begintijd tot het optreden van het geval van belang, maar het optreden van het geval van belang wordt vaak uitgesloten door een andere gebeurtenis. Als er meer dan één type eindpunt aanwezig is, worden ze concurrerende risicopunten genoemd. In dit geval werkt de standaardrisicoanalyse (d.w.z. Cox proportioneel oorzaak-specifiek gevarenmodel) vaak niet goed omdat personen die een ander type gebeurtenis ervaren, worden gecensureerd. Personen die een deelnemend evenement ervaren, blijven vaak in de risicoset, omdat de concurrerende risico’s meestal niet onafhankelijk zijn. Daarom bestudeerden Fine en Gray1 de schatting van het regressiemodel voor de subverdeling van een concurrerend risico. In een concurrerende risico-instelling kunnen drie verschillende soorten evenementen worden gediscrimineerd.
Men meet de algehele overleving (OS) door een direct klinisch voordeel aan te tonen van nieuwe behandelingsmethoden voor een ziekte. OS meet de overlevingstijd vanaf het tijdstip van oorsprong (d.w.z. tijdstip van diagnose of behandeling) tot het tijdstip van overlijden als gevolg van een oorzaak en evalueert over het algemeen het absolute risico op overlijden, waardoor de doodsoorzaken (bijv. kankerspecifieke dood (CSD) of niet-kankerspecifieke dood (niet-CSD))2niet worden gedifferentieerd. OS wordt daarom beschouwd als het belangrijkste eindpunt. De gebeurtenissen van belang zijn vaak kanker gerelateerd, terwijl de niet-kanker-specifieke gebeurtenissen, waaronder hart-en vaatziekten, verkeersongevallen of andere niet-gerelateerde oorzaken, worden beschouwd als concurrerende gebeurtenissen. Kwaadaardige patiënten met een gunstige prognose, die naar verwachting langer zullen overleven, lopen vaak een groter risico op niet-CSD. Dat wil zeggen, het OS zal worden verdund door andere doodsoorzaken en de werkelijke effectiviteit van klinische behandeling niet correct interpreteren. Daarom is OS mogelijk niet de optimale maatregel voor de toegang tot de resultaten van ziekte3. Dergelijke vooroordelen kunnen worden gecorrigeerd door het concurrerende risicoregressiemodel.
Er zijn twee belangrijke methoden voor concurrerende risicogegevens: oorzaak-specifieke gevarenmodellen (Cox-modellen) en subdistributierisicomodellen (concurrerende modellen). In het volgende protocol presenteren we twee methoden om nomogrammen te genereren op basis van het oorzaakspecifieke gevarenmodel en het subdistributiegevaarsmodel. Het oorzaakspecifieke gevarenmodel kan worden ingevoerd om te passen in het Cox proportionele gevarenmodel, dat proefpersonen die het deelnemende evenement ervaren, behandelt als gecensureerd op het moment dat het deelnemende evenement plaatsvond. In het subdistributiegevaarsmodel dat in 1999 door Fine en Gray1 werd geïntroduceerd, kunnen drie verschillende soorten evenementen worden gediscrimineerd en individuen die een deelnemend evenement ervaren, blijven voor altijd op het risico.
Een nomogram is een wiskundige weergave van de relatie tussen drie of meer variabelen4. Medische nomogrammen beschouwen biologische en klinische gebeurtenissen als variabelen (bijvoorbeeld tumorkwaliteit en leeftijd van de patiënt) en genereren waarschijnlijkheden van een klinische gebeurtenis (bijvoorbeeld kankerrecidief of overlijden) die grafisch wordt afgebeeld als een statistisch prognostisch model voor een bepaald individu. Over het algemeen wordt een nomogram geformuleerd op basis van de resultaten van het Cox proportionele gevarenmodel5,6,7,8,9,10.
Wanneer er echter concurrerende risico’s aanwezig zijn, kan een nomogram op basis van het Cox-model niet goed presteren. Hoewel verschillende eerdere studies11,12,13,14 het concurrerende risicoknoop knobbel hebben toegepast om de waarschijnlijkheid van CSD te schatten, hebben weinig studies beschreven hoe het nomogram kan worden vastgesteld op basis van een concurrerend risicoregressiemodel, en er is geen bestaand pakket beschikbaar om dit te bereiken. Daarom zal de onderstaande methode een stapsgewijs protocol bieden om een specifiek nomogram met concurrerende risico’s op te stellen op basis van een concurrerend risicoregressiemodel en een schatting van de risicoscore om artsen te helpen bij de besluitvorming over behandelingen.
Protocol
Representative Results
Discussion
Het algemene doel van de huidige studie was om een specifiek nomogram met concurrerende risico’s op te stellen dat echte ziekten zou kunnen beschrijven en om een handig individueel beoordelingsmodel te ontwikkelen voor clinici om behandelingsbeslissingen te benaderen. Hier bieden we een stapsgewijze zelfstudie voor het opstellen van nomogrammen op basis van het Cox regressiemodel en het concurrerende risicoregressiemodel en het verder uitvoeren van subgroepanalyse. Zhang et al.18 introduceerde een…
Disclosures
The authors have nothing to disclose.
Acknowledgements
De studie werd ondersteund door subsidies van het algemene programma van de Zhejiang Province Natural Science Foundation (subsidienummer LY19H160020) en het kernprogramma van het Jinhua Municipal Science & Technology Bureau (subsidienummer 2016-3-005, 2018-3-001d en 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).
