Name: establishing a competing risk regression nomogram model for survival data
Uploaded: 2020-10-23T13:00:00
Description: Watch this Scientific Journal Video about Establishing a Competing Risk Regression Nomogram Model for Survival Data at JoVE.com

Undersøgelsen blev støttet af tilskud fra det generelle program af Zhejiang Province Natural Science Foundation (tilskud nummer LY19H160020) og nøgleprogram af Jinhua Municipal Science & Technology Bureau (tilskud nummer 2016-3-005, 2018-3-001d og 2019-3-013).

Forskningsprotokollen blev godkendt af den etiske komité på Jinhua Hospital, Zhejiang University School of Medicine. Til dette eksperiment blev sagerne indhentet fra databasen overvågning, epidemiologi og slutresultater (SEER). SEER er en open-access database, der omfatter demografiske, incidens og overlevelse data fra 18 befolkningsbaserede kræftregistre. Vi registrerede os på SEER's hjemmeside og underskrev en revisionsskrivelse for at erhverve forskningsdataene (12296-november 2018).
1. ...

<ol>
	<li>Fine, J. P., Gray, R. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+proportional+hazards+model+for+the+subdistribution+of+a+competing+risk.">A proportional hazards model for the subdistribution of a competing risk.</a> Journal of the American Statistical Association. 94 (446), 496-509 (1999).</li><li>Fu, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Real-world+impact+of+non-breast+cancer-specific+death+on+overall+survival+in+resectable+breast+cancer.">Real-world impact of non-breast cancer-specific death on overall survival in resectable breast cancer.</a> Cancer. 123 (13), 2432-2443 (2017).</li><li>Kim, H. T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Cumulative+incidence+in+competing+risks+data+and+competing+risks+regression+analysis.">Cumulative incidence in competing risks data and competing risks regression analysis.</a> Clinical Cancer Research. 13, 559-565 (2007).</li><li>Balachandran, V. P., Gonen, M., Smith, J. J., DeMatteo, R. P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Nomograms+in+oncology:+more+than+meets+the+eye.">Nomograms in oncology: more than meets the eye.</a> Lancet Oncology. 16 (4), 173-180 (2015).</li><li>Han, D. S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Nomogram+predicting+long-term+survival+after+d2+gastrectomy+for+gastric+cancer.">Nomogram predicting long-term survival after d2 gastrectomy for gastric cancer.</a> Journal of Clinical Oncology. 30 (31), 3834-3840 (2012).</li><li>Karakiewicz, P. I., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Multi-institutional+validation+of+a+new+renal+cancer-specific+survival+nomogram.">Multi-institutional validation of a new renal cancer-specific survival nomogram.</a> Journal of Clinical Oncology. 25 (11), 1316-1322 (2007).</li><li>Liang, W., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Development+and+validation+of+a+nomogram+for+predicting+survival+in+patients+with+resected+non-small-cell+lung+cancer.">Development and validation of a nomogram for predicting survival in patients with resected non-small-cell lung cancer.</a> Journal of Clinical Oncology. 33 (8), 861-869 (2015).</li><li>Valentini, V., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=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.">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.</a> Journal of Clinical Oncology. 29 (23), 3163-3172 (2011).</li><li>Iasonos, A., Schrag, D., Raj, G. V., Panageas, K. S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=How+to+build+and+interpret+a+nomogram+for+cancer+prognosis.">How to build and interpret a nomogram for cancer prognosis.</a> Journal of Clinical Oncology. 26 (8), 1364-1370 (2008).</li><li>Chisholm, J. C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Prognostic+factors+after+relapse+in+nonmetastatic+rhabdomyosarcoma:+a+nomogram+to+better+define+patients+who+can+be+salvaged+with+further+therapy.">Prognostic factors after relapse in nonmetastatic rhabdomyosarcoma: a nomogram to better define patients who can be salvaged with further therapy.</a> Journal of Clinical Oncology. 29 (10), 1319-1325 (2011).</li><li>Brockman, J. A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Nomogram+Predicting+Prostate+Cancer-specific+Mortality+for+Men+with+Biochemical+Recurrence+After+Radical+Prostatectomy.">Nomogram Predicting Prostate Cancer-specific Mortality for Men with Biochemical Recurrence After Radical Prostatectomy.</a> European Urology. 67 (6), 1160-1167 (2015).</li><li>Zhou, H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Nomogram+to+Predict+Cause-Specific+Mortality+in+Patients+With+Surgically+Resected+Stage+I+Non-Small-Cell+Lung+Cancer:+A+Competing+Risk+Analysis.">Nomogram to Predict Cause-Specific Mortality in Patients With Surgically Resected Stage I Non-Small-Cell Lung Cancer: A Competing Risk Analysis.</a> Clinical Lung Cancer. 19 (2), 195-203 (2018).</li><li>Fu, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=De-escalating+chemotherapy+for+stage+II+colon+cancer.">De-escalating chemotherapy for stage II colon cancer.</a> Therapeutic Advances in Gastroenterology. 12, 1756284819867553 (2019).</li><li>Chen, D., Li, J., Chong, J. K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Hazards+regression+for+freemium+products+and+services:+a+competing+risks+approach.">Hazards regression for freemium products and services: a competing risks approach.</a> Journal of Statistical Computation and Simulation. 87 (9), 1863-1876 (2017).</li><li>. rms: Regression Modeling Strategies. R package version 5.1-2 Available from: <a target="_blank" href="https://CRAN.R-project.org/package=rms">https://CRAN.R-project.org/package=rms</a> (2018)</li><li>. cmprsk: Subdistribution Analysis of Competing Risks. R package version 2.2-7 Available from: <a target="_blank" href="https://CRAN.R-project.org/package=cmprsk">https://CRAN.R-project.org/package=cmprsk</a> (2014)</li><li>Scrucca, L., Santucci, A., Aversa, F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Regression+modeling+of+competing+risk+using+R:+an+in+depth+guide+for+clinicians.">Regression modeling of competing risk using R: an in depth guide for clinicians.</a> Bone Marrow Transplantation. 45 (9), 1388-1395 (2010).</li><li>Zhang, Z., Geskus, R. B., Kattan, M. W., Zhang, H., Liu, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Nomogram+for+survival+analysis+in+the+presence+of+competing+risks.">Nomogram for survival analysis in the presence of competing risks.</a> Annals in Translational Medicine. 5 (20), 403 (2017).</li><li>Geskus, R. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Cause-specific+cumulative+incidence+estimation+and+the+fine+and+gray+model+under+both+left+truncation+and+right+censoring.">Cause-specific cumulative incidence estimation and the fine and gray model under both left truncation and right censoring.</a> Biometrics. 67 (1), 39-49 (2011).</li><li>Fu, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Young-onset+breast+cancer:+a+poor+prognosis+only+exists+in+low-risk+patients.">Young-onset breast cancer: a poor prognosis only exists in low-risk patients.</a> Journal of Cancer. 10 (14), 3124-3132 (2019).</li><li>de Glas, N. A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Performing+Survival+Analyses+in+the+Presence+of+Competing+Risks:+A+Clinical+Example+in+Older+Breast+Cancer+Patients.">Performing Survival Analyses in the Presence of Competing Risks: A Clinical Example in Older Breast Cancer Patients.</a> Journal of the National Cancer Institute. 108 (5), (2016).</li></ol>

