Nomogramma del rischio competitivo per la previsione della sopravvivenza specifica per il cancro in più pazienti con carcinoma colorettale primario dopo l'intervento chirurgico

Riepilogo

Lo studio ha rilevato che il sesso maschile, lo scarso grado del tumore e lo stadio avanzato di metastasi dei linfonodi tumorali erano associati a una sopravvivenza specifica per il cancro (CSS) più bassa in più pazienti con carcinoma colorettale primario (MPCC) dopo l'intervento chirurgico. Abbiamo sviluppato un nomogramma per prevedere il CSS dei pazienti con MPCC e contribuire al processo decisionale del trattamento clinico.

Abstract

La sopravvivenza specifica per cancro (CSS) nei pazienti con carcinoma colorettale primario multiplo (MPCC) è influenzata in modo competitivo dalla morte per altre cause. Questo studio mirava a indagare la CSS e i fattori di rischio associati mediante l'analisi del rischio competitiva nei pazienti con MPCC. I dati di questo studio provengono dal database SEER. Utilizzando l'analisi univariata e multivariata del modello di rischio competitivo per indebolire l'impatto degli eventi competitivi, esplora i fattori di rischio dei CSS e sviluppa un modello di nomogramma. Quindi, le prestazioni del modello vengono verificate dalla curva ROC, dalla curva di calibrazione e dal DCA. Lo studio comprende un totale di 8931 pazienti, di cui 6255 nella coorte di formazione e 2676 nella coorte di convalida. Le analisi univariate e multivariate hanno dimostrato che il sesso, lo stadio delle metastasi dei linfonodi tumorali (TNM) e il grado del tumore sono fattori di rischio indipendenti per la sopravvivenza specifica del cancro nei pazienti con MPCC. Sulla base dei fattori di rischio, abbiamo sviluppato un modello di diagramma per prevedere i CSS. Anche la curva ROC, la curva di calibrazione e il DCA mostrano buoni risultati. In conclusione, viene sviluppato un nomogramma che funge da strumento prezioso per prevedere la CSS nei pazienti con MPCC, fornendo ai medici informazioni cruciali per la pianificazione personalizzata del trattamento.

Introduzione

Il cancro del colon-retto, uno dei tumori dell'apparato digerente più comuni a livello globale, ha visto un continuo aumento della sua incidenza negli ultimi decenni. I tassi di incidenza e mortalità persistentemente elevati hanno attirato un'attenzione significativa. Secondo le ultime statistiche, il cancro del colon-retto è al terzo posto tra i tumori maligni comuni in tutto il mondo, con il suo tasso di mortalità al secondo posto a livello globale¹. Il carcinoma colorettale primario multiplo (MPCC) è un sottotipo speciale di cancro del colon-retto che ha attirato una crescente attenzione da parte dei ricercatori negli ultimi anni. È definita come la diagnosi di due o più lesioni indipendenti del cancro del colon-retto nello stesso paziente, con una distanza di oltre 5 cm tra i bordi delle lesioni. Nell'MPCC, quando più tumori vengono diagnosticati contemporaneamente o entro meno di 6 mesi, viene definito come carcinoma colorettale sincrono (SCRC), mentre se l'intervallo tra le diagnosi è maggiore di 6 mesi, viene definito come carcinoma colorettale metacrono (MCRC)2,3,4,5.

La percentuale di MPCC all'interno di tutti i tumori del colon-retto è relativamente bassa e i rapporti sulla sua incidenza variano a seconda delle regioni e degli studi. Studi recenti hanno riportato che l'MPCC rappresenta tra il 2% e il 10% dei tumori del colon-retto 2,3,4,5. Rispetto al cancro del colon-retto solitario, l'MPCC ha una prognosi peggiore ^3,6. Attualmente, la valutazione clinica della prognosi dell'MPCC si basa principalmente sul sistema di stadiazione delle metastasi linfonodali tumorali (TNM) dell'American Joint Committee of Cancer, che utilizza lo stadio più avanzato delle lesioni multiple come stadio effettivo dell'MPCC. Tuttavia, basare le previsioni della prognosi esclusivamente sulla stadiazione TNM non è sufficiente. Manca ancora uno strumento efficace per prevedere la prognosi dell'MPCC post-operatorio. Nell'attuale era della medicina di precisione, i modelli di previsione clinica per quantificare il rischio sono ampiamente utilizzati nel processo decisionale clinico e nella valutazione della prognosi del paziente ^7,8. Negli ultimi anni, i nomogrammi basati su fattori di rischio prognostici indipendenti sono stati ampiamente accettati per prevedere la prognosi del tumore⁹. I nomogrammi possono visualizzare modelli statistici complessi, rendendoli più facili da applicare in contesti clinici. Nella valutazione della prognosi dei tumori, la sopravvivenza globale (OS) e la sopravvivenza specifica per il cancro (CSS) sono indicatori di esito comunemente utilizzati⁹. La OS si riferisce al tempo che intercorre tra la conferma di un cancro in un paziente e la morte per qualsiasi causa. La CSS si riferisce al tempo che intercorre tra la diagnosi di un tumore e la morte causata specificamente dal cancro, offrendo una riflessione più precisa del rischio di morte a causa del cancro. Quando la CSS viene utilizzata come indicatore di esito, i decessi causati da altri fattori possono influenzare la probabilità di mortalità specifica per cancro, introducendo una relazione di rischio concorrente tra i due eventi^10,11. Pertanto, gli studi sulla sopravvivenza tumore-specifica dovrebbero utilizzare modelli di rischio concorrenti per eliminare l'impatto degli eventi concorrenti. Studi precedenti hanno costruito modelli per prevedere la prognosi dell'MPCC, ma questi sono stati limitati al cancro del colon-retto sincrono e non hanno utilizzato modelli di rischio concorrenti per tenere conto dell'impatto degli eventi concorrenti su CSS 12,13,14.

In questo studio, abbiamo esplorato i fattori di rischio indipendenti concorrenti che influenzano la sopravvivenza specifica per il cancro per l'MPCC dopo l'intervento chirurgico. Il razionale per l'impiego di un modello di rischio concorrente deriva dalla sua capacità di tenere conto della possibilità che i pazienti possano morire per cause diverse dal cancro, che è fondamentale per ottenere stime di sopravvivenza imparziali^15,16. Le tecniche tradizionali di analisi della sopravvivenza, come il modello di Cox, possono sovrastimare le probabilità di sopravvivenza in presenza di eventi concorrenti, rendendo l'uso di modelli di rischio concorrenti più appropriato in questi scenari¹⁷.

Sulla base dei fattori di rischio indipendenti identificati, abbiamo costruito un nomogramma per prevedere la probabilità di sopravvivenza e ne abbiamo convalidato le prestazioni. I nomogrammi hanno guadagnato popolarità in ambito clinico perché forniscono una rappresentazione grafica di facile utilizzo di modelli statistici complessi, consentendo ai medici di calcolare facilmente i punteggi di rischio individualizzati^18,19. A differenza di altri strumenti predittivi, i nomogrammi incorporano più fattori di rischio e forniscono stime della prognosi più accurate e personalizzate. Questo approccio è stato sempre più convalidato in vari tipi di cancro, dimostrando prestazioni superiori rispetto ai tradizionali sistemi di stadiazione 20,21,22. Il nostro strumento mira ad aiutare i medici a fare stime di prognosi personalizzate e più accurate durante la diagnosi e il trattamento, migliorando così il processo decisionale nella gestione del MPCC.

Protocollo

Questo studio comprende due fasi. In primo luogo, i dati clinici e di sopravvivenza dell'MPCC sono stati ottenuti dal database SEER. Quindi, il software R (versione 4.3.3) è stato utilizzato per analizzare e costruire un modello di rischio concorrente. Il diagramma del flusso di lavoro dello studio è presentato nella Figura 1. Questo studio non richiede l'approvazione etica e il consenso per partecipare. I dati utilizzati in questo studio sono stati ottenuti da database.

1. Acquisizione dati

1. Scarica il SEER. Software Stat 8.4.3 dal sito web del database SEER (http://seer.cancer.gov/about/overview.html). Registrati e accedi a SEER. Statistica 8.4.3 per ottenere i dati rilevanti del paziente.
2. Dopo aver effettuato l'accesso a SEER. Statistica 8.4.3, fare clic su Dati > sessione di elenco dei casi e selezionare il database Incidence SEER Research Data, 17 Registries, Nov 2022 Sub (2000-2020).
3. Fai clic su Selezione > Modifica e scegli {Razza, Sesso, Anno Dx. Anno della diagnosi} = '2004', '2005', '2006', '2007', '2008', '2009', '2010', '2011', '2012', '2013', '2014', '2015' E {Sito e morfologia. Ricodifica del sito ICD-O-3/WHO 2008} = 'Colon e retto' AND {Sito e morfologia. Conferma diagnostica} = 'Istologia positiva' E {Campi primari multipli. Numero progressivo}! = 'Un solo primario'.
4. Fare clic su OK e salvare la selezione. Fare clic su Tabella e, nell'interfaccia Variabili disponibili, selezionare Ricodifica età con età singole e 85+, Sesso, Ricodifica sito ICD-O-3/OMS 2008, Dimensione del tumore CS, Ricodifica grado (fino al 2017), AJCC T derivato, 6a ed. (2004-2015), AJCC N derivato, 6a ed. (2004-2015), AJCC M derivato, 6a ed. (2004-2015), Ricodifica radiazioni, Ricodifica chemioterapica (sì, no/unk), Classificazione della morte specifica per causa SEER, Classificazione delle altre cause di morte, Mesi di sopravvivenza, ID paziente, RX Summ-Surg Prim Site (1998+) e fare clic su Colonna.
5. Fare clic su Output, assegnare un nome ai dati e fare clic su Esegui per generare e salvare i dati.
6. Il database SEER non fornisce direttamente informazioni sul fatto che un paziente abbia l'MPCC. Dopo aver completato il download dei dati come descritto sopra, utilizzare l'ID paziente per filtrare i pazienti con MPCC, ovvero quelli con diagnosi di due o più occorrenze. Dopo aver identificato i pazienti con MPCC, calcolare l'intervallo tra le diagnosi di tumore in base ai loro tempi di sopravvivenza. Utilizzando 6 mesi come cutoff, classificare i pazienti in SMPCC e MMPCC.
7. In base alla loro età al momento della diagnosi iniziale, classificare l'età dei pazienti come = 65 anni e> 65 anni. Per il grado del tumore, il grado I corrisponde a una buona differenziazione, il grado II corrisponde a una differenziazione moderata, il grado III corrisponde a una bassa differenziazione e il grado IV corrisponde a un'indifferenziazione. Classificare la posizione del tumore in base alla distribuzione di più tumori come colon destro, colon-retto sinistro e intero colon-retto.
   1. Ci sono evidenti differenze nello sviluppo embrionale e nelle caratteristiche biologiche tra il colorettato prossimale e distale, dividere la posizione del tumore in base alla flessura splenica²³. Il colon destro è definito come prossimale alla flessura splenica, compreso il cieco, il colon ascendente, la flessura epatica e il colon trasverso, mentre il colon-retto sinistro comprende la flessura splenica, il colon discendente, il colon sigmoideo, la giunzione rettosigmoidea e il retto. Se i tumori di un paziente sono interamente localizzati nel colon destro, definire la posizione del tumore come colon destro; se tutti i tumori sono localizzati nel colorettaggio sinistro, definire la posizione come colorettato sinistro; Se ci sono tumori sia nel colon destro che nel colon-retto sinistro, definire la posizione come intero colore-retto.
8. Determinare le dimensioni del tumore selezionando il diametro del tumore più grande tra più tumori nello stesso paziente. In base al diametro del tumore, classificare le dimensioni come = 5 cm o >5 cm. Nello studio sono stati inclusi un totale di 8.931 pazienti. Per creare una coorte di formazione e una coorte di convalida, dividi casualmente tutti i casi in un rapporto 7:3.

2. Costruzione del modello

1. Scarica RStudio (2023.12.1+402) e il software R (4.3.3). Aprire RStudio per eseguire il software R. Fare clic su Nuovo file e selezionare Script R per creare una nuova interfaccia di programmazione R. Immettere il codice pertinente nell'editor di codice e fare clic su Esegui per eseguire il codice.
   NOTA: Il linguaggio R e le sue funzioni offrono un'ampia varietà di parametri. L'aggiunta o la modifica di questi parametri può migliorare l'analisi e la visualizzazione dei dati.
2. Utilizzare il codice seguente per eseguire l'analisi univariata e tracciare la curva CIF.
   biblioteca(tidycmprsk)
   libreria(gtsummary)
   Biblioteca(ggSurvfit)
   Libreria (ggprisma)
   dati <-read.csv'data.csv)"
   data$status<-factor(data$status, levels=c(0,1,2),labels=c("0","CSS","OCS"))
   CIF <- tidycmprsk::cuminc(Surv(ora, stato) ~ Sesso, dati = dati)
   ggcuminc(CIF,risultato= c("CSS", "OCS"),dimensione=1.5)
   dove data.csv sono i dati ottenuti dal database SEER.
3. Dopo aver eseguito il codice sopra, fai clic su Esporta, quindi fai clic su Salva come immagine e infine fai clic su Salva per salvare l'immagine. Il metodo per salvare le immagini successive sarà lo stesso di questo passaggio. Sostituisci Sesso nel codice sopra uno per uno con altri fattori per eseguire un'analisi univariata per tutti i fattori.
4. Utilizzare il codice seguente per eseguire analisi e visualizzazione BSR e multivariate.
   biblioteca(salti)
   libreria(riskRegression)
   libreria(prodlim)
   Libreria (Forestplot)
   salti<-regsottoinsiemi(stato==0~Sesso+Dimensione+Grado+T+N+M,dati = dati)
   plot(salti,scala="adjr2")
   multi <- FGR(Hist(tempo,stato)~Sesso + T + N + M +Grado+ Dimensione,causa=1,dati=dati)
   Riassunto(Multi)
   Multi <- read.csv("multi.csv",intestazione = T)
   forestplot(labeltext=as.matrix(Multi [,1:4]), mean= Multi $HR_mean, ower= Multi $HR_1, upper= Multi $HR_2)
   dove i dati in multi.csv provengono dai risultati del codice precedente.
5. Segui il passaggio 2.3. per salvare l'immagine.
6. Utilizzare il codice seguente per tracciare il nomogramma, la curva ROC, la curva di calibrazione e la curva DCA.
   biblioteca(QHScrnomo)
   Libreria (RMS)
   libreria(riskRegression)
   libreria(prodlim)
   Dati <- read.csv ("data.csv")
   d <- datadist(dati)
   opzioni(datadist = "d")
   e <-cph(Surv(tempo,stato==1)~Sesso + T + N + M +Grado,dati = dati,
   x=T, y=T, surv=T,time.inc=60)
   nomo <- crr.fit(e,failcode=1,cencode = 0)
   nomogram.crr(fit =nomo, lp = F, xfrac = 0.5, fun.at =seq(from=0, to=1, by= 0.1) , failtime =c(12,36,60),funlabel = c("Incidenza cumulativa CSS a 1 anno", "Incidenza cumulativa CSS a 3 anni","Incidenza cumulativa CSS a 5 anni"))
   set.seed(123)
   dati$pro <- tenf.crr(m3,tempo = 60)
   groupci(x=dati$pro, ftime = dati$tempo, fstatus = dati$stato, failcode = 1, cencode = 0, ci = TRUE)
   f <- CSC(Hist(tempo,stato)~Sesso + T + N + M +Grado,dati = dati)
   x <- Punteggio(lista(modello1=f), Hist(tempo,stato)~1, dati=dati, causa=1, volte=c(12,36,60), se.fit=1L, grafici="roc", metriche="auc")
   g <- as.data.frame(x$AUC$score)
   h <- g[g$volte %in% c(12,36,60),]
   col = c("darkcyan","pomodoro","viola")
   plotROC(x, xlab="1-Specificità", ylab="Sensibilità",col=col[1], cex=1.5, legend="", auc.in.legend = F, times = 12)
   plotROC(x,col=col[2],legenda = '', cex=1.5,times =36,auc.in.legend = F,add=T)
   plotROC(x,col=col[3], volte =60, aggiungi=T, cex=1.5, legenda = '',auc.in.legend = F)
   gamba <- paste0(c("1-Anno: ","3-Anni: ","5-Anni: "),substr(a$AUC,1,5))
7. Segui il passaggio 2.3. per salvare l'immagine.
8. Utilizzare il pacchetto ggscidca per tracciare la curva DCA.
   Biblioteca(ggscidca)
   df_surv<-read.csv("data.csv",intestazione = T)
   cox_model <- coxph(Surv(tempo,stato==1)~Sesso + T + N+ M +Grado, dati = df_surv)
   cox_model1<-newcrr(cox_model)
   scidca(cox_model1, newdata= df_surv,soglia.riga = T,soglia.testo = T)
   dove data.csv sono i dati ottenuti dal database SEER.
9. Segui il passaggio 2.3. per salvare l'immagine.

Risultati

Caratteristiche del paziente
Nello studio sono stati inclusi un totale di 8.931 pazienti. In termini di distribuzione per sesso, c'è stata una percentuale più alta di pazienti di sesso maschile (56%) rispetto alle pazienti di sesso femminile (44%). Per quanto riguarda la distribuzione della localizzazione del tumore, la maggior parte dei tumori era distribuita su tutto il colon-retto, mentre il minor numero di tumori era localizzato nel colon destro (21%). In termini di grado del tumore, il grado più comune è stato il grado II, con 6.251 pazienti, pari al 70% del totale; segue il grado III, con 2.026 pazienti (23%). I e IV gradi avevano rispettivamente 355 e 299 pazienti, pari al 4% e al 3,3% del totale. In termini di invasione tumorale, gli stadi T3 e T4 erano i più comuni. Più della metà dei pazienti non presentava metastasi linfonodali, mentre il 17% dei pazienti presentava metastasi a distanza. La radioterapia è stata ricevuta da 1.446 pazienti (16%) e la chemioterapia è stata somministrata a 3.843 pazienti (43%). L'SCRC era più comune, con 5.327 pazienti che rappresentavano il 60% del totale; C'erano 3.604 pazienti con carcinoma colorettale metacrono, pari al 40%. I pazienti sono stati divisi in modo casuale in set di addestramento e convalida in un rapporto 7:3. Non ci sono state differenze statisticamente significative nei dati di base tra le coorti di addestramento e di convalida, come mostrato nella Tabella 1.

Analisi univariabile
Dopo aver controllato l'influenza degli eventi competitivi, i risultati dell'analisi univariata hanno mostrato che il sesso, il grado e le dimensioni del tumore, lo stadio TNM, la radioterapia, la chemioterapia, lo stato sincrono o metacrono e la posizione del tumore erano i fattori prognostici che influenzavano la CSS nei pazienti con MPCC. Solo l'età non è un fattore prognostico per la CSS nei pazienti con MPCC. Notiamo che esiste un'intersezione significativa di CIF in radioterapia, chemioterapia, localizzazione e stato sincrono o metacrono, indicando che gli effetti prognostici a breve e lungo termine delle radiazioni sui pazienti con MPCC erano diversi, così come la chemioterapia, la posizione e lo stato sincrono o metacrono. La curva del rischio cumulativo di ciascun sottogruppo è illustrata nella Figura 2.

Analisi multivariata
I fattori prognostici ottenuti dall'analisi univariata sono stati incorporati nella migliore regressione dei sottoinsiemi (BSR) e nell'analisi multivariata del modello di rischio competitivo. Tra questi, la radioterapia, la chemioterapia, la localizzazione e lo stato sincrono o metacrono sono esclusi a causa dei loro doppi effetti sulla prognosi. I risultati della BSR e dell'analisi multivariata hanno mostrato che il sesso, lo stadio TNM e il grado del tumore erano fattori di rischio indipendenti per la CSS nei pazienti con MPCC. (Figura 2)

Costruzione e verifica del Nomogramma
Sulla base dei fattori di rischio indipendenti ottenuti dall'analisi multivariata, costruiamo un nomogramma a linee per prevedere i CSS e verificare le prestazioni del modello predittivo (Figura 3). Quindi, utilizziamo la curva ROC, la curva di calibrazione e il DCA per valutare il modello. La curva ROC ha mostrato che le AUC di 1 anno, 3 anni e 5 anni della coorte di formazione erano 0,762, 0,742 e 0,734 e le AUC di 1 anno, 3 anni e 5 anni della coorte di verifica erano 0,801, 0,740 e 0,743. Nella coorte di addestramento e nella coorte di verifica, la curva di calibrazione ha mostrato un elevato accordo tra la probabilità prevista e i dati effettivi (Figura 4). Per verificare le prestazioni del modello nell'applicazione clinica, abbiamo utilizzato il DCA per valutare il valore clinico del modello. I risultati mostrano che il modello mostra un buon beneficio netto (Figura 5).

Figura 1: Diagramma del flusso di lavoro dello studio. Questo studio si compone di due fasi: in primo luogo, i dati sono stati ottenuti utilizzando SEER. Stat, e quindi l'analisi e la visualizzazione dei dati sono state eseguite utilizzando R. Fare clic qui per visualizzare una versione più grande di questa figura.

Figura 2: Risultati dell'analisi. (A) CIF dei sottogruppi. * indica p <0,05. (B) Regressione dei sottoinsiemi migliori. Sotto la migliore bontà di vestibilità, sesso, grado e stadio TNM sono stati considerati per l'inclusione (mostrati come blocchi neri in alto). (C) L'analisi multivariata ha anche mostrato che il sesso, il grado e lo stadio TNM sono fattori di rischio indipendenti. Clicca qui per visualizzare una versione più grande di questa figura.

Figura 3: Nomogramma per CSS nei pazienti con MPCC. Il punteggio totale del paziente può essere calcolato sommando i punteggi corrispondenti a ciascun fattore. Sulla base del punteggio totale, è possibile prevedere la probabilità di morte specifica per cancro a 1, 3 e 5 anni Fare clic qui per visualizzare una versione più ampia di questa cifra.

Figura 4: Curva ROC e curva di calibrazione. (A, B) Le curve nella coorte di addestramento (n=6255) e nella coorte di convalida (C, D) (n=2676). Più il valore dell'area audiovisiva è vicino a 1, migliori saranno le prestazioni di classificazione del modello. Le barre di errore mostrano l'intervallo di confidenza del 95% per la probabilità che si verifichi l'evento effettivo. Clicca qui per visualizzare una versione più grande di questa figura.

Figura 5: DCA per 1 anno, 3 anni e 5 anni. (A, B, C) DCA nella coorte di formazione e nella coorte di convalida (D, E, F). La linea verde rappresenta il beneficio netto di tutti i positivi, la linea blu rappresenta il beneficio netto di nessun positivo e la linea rossa indica il beneficio netto del modello. L'area rossa sottostante rappresenta il vantaggio del modello che supera quello di tutti i positivi e di nessuno positivo, indicando l'intervallo di benefici effettivo del modello. Clicca qui per visualizzare una versione più grande di questa figura.

Tabella 1: Caratteristiche clinicopatologiche e basali dei pazienti. Clicca qui per scaricare questa tabella.

Discussione

Essendo un tumore comune dell'apparato digerente, i fattori che influenzano la prognosi del cancro del colon-retto solitario sono stati studiati e confermati in precedenti ricerche²⁴. Tuttavia, ci sono state ricerche limitate sui fattori prognostici per i pazienti con MPCC. Questo studio ha incluso 8.931 pazienti con MPCC sottoposti a intervento chirurgico dal database SEER tra il 2004 e il 2015. Abbiamo utilizzato un modello di rischio concorrente per indagare i fattori di rischio che influenzano i CSS e abbiamo costruito un modello predittivo. In questo studio, il 39,1% dei pazienti deceduti è morto per cause diverse dal cancro, sottolineando la necessità di utilizzare un modello di rischio concorrente per analizzare i fattori di rischio per la CSS.

Studi precedenti hanno scoperto che l'età avanzata è un fattore di rischio che influenza la OS dei pazienti con MPCC¹². Tuttavia, in questo studio, abbiamo scoperto che l'età non era un fattore di rischio per la CSS. I pazienti anziani spesso presentano condizioni di salute di base peggiori e più comorbidità, che possono portare a una OS più breve rispetto ai pazienti più giovani. Gli anziani hanno anche maggiori probabilità di morire per altre cause, come eventi cardiovascolari e infezioni gravi, il che li rende più suscettibili a questi fattori rispetto ai pazienti più giovani. In questo studio, ci siamo concentrati sulla relazione concorrente tra i decessi dovuti ad altre cause e i decessi dovuti al cancro stesso. Utilizzando un modello di rischio concorrente ed escludendo l'interferenza dei decessi causati da altri motivi, abbiamo scoperto che in queste condizioni, l'età avanzata non era più un fattore di rischio per la CSS del MPCC. Ciò indica che i pazienti con MPCC di diverse fasce d'età possono affrontare carichi tumorali simili. Nel complesso, i pazienti giovani e anziani con questa malattia hanno CSS simili, il che fornisce una guida preziosa per lo sviluppo di strategie di trattamento personalizzate.

Questo studio ha anche rilevato che l'incidenza e la prognosi dell'MPCC mostrano tendenze legate al genere, con una percentuale più elevata e una CSS più scarsa di pazienti maschi. Ciò è coerente con la situazione osservata nel cancro del colon-retto solitario. Studi precedenti hanno dimostrato che il cancro del colon-retto solitario è più comune nei maschi e che i pazienti maschi hanno una prognosi peggiore rispetto alle pazienti di sesso femminile. Ciò può essere dovuto all'influenza degli estrogeni sull'insorgenza e sulla progressione del cancro del colon-retto²⁵. Inoltre, altre ricerche hanno suggerito che il microbiota intestinale e i metaboliti intestinali nei pazienti maschi possono essere una delle ragioni delle differenze di genere osservate nei pazienti con cancro del colon-retto²⁶. Uno studio in Germania ha scoperto che il diabete di tipo 2 ha un impatto maggiore sul cancro del colon-retto nelle donne^{di 27} anni. Inoltre, la vitamina D ha un effetto protettivo contro la neoplasia del colon-retto nelle femmine, ma non sono stati riscontrati risultati simili nei maschi²⁸.

L'analisi univariata concorrente ha rilevato che i pazienti con MPCC con tumori di dimensioni maggiori avevano una CSS più scarsa. In studi precedenti, la dimensione del tumore è stata spesso considerata un indicatore dell'aggressività del tumore 29,30,31. Tuttavia, i risultati delle analisi multivariate concorrenti non hanno supportato le dimensioni del tumore come fattore di rischio indipendente. Ciò suggerisce che negli organi cavi come il colon-retto, le dimensioni del tumore possono avere una capacità limitata di riflettere l'aggressività del tumore. Questo fenomeno può derivare da vari fattori, tra cui la complessità della biologia dei tumori e i diversi modelli di crescita e diffusione dei tumori tra i diversi organi.

Un grado tumorale insufficiente indica capacità invasive e migratorie più forti delle cellule tumorali, il che è in linea con le conclusioni di questo studio: un grado tumorale peggiore suggerisce una CSS più scarsa per i pazienti con MPCC. Lo stadio TNM è il metodo clinico più comunemente usato per guidare il trattamento del paziente e prevedere la prognosi^32,33. Questo studio ha rilevato che più profonda è l'infiltrazione tumorale, maggiore è il numero di linfonodi metastatici e la presenza di metastasi d'organo, peggiore è la sopravvivenza specifica del paziente per il cancro. Questo è del tutto coerente con il consenso clinico.

Nel cancro del colon-retto, la prognosi varia a seconda della posizione del tumore. Molti studi hanno scoperto che il colon destro ha una prognosi peggiore rispetto al colon-retto sinistro 34,35,36,37. Tuttavia, alcune ricerche suggeriscono che nel carcinoma colorettale resecabile, il lato della posizione del tumore non influisce sulla prognosi a lungo termine³⁸. In questo studio, l'MPCC situato nel colon destro aveva una CSS peggiore a breve termine, ma una prognosi migliore a lungo termine. Allo stesso modo, i pazienti con MPCC che hanno ricevuto radioterapia e chemioterapia avevano una CSS migliore a breve termine ma una CSS peggiore a lungo termine. SCRC aveva un CSS a breve termine peggiore rispetto a MCRC, ma un CSS a lungo termine migliore. Le ragioni di questi doppi effetti sulla prognosi non sono ancora chiare.

Questo studio ha alcune limitazioni. A causa dei vincoli intrinseci del database SEER, non è stato possibile ottenere o analizzare alcuni indicatori prognostici noti, come i livelli di antigene carcinoembrionale (CEA) e lo stato dei microsatelliti. Inoltre, non abbiamo potuto escludere i pazienti con malattia infiammatoria intestinale, carcinoma colorettale ereditario non poliposico e poliposi adenomatosa familiare che hanno un rischio più elevato di MPCC³⁹. Inoltre, l'immunoterapia è diventata un aspetto sempre più importante del trattamento del cancro del colon-retto, ma non siamo stati in grado di ottenere dati su questo. La natura retrospettiva della nostra analisi e la dipendenza da un singolo set di dati possono introdurre distorsioni intrinseche.

Lo studio basato sul database SEER ha rilevato che il sesso maschile, lo scarso grado del tumore e lo stadio avanzato di TNM erano associati a una CSS più scarsa nei pazienti con MPCC dopo l'intervento chirurgico. È importante prestare molta attenzione ai pazienti con questi fattori di rischio durante la diagnosi e il trattamento. Inoltre, questo studio ha sviluppato un nomogramma per prevedere la CSS dei pazienti con MPCC, in grado di prevedere con precisione la prognosi e contribuire al processo decisionale clinico del trattamento.

Materiali

Name	Company	Catalog Number	Comments
forestplot package	Comprehensive R Archive Network (CRAN)	forest plot 3.1.3	A forest plot that allows for multiple confidence intervals per row, custom fonts for each text element, custom confidence intervals, text mixed with expressions, and more.
ggprism package	Comprehensive R Archive Network (CRAN)	ggprism 1.0.5	The ggprism package provides various themes, palettes, and other useful functions to customise ggplots and give them the ‘GraphPad Prism’ look.
ggscidca package	Comprehensive R Archive Network (CRAN)	ggscidca package	The 'ggscidca' package adds coloured bars of discriminant relevance to the traditional decision curve. Improved practicality and aesthetics.
ggsurvfit package	Comprehensive R Archive Network (CRAN)	ggsurvfit 1.1.0	The ggsurvfit package eases the creation of time-to-event (aka survival) summary figures with ggplot2. The concise and modular code creates images that are ready for publication or sharing.
gtsummary package	Comprehensive R Archive Network (CRAN)	gtsummary 2.0.0	The gtsummary package provides an elegant and flexible way to create publication-ready analytical and summary tables using the R programming language. The {gtsummary} package summarizes data sets, regression models, and more, using sensible defaults with highly customizable capabilities.
QHScrnomo package	Comprehensive R Archive Network (CRAN)	QHScrnomo 3.0.1	The goal of QHScrnomo is to provide functionality to construct nomograms in the context of time-to-event (survival) analysis in the presence of competing risks. It also contains functions to build, validate, and summarize these models.
R Software	R Core Team	R 4.3.3	Free software environment for statistical computing and graphics
riskRegression package	Comprehensive R Archive Network (CRAN)	riskRegression 1.3.7	Risk Regression Models and Prediction Scores for Survival Analysis with Competing Risks
rms package	Comprehensive R Archive Network (CRAN)	rms 6.8-1	rms does regression modeling, testing, estimation, validation, graphics, prediction, and typesetting by storing enhanced model design attributes in the fit.
RStudio	RStudio, Public Benefit Corporation(PBC)	Rstudio 2023.12.1+402	Integrated Development Environment (IDE) used for running R scripts, data analysis, and model development. Provides a user-friendly interface for R programming with advanced features like script editing, debugging, and version control.
SEERstat	National Cancer Institute (NCI)	SEERstat 8.4.3	Software for statistical analysis of SEER and other cancer-related databases
tidycmprsk package	Comprehensive R Archive Network (CRAN)	tidycmprsk 1.0.0	The tidycmprsk package provides an intuitive interface for working with the competing risk endpoints