Établissement d’un modèle de régression des risques concurrents pour les données de survie
Summary
Présenté ici est un protocole pour construire des nomogrammes basés sur le modèle de régression des risques proportionnels Cox et le modèle de régression du risque concurrent. La méthode concurrente est une méthode plus rationnelle à appliquer lorsque des événements concurrents sont présents dans l’analyse de survie.
Abstract
La méthode Kaplan-Meier et le modèle de régression des risques proportionnels Cox sont les analyses les plus courantes dans le cadre de survie. Ceux-ci sont relativement faciles à appliquer et à interpréter et peuvent être représentés visuellement. Toutefois, lorsque des événements concurrents (p. ex., accidents cardiovasculaires et cérébrovasculaires, décès liés au traitement, accidents de la circulation) sont présents, les méthodes de survie standard doivent être appliquées avec prudence, et les données du monde réel ne peuvent pas être correctement interprétées. Il peut être souhaitable de distinguer différents types d’événements qui peuvent mener à l’échec et de les traiter différemment dans l’analyse. Ici, les méthodes se concentrent sur l’utilisation du modèle de régression concurrent pour identifier des facteurs pronostiques significatifs ou des facteurs de risque lorsque des événements concurrents sont présents. De plus, des nomogrammes basés sur un modèle de régression proportionnelle des risques et un modèle de régression concurrent sont établis pour aider les cliniciens à effectuer des évaluations individuelles et des stratifications des risques afin d’expliquer l’impact des facteurs controversés sur le pronostic.
Introduction
Le temps d’analyse de survie d’événement est assez commun dans les études cliniques. Les données de survie mesurent la durée entre l’heure de début et l’occurrence de l’événement d’intérêt, mais l’événement d’intérêt est souvent exclu par un autre événement. Si plusieurs types de points d’extrémité sont présents, on les appelle des points de départ concurrents. Dans ce cas, l’analyse standard des dangers (c.-à-d. le modèle des risques proportionnels à la cause) de Cox ne fonctionne souvent pas bien parce que les personnes qui vivent un autre type d’événement sont censurées. Les personnes qui vivent un événement concurrent restent souvent dans l’ensemble de risques, car les risques concurrents ne sont généralement pas indépendants. Par conséquent, Fine et Gray1 ont étudié l’estimation du modèle de régression pour la sous-distribution d’un risque concurrent. Dans un contexte de risque concurrent, trois types d’événements différents peuvent être discriminés.
On mesure la survie globale (OS) en démontrant un avantage clinique direct de nouvelles méthodes de traitement pour une maladie. L’OS mesure le temps de survie entre le moment de l’origine (c.-à-d. le moment du diagnostic ou du traitement) jusqu’au moment du décès pour quelque cause que ce soit et évalue généralement le risque absolu de décès, ne faisant pas de distinction entre les causes de décès (p. ex., décès spécifique au cancer (CSD) ou de décès non spécifique au cancer (non CSD))2. OS est donc considéré comme le point de terminaison le plus important. Les événements d’intérêt sont souvent liés au cancer, tandis que les événements non spécifiques au cancer, qui comprennent les maladies cardiaques, les accidents de la circulation ou d’autres causes non liées, sont considérés comme des événements concurrents. Les patients malins présentant un pronostic favorable, qui sont censés survivre plus longtemps, sont souvent à un plus grand risque de non-CSD. Autrement dit, le système d’exploitation sera dilué par d’autres causes de décès et ne parvient pas à interpréter correctement l’efficacité réelle du traitement clinique. Par conséquent, l’OS n’est peut-être pas la mesure optimale pour accéder aux résultats de la maladie3. De tels biais pourraient être corrigés par le modèle de régression du risque concurrent.
Il existe deux méthodes principales pour concurrencer les données sur les risques : les modèles de risque spécifiques à la cause (modèles Cox) et les modèles de risque de sous-distribution (modèles concurrents). Dans le protocole suivant, nous présentons deux méthodes pour générer des nomogrammes basés sur le modèle de danger spécifique à la cause et le modèle de risque de sous-distribution. Le modèle de danger spécifique à la cause peut être fait pour s’adapter au modèle des risques proportionnels Cox, qui traite les sujets qui vivent l’événement concurrent comme censurés au moment où l’événement concurrent s’est produit. Dans le modèle de risque de sous-distribution qui a été introduit par Fine et Gray1 en 1999, trois types différents d’événements peuvent être discriminés, et les personnes qui vivent un événement concurrent restent à risque pour toujours.
Un nomogramme est une représentation mathématique de la relation entre trois variables ou plus4. Les nomogrammes médicaux considèrent l’événement biologique et clinique comme des variables (p. ex., grade tumoral et âge du patient) et génèrent des probabilités d’un événement clinique (p. ex., récidive ou décès du cancer) qui est graphiquement décrit comme un modèle pronostique statistique pour un individu donné. En général, un nomogramme est formulé sur la base des résultats du modèle de risques proportionnels Cox5,6,7,8,9,10.
Toutefois, lorsque des risques concurrents sont présents, un nomogramme basé sur le modèle Cox peut ne pas fonctionner bien. Bien que plusieurs études antérieures11,12,13,14 aient appliqué le nomogramme de risque concurrent pour estimer la probabilité de la DSC, peu d’études ont décrit comment établir le nomogramme basé sur un modèle de régression du risque concurrent, et il n’existe aucun paquet existant disponible pour accomplir ceci. Par conséquent, la méthode présentée ci-dessous fournira un protocole étape par étape pour établir un nomogramme spécifique de risque concurrent basé sur un modèle concurrent de régression du risque ainsi qu’une estimation de score de risque pour aider les cliniciens à prendre des décisions en matière de traitement.
Protocol
Representative Results
Discussion
L’objectif global de la présente étude était d’établir un nomogramme spécifique à risque concurrent qui pourrait décrire les maladies du monde réel et d’élaborer un modèle d’évaluation individuel pratique pour que les cliniciens puissent aborder les décisions de traitement. Ici, nous fournissons un tutoriel étape par étape pour établir des nomogrammes basés sur le modèle de régression Cox et le modèle de régression des risques concurrents et d’effectuer davantage l’analyse de sous-groupe. …
Disclosures
The authors have nothing to disclose.
Acknowledgements
L’étude a été soutenue par des subventions du programme général de la Fondation des sciences naturelles de la province du Zhejiang (numéro de subvention LY19H160020) et du programme clé du Jinhua Municipal Science & Technology Bureau (numéro de subvention 2016-3-005, 2018-3-001d et 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).