Det overordnede mål med den nuværende undersøgelse var at etablere et specifikt konkurrerende risiko nomogram, der kunne beskrive sygdomme i den virkelige verden og at udvikle en bekvem individuel vurderingsmodel for klinikere til at nærme sig behandlingsbeslutninger. Her giver vi en trin-for-trin tutorial til oprettelse af nomograms baseret på Cox regression model og konkurrerende risiko regression model og yderligere udfører undergruppe analyse. Zhang et al.18 indført en tilgang til at sk...

Tiden til hændelse overlevelse analyse er ganske almindelig i kliniske undersøgelser. Overlevelsesdata måler tidsfrist fra starttidspunkterne til forekomsten af begivenheden af interesse, men forekomsten af begivenheden af interesse er ofte udelukket af en anden begivenhed. Hvis der findes mere end én type slutpunkt, kaldes de konkurrerende risikoslutpunkter. I dette tilfælde fungerer standardfareanalysen (dvs. Cox proportional årsagsspecifikke faremodel) ofte ikke godt, fordi personer, der oplever en anden type hændelse, censureres. Personer, der oplever en konkurrerende begivenhed, forbliver ofte i risikosættet, da de konkurrerende risici normalt ikke er uafhængige. Derfor undersøgte Fine og Gray1 regressionsmodellens skøn for underfordelingen af en konkurrerende risiko. I en konkurrerende risikoindