Nomograma de risco competitivo para prever a sobrevida específica do câncer em pacientes com câncer colorretal primário múltiplo após cirurgia

Resumo

O estudo descobriu que o sexo masculino, o baixo grau do tumor e o estágio avançado de metástase do linfonodo tumoral foram associados a uma pior sobrevida específica do câncer (CSS) em pacientes com câncer colorretal primário múltiplo (MPCC) após a cirurgia. Desenvolvemos um nomograma para prever a CSS de pacientes com MPCC e contribuir para a tomada de decisão do tratamento clínico.

Resumo

A sobrevida específica do câncer (CSS) em pacientes com câncer colorretal primário múltiplo (MPCC) é afetada competitivamente pela morte por outras causas. Este estudo teve como objetivo investigar a SCS e os fatores de risco associados por meio de análise de risco competitiva em pacientes com CPM. Os dados deste estudo são do banco de dados SEER. Usando análise univariada e multivariável do modelo de risco competitivo para enfraquecer o impacto de eventos competitivos, ele explora os fatores de risco do CSS e desenvolve um modelo de nomograma. Em seguida, o desempenho do modelo é verificado pela curva ROC, curva de calibração e DCA. O estudo abrange um total de 8931 pacientes, sendo 6255 na coorte de treinamento e 2676 na coorte de validação. Análises univariadas e multivariadas mostraram que sexo, estágio de metástase de linfonodo tumoral (TNM) e grau do tumor são fatores de risco independentes para sobrevida específica do câncer em pacientes com MPCC. Com base nos fatores de risco, desenvolvemos um modelo de diagrama para prever CSS. A curva ROC, a curva de calibração e o DCA também apresentam bons resultados. Em conclusão, é desenvolvido um nomograma que serve como uma ferramenta valiosa para prever CSS em pacientes com MPCC, fornecendo aos médicos informações cruciais para o planejamento personalizado do tratamento.

Introdução

O câncer colorretal, como um dos tumores do sistema digestivo mais comuns em todo o mundo, tem visto um aumento contínuo em sua incidência nas últimas décadas. As taxas de incidência e mortalidade persistentemente altas chamaram atenção significativa. De acordo com as estatísticas mais recentes, o câncer colorretal ocupa o terceiro lugar entre os tumores malignos comuns em todo o mundo, com sua taxa de mortalidade em segundo lugar globalmente¹. O câncer colorretal primário múltiplo (MPCC) é um subtipo especial de câncer colorretal que tem atraído cada vez mais atenção dos pesquisadores nos últimos anos. É definida como o diagnóstico de duas ou mais lesões independentes de câncer colorretal no mesmo paciente, com distância superior a 5 cm entre as bordas das lesões. No MPCC, quando múltiplos tumores são diagnosticados simultaneamente ou em menos de 6 meses, é definido como câncer colorretal sincrônico (SCRC), enquanto se o intervalo entre os diagnósticos for maior que 6 meses, é definido como câncer colorretal metacrônico (MCRC)2,3,4,5.

A proporção de MPCC em todos os cânceres colorretais é relativamente baixa e os relatos sobre sua incidência variam entre diferentes regiões e estudos. Estudos recentes relataram que o MPCC é responsável por entre 2% e 10% dos cânceres colorretais 2,3,4,5. Comparado ao câncer colorretal solitário, o CPM tem pior prognóstico ^3,6. Atualmente, a avaliação clínica do prognóstico do MPCC depende principalmente do sistema de estadiamento de metástase linfonodal tumoral (TNM) do American Joint Committee of Cancer, que usa o estágio mais avançado de múltiplas lesões como o estágio real do MPCC. No entanto, basear as previsões prognósticas apenas no estadiamento TNM é insuficiente. Ainda falta uma ferramenta eficaz para predizer o prognóstico do MPCC pós-operatório. Na era atual da medicina de precisão, os modelos de predição clínica para quantificar o risco são amplamente utilizados na tomada de decisões clínicas e na avaliação do prognóstico do paciente ^7,8. Nos últimos anos, nomogramas baseados em fatores de risco prognósticos independentes têm sido amplamente aceitos para predizer o prognóstico do tumor⁹. Os nomogramas podem visualizar modelos estatísticos complexos, tornando-os mais fáceis de aplicar em ambientes clínicos. Na avaliação do prognóstico do tumor, a sobrevida global (OS) e a sobrevida específica do câncer (CSS) são indicadores de resultados comumente usados⁹. OS refere-se ao tempo desde a confirmação de um câncer em um paciente até a morte por qualquer causa. CSS refere-se ao tempo desde o diagnóstico de um tumor até a morte causada especificamente pelo câncer, oferecendo um reflexo mais preciso do risco de morte devido ao câncer. Quando a CSS é usada como indicador de desfecho, as mortes causadas por outros fatores podem afetar a probabilidade de mortalidade específica por câncer, introduzindo uma relação de risco competitiva entre os dois eventos^10,11. Portanto, estudos de sobrevida específica do tumor devem usar modelos de risco concorrentes para eliminar o impacto de eventos concorrentes. Estudos anteriores construíram modelos para prever o prognóstico do MPCC, mas estes foram limitados ao câncer colorretal síncrono e não utilizaram modelos de risco concorrentes para explicar o impacto de eventos concorrentes no CSS^{12 , 13 , 14} .

Neste estudo, exploramos os fatores de risco independentes concorrentes que afetam a sobrevida específica do câncer para MPCC após a cirurgia. A justificativa para o emprego de um modelo de riscos competitivos decorre de sua capacidade de explicar a possibilidade de que os pacientes possam morrer por outras causas que não o câncer, o que é fundamental para a obtenção de estimativas de sobrevida imparciais^15,16. Técnicas tradicionais de análise de sobrevida, como o modelo de Cox, podem superestimar as probabilidades de sobrevida na presença de eventos competitivos, tornando o uso de modelos de risco competitivos mais apropriado nesses cenários¹⁷.

Com base nos fatores de risco independentes identificados, construímos um nomograma para prever a probabilidade de sobrevivência e validamos seu desempenho. Os nomogramas ganharam popularidade em ambientes clínicos porque fornecem uma representação gráfica amigável de modelos estatísticos complexos, permitindo que os médicos calculem facilmente os escores de risco individualizados^18,19. Ao contrário de outras ferramentas preditivas, os nomogramas incorporam vários fatores de risco e fornecem estimativas de prognóstico mais precisas e personalizadas. Essa abordagem tem sido cada vez mais validada em vários tipos de câncer, demonstrando desempenho superior em relação aos sistemas tradicionais de estadiamento 20,21,22. Nossa ferramenta visa auxiliar os médicos a fazer estimativas de prognóstico personalizadas e mais precisas durante o diagnóstico e tratamento, melhorando assim a tomada de decisão no manejo do MPCC.

Protocolo

Este estudo inclui duas etapas. Primeiro, os dados clínicos e de sobrevida do MPCC foram obtidos do banco de dados SEER. Em seguida, o software R (versão 4.3.3) foi utilizado para analisar e construir um modelo de risco competitivo. O diagrama de fluxo de trabalho do estudo é apresentado na Figura 1. Este estudo não requer aprovação ética e consentimento para participar. Os dados utilizados neste estudo foram obtidos de bancos de dados.

1. Aquisição de dados

1. Baixe o SEER. Stat 8.4.3 do site do banco de dados SEER (http://seer.cancer.gov/about/overview.html). Registre-se e faça login no SEER. Stat 8.4.3 para obter dados relevantes do paciente.
2. Depois de fazer login no SEER. Estatística 8.4.3, clique em Sessão de Listagem de Casos > Dados e selecione o banco de dados Incidence SEER Research Data, 17 Registries, Nov 2022 Sub (2000-2020).
3. Clique em Seleção > Editar e escolha {Raça, Sexo, Ano Dx. Ano do diagnóstico} = '2004', '2005', '2006', '2007', '2008', '2009', '2010', '2011', '2012', '2013', '2014', '2015' E {Local e Morfologia. Recodificação do local CID-O-3/OMS 2008} = 'Cólon e reto' AND {Local e morfologia. Confirmação diagnóstica} = 'histologia positiva' E {múltiplos campos primários. Número de sequência}! = 'Apenas um primário'.
4. Clique em OK e salve a seleção. Clique em Tabela e, na interface Variáveis disponíveis, selecione Recodificação de idade com idades únicas e 85+, Sexo, Recodificação de local CID-O-3/OMS 2008, Tamanho do tumor CS, Recodificação de grau (até 2017), AJCC derivado T, 6ª edição (2004-2015), AJCC derivado N, 6ª edição (2004-2015), AJCC derivado M, 6ª edição (2004-2015), Recodificação de radiação, Recodificação de quimioterapia (sim, não/desconhecido), Classificação de morte por causa específica do SEER, SEER outra classificação de causa de morte, meses de sobrevida, ID do paciente, RX Summ-Surg Prim Site (1998+) e clique em Coluna.
5. Clique em Saída, nomeie os dados e clique em Executar para gerar e salvar os dados.
6. O banco de dados SEER não fornece informações diretamente sobre se um paciente tem MPCC. Após concluir o download dos dados conforme descrito acima, use o ID do paciente para filtrar os pacientes com MPCC, ou seja, aqueles diagnosticados com duas ou mais ocorrências. Depois de identificar os pacientes com MPCC, calcule o intervalo entre os diagnósticos de tumor com base em seus tempos de sobrevida. Usando 6 meses como ponto de corte, classifique os pacientes em SMPCC e MMPCC.
7. Com base na idade no momento do diagnóstico inicial, categorize as idades dos pacientes em = 65 anos e> 65 anos. Para o grau do tumor, o grau I corresponde à boa diferenciação, o grau II corresponde à diferenciação moderada, o grau III corresponde à baixa diferenciação e o grau IV corresponde à indiferenciação. Classifique a localização do tumor com base na distribuição de vários tumores como cólon direito, colorreto esquerdo e colorreto inteiro.
   1. Existem diferenças óbvias no desenvolvimento embrionário e nas características biológicas entre o colorreto proximal e distal, dividindo a localização do tumor com base na flexura esplênica²³. O cólon direito é definido como proximal à flexura esplênica, incluindo o ceco, o cólon ascendente, a flexura hepática e o cólon transverso, enquanto o colorreto esquerdo inclui a flexura esplênica, o cólon descendente, o cólon sigmóide, a junção retossigmoide e o reto. Se os tumores de um paciente estiverem inteiramente localizados no cólon direito, defina a localização do tumor como cólon direito; se todos os tumores estiverem localizados no colorreto esquerdo, defina o local como colorreto esquerdo; Se houver tumores no cólon direito e no colorreto esquerdo, defina o local como colorreto inteiro.
8. Determine o tamanho do tumor selecionando o maior diâmetro do tumor entre vários tumores no mesmo paciente. Com base no diâmetro do tumor, categorize o tamanho em = 5 cm ou >5 cm. Um total de 8.931 pacientes foram incluídos no estudo. Para criar uma coorte de treinamento e uma coorte de validação, divida aleatoriamente todos os casos em uma proporção de 7:3.

2. Construção do modelo

1. Baixe o RStudio (2023.12.1+402) e o software R (4.3.3). Abra o RStudio para executar o software R. Clique em Novo Arquivo e selecione Script R para criar uma nova interface de programação R. Insira o código relevante no editor de código e clique em Executar para executar o código.
   NOTA: A linguagem R e suas funções oferecem uma ampla variedade de parâmetros. Adicionar ou modificar esses parâmetros pode aprimorar a análise e a visualização de dados.
2. Use o código a seguir para executar a análise univariada e plotar a curva CIF.
   biblioteca(tidycmprsk)
   Biblioteca(gtResumo)
   biblioteca(ggsurvfit)
   Biblioteca (ggprism)
   dados <-read.csv('data.csv')"
   dados$status<-fator(dados$status, níveis=c(0,1,2),rótulos=c("0","CSS","OCS"))
   CIF <- tidycmprsk::cuminc(Surv(time, status) ~ Sex, data = data)
   ggcuminc(CIF,resultado= c("CSS", "OCS"),tamanho=1,5)
   onde data.csv são dados obtidos do banco de dados SEER.
3. Depois de executar o código acima, clique em Exportar, clique em Salvar como imagem e, finalmente, clique em Salvar para salvar a imagem. O método para salvar imagens subsequentes será o mesmo desta etapa. Substitua Sexo no código acima, um por um, por outros fatores para realizar a análise univariada de todos os fatores.
4. Use o código a seguir para executar BSR e análise e visualização multivariada.
   Biblioteca (saltos)
   library(riskRegression)
   Biblioteca (Prodlim)
   biblioteca (gráfico de floresta)
   leaps<-regsubsets(status==0~Sexo+Tamanho+Grau+T+N+M,dados = dados)
   plot(saltos,escala="adjr2")
   multi <- FGR(Hist(tempo,status)~Sexo + T + N + M +Grade+ Tamanho,causa=1,dados=dados)
   Resumo(Multi)
   Multi <- read.csv("multi.csv",cabeçalho = T)
   forestplot(labeltext=as.matrix(Multi [,1:4]), mean= Multi $HR_mean, ower= Multi $HR_1, upper= Multi $HR_2)
   onde os dados em multi.csv vêm dos resultados do código anterior.
5. Siga o passo 2.3. para salvar a imagem.
6. Use o código a seguir para plotar o nomograma, a curva ROC, a curva de calibração e a curva DCA.
   biblioteca (QHScrnomo)
   Biblioteca (RMS)
   library(riskRegression)
   Biblioteca (Prodlim)
   Dados <- read.csv("data.csv")
   d <- distDados(dados)
   opções(distdados = "d")
   e <-cph(Surv(time,status==1)~Sexo + T + N + M +Grau,dados = dados,
   x = T, y = T, surv = T, time.inc = 60)
   nomo <- crr.fit(e,failcode=1,cencode = 0)
   nomogram.crr(fit =nomo, lp = F, xfrac = 0.5, fun.at =seq(from=0, to=1, by= 0.1) , failtime =c(12,36,60),funlabel = c("Incidência cumulativa de CSS de 1 ano", "Incidência cumulativa de CSS de 3 anos","Incidência cumulativa de CSS de 5 anos"))
   set.seed(123)
   dados$pro <- tenf.crr(m3,tempo = 60)
   groupci(x=data$pro, ftime = data$time, fstatus = data$status, failcode = 1, cencode = 0, ci = TRUE)
   f <- CSC(Hist(tempo,status)~Sexo + T + N + M +Grau,dados = dados)
   x <- Score(list(model1=f), Hist(time,status)~1, data=data, cause=1, times=c(12,36,60), se.fit=1L, plots="roc", metrics="auc")
   g <- as.data.frame(x$AUC$score)
   h <- g[g$times %in% c(12,36,60),]
   col = c("darkcyan","tomate","roxo")
   plotROC (x, xlab = "1-Especificidade", ylab = "Sensibilidade", col = col [1], cex = 1,5, legenda ="", auc.in.legend = F, vezes = 12)
   plotROC (x, col = col [2], legenda = '', cex = 1,5, vezes = 36, auc.in.legenda = F, add = T)
   plotROC(x,col=col[3], vezes =60, som=T, cex = 1,5, legenda = '',auc.in.legenda = F)
   leg <- paste0(c("1-ano: ","3-ano: ","5-ano: "),substr(a$AUC,1,5))
7. Siga o passo 2.3. para salvar a imagem.
8. Use o pacote ggscidca para traçar a curva DCA.
   biblioteca(ggscidca)
   df_surv<-read.csv("data.csv",cabeçalho = T)
   cox_model <- coxph(Surv(time,status==1)~Sex + T + N+ M +Grade, dados = df_surv)
   cox_model1<-newcrr(cox_model)
   scidca(cox_model1, newdata= df_surv,threshold.line = T,threshold.text = T)
   onde data.csv são dados obtidos do banco de dados SEER.
9. Siga o passo 2.3. para salvar a imagem.

Resultados

Características do paciente
Um total de 8.931 pacientes foram incluídos no estudo. Em termos de distribuição por sexo, houve maior proporção de pacientes do sexo masculino (56%) em relação ao sexo feminino (44%). Em relação à distribuição da localização do tumor, a maioria dos tumores estava distribuída pelo colorreto total, enquanto o menor número de tumores estava localizado no cólon direito (21%). Em relação ao grau do tumor, o grau mais comum foi o grau II, com 6.251 pacientes, representando 70% do total; seguido pelo grau III, com 2.026 pacientes (23%). Os graus I e IV tiveram 355 e 299 pacientes, respectivamente, representando 4% e 3,3% do total. Em termos de invasão tumoral, os estágios T3 e T4 foram os mais comuns. Mais da metade dos pacientes não apresentou metástase linfonodal, enquanto 17% dos pacientes apresentaram metástase à distância. A radioterapia foi recebida por 1.446 pacientes (16%) e a quimioterapia foi administrada a 3.843 pacientes (43%). O SCRC foi mais comum, com 5.327 pacientes representando 60% do total; Havia 3.604 pacientes com câncer colorretal metacrônico, representando 40%. Os pacientes foram divididos aleatoriamente em conjuntos de treinamento e validação na proporção de 7:3. Não houve diferenças estatisticamente significativas nos dados basais entre as coortes de treinamento e validação, conforme mostrado na Tabela 1.

Análise univariada
Após o controle da influência de eventos competitivos, os resultados da análise univariada mostraram que sexo, grau e tamanho do tumor, estágio TNM, radiação, quimioterapia, status síncrono ou metacrônico e localização do tumor foram os fatores prognósticos que afetaram a SCS em pacientes com CPM. Apenas a idade não é um fator prognóstico para SCS em pacientes com CPM. Observamos que há uma interseção significativa de CIF em radiação, quimioterapia, localização e status síncrono ou metacrônico, indicando que os efeitos prognósticos de curto e longo prazo da radiação em pacientes com MPCC foram diferentes, assim como quimioterapia, localização e status síncrono ou metacrônico. A curva de risco cumulativo de cada subgrupo é mostrada na Figura 2.

Análise multivariável
Os fatores prognósticos obtidos pela análise univariada foram incorporados à regressão de melhores subconjuntos (BSR) e à análise multivariada do modelo de risco competitivo. Entre eles, radiação, quimioterapia, localização e status síncrono ou metacrônico são excluídos devido aos seus efeitos duplos no prognóstico. Os resultados da BSR e da análise multivariada mostraram que sexo, estágio TNM e grau do tumor foram fatores de risco independentes para CSS em pacientes com MPCC. (Figura 2)

Construção e verificação do Nomograma
Com base nos fatores de risco independentes obtidos pela análise multivariada, construímos um nomograma de linha para predizer CSS e verificar o desempenho do modelo de predição (Figura 3). Em seguida, usamos a curva ROC, curva de calibração e DCA para avaliar o modelo. A curva ROC mostrou que as AUCs de 1 ano, 3 anos e 5 anos da coorte de treinamento foram 0,762, 0,742 e 0,734, e as AUCs de 1 ano, 3 anos e 5 anos da coorte de verificação foram 0,801, 0,740 e 0,743. Na coorte de treinamento e na coorte de verificação, a curva de calibração mostrou alta concordância entre a probabilidade projetada e os dados reais (Figura 4). Para verificar o desempenho do modelo na aplicação clínica, usamos DCA para avaliar o valor clínico do modelo. Os resultados mostram que o modelo apresenta um bom benefício líquido (Figura 5).

Figura 1: Diagrama de fluxo de trabalho do estudo. Este estudo consiste em duas etapas: primeiro, os dados foram obtidos usando o SEER. A estatística e, em seguida, a análise e visualização dos dados foram realizadas usando o R. Clique aqui para ver uma versão maior desta figura.

Figura 2: Resultados da análise. (A) CIF dos subgrupos. * indica p <0,05. (B) Regressão de melhores subconjuntos. Sob a melhor qualidade de ajuste, sexo, grau e estágio TNM foram considerados para inclusão (mostrados como blocos pretos na parte superior). (C) A análise multivariada também mostrou que sexo, grau e estágio TNM são fatores de risco independentes. Clique aqui para ver uma versão maior desta figura.

Figura 3: Nomograma para CSS em pacientes com MPCC. A pontuação total do paciente pode ser calculada somando as pontuações correspondentes a cada fator. Com base na pontuação total, a probabilidade de morte específica por câncer em 1, 3 e 5 anos pode ser prevista Clique aqui para ver uma versão maior desta figura.

Figura 4: Curva ROC e curva de calibração. (A, B) As curvas na coorte de treinamento (n=6255) e (C, D) coorte de validação (n=2676). Quanto mais próximo o valor da AUC estiver de 1, melhor será o desempenho de classificação do modelo. As barras de erro mostram o intervalo de confiança de 95% para a probabilidade de ocorrência do evento real. Clique aqui para ver uma versão maior desta figura.

Figura 5: DCA para 1 ano, 3 anos e 5 anos. (A, B, C) DCA na coorte de treinamento e (D, E, F) coorte de validação. A linha verde representa o benefício líquido de todos os positivos, a linha azul representa o benefício líquido de nenhum positivo e a linha vermelha indica o benefício líquido do modelo. A área vermelha abaixo representa o benefício do modelo excedendo o de todos os positivos e nenhum positivo, indicando a faixa de benefício real do modelo. Clique aqui para ver uma versão maior desta figura.

Tabela 1: Características clínico-patológicas e basais dos pacientes. Clique aqui para baixar esta tabela.

Discussão

Como um tumor comum do sistema digestivo, fatores que influenciam o prognóstico do câncer colorretal solitário foram estudados e confirmados em pesquisas anteriores²⁴. No entanto, tem havido pesquisas limitadas sobre fatores prognósticos para pacientes com MPCC. Este estudo incluiu 8.931 pacientes com CPM submetidos à cirurgia do banco de dados SEER entre 2004 e 2015. Usamos um modelo de risco competitivo para investigar os fatores de risco que afetam o CSS e construímos um modelo preditivo. Neste estudo, 39,1% dos pacientes falecidos morreram por outras causas que não o câncer, enfatizando a necessidade de usar um modelo de risco competitivo para analisar os fatores de risco para SCS.

Estudo prévio constatou que a idade avançada é um fator de risco que afeta a SG de pacientes com^CPM12. No entanto, neste estudo, descobrimos que a idade não foi um fator de risco para CSS. Pacientes idosos geralmente apresentam piores condições de saúde basais e mais comorbidades, o que pode levar a uma SG mais curta em comparação com pacientes mais jovens. Os idosos também são mais propensos a morrer de outras causas, como eventos cardiovasculares e infecções graves, tornando-os mais suscetíveis a esses fatores do que os pacientes mais jovens. Neste estudo, focamos na relação competitiva entre mortes por outras causas e mortes por câncer em si. Utilizando um modelo de risco competitivo e excluindo a interferência de óbitos causados por outros motivos, verificou-se que, nessas condições, a idade avançada não era mais um fator de risco para CSS do MPCC. Isso indica que pacientes com MPCC em diferentes faixas etárias podem enfrentar cargas tumorais semelhantes. No geral, pacientes jovens e idosos com esta doença têm CSS semelhante, o que fornece orientação valiosa para o desenvolvimento de estratégias de tratamento personalizadas.

Este estudo também constatou que a incidência e o prognóstico do CPM apresentam tendências relacionadas ao gênero, com maior proporção e pior CSS de pacientes do sexo masculino. Isso é consistente com a situação observada no câncer colorretal solitário. Estudos anteriores mostraram que o câncer colorretal solitário é mais comum em homens, e os pacientes do sexo masculino têm um prognóstico pior do que os pacientes do sexo feminino. Isso pode ser devido à influência do estrogênio na ocorrência e progressão do câncer colorretal²⁵. Além disso, outras pesquisas sugeriram que a microbiota intestinal e os metabólitos intestinais em pacientes do sexo masculino podem ser uma das razões para as diferenças de gênero observadas em pacientes com câncer colorretal²⁶. Um estudo na Alemanha descobriu que o diabetes tipo 2 tem um impacto maior no câncer colorretal em mulheres²⁷. Além disso, a vitamina D tem um efeito protetor contra a neoplasia colorretal em mulheres, mas nenhum achado semelhante foi encontrado em homens²⁸.

A análise univariada concorrente descobriu que os pacientes com MPCC com tamanhos de tumor maiores tinham CSS mais pobre. Em estudos anteriores, o tamanho do tumor tem sido frequentemente considerado um indicador de agressividade tumoral 29,30,31. No entanto, os resultados de análises multivariadas concorrentes não apoiaram o tamanho do tumor como um fator de risco independente. Isso sugere que em órgãos ocos como o colorreto, o tamanho do tumor pode ter capacidade limitada de refletir a agressividade do tumor. Esse fenômeno pode resultar de vários fatores, incluindo a complexidade da biologia do tumor e os diferentes padrões de crescimento do tumor e disseminação por diferentes órgãos.

O baixo grau do tumor indica habilidades invasivas e migratórias mais fortes das células tumorais, o que se alinha com as conclusões deste estudo: um pior grau do tumor sugere um CSS mais pobre para pacientes com MPCC. O estágio TNM é o método clínico mais comumente utilizado para orientar o tratamento do paciente e prever o prognóstico ^32,33. Este estudo descobriu que quanto mais profunda a infiltração do tumor, maior o número de linfonodos metastáticos e a presença de metástases de órgãos, pior a sobrevida específica do câncer do paciente. Isso é totalmente consistente com o consenso clínico.

No câncer colorretal, o prognóstico varia dependendo da localização do tumor. Muitos estudos descobriram que o cólon direito tem um prognóstico pior em comparação com o colorreto esquerdo 34,35,36,37. No entanto, algumas pesquisas sugerem que, no câncer colorretal ressecável, o lado da localização do tumor não afeta o prognóstico a longo prazo³⁸. Neste estudo, o CPPC localizado no cólon direito apresentou pior SCS a curto prazo, mas melhor prognóstico a longo prazo. Da mesma forma, os pacientes com MPCC que receberam radiação e quimioterapia tiveram melhor CSS de curto prazo, mas pior CSS de longo prazo. O SCRC teve pior CSS de curto prazo em comparação com o MCRC, mas melhor CSS de longo prazo. As razões para esses efeitos duplos no prognóstico ainda não estão claras.

Este estudo tem algumas limitações. Devido às restrições inerentes ao banco de dados SEER, não foi possível obter ou analisar alguns indicadores prognósticos conhecidos, como níveis de antígeno carcinoembrionário (CEA) e status de microssatélite. Além disso, não pudemos excluir pacientes com doença inflamatória intestinal, câncer colorretal hereditário sem polipose e polipose adenomatosa familiar que apresentam maiores riscos de CPMC³⁹. Além disso, a imunoterapia tornou-se um aspecto cada vez mais importante do tratamento do câncer colorretal, mas não conseguimos obter dados sobre isso. A natureza retrospectiva de nossa análise e a confiança em um único conjunto de dados podem introduzir vieses inerentes.

O estudo baseado no banco de dados SEER descobriu que sexo masculino, baixo grau de tumor e estágio TNM avançado foram associados a CSS mais pobre em pacientes com MPCC após a cirurgia. É importante prestar muita atenção aos pacientes com esses fatores de risco durante o diagnóstico e o tratamento. Além disso, este estudo desenvolveu um nomograma para prever a SCS de pacientes com MPCC, que pode prever com precisão o prognóstico e contribuir para a tomada de decisão do tratamento clínico.

Materiais

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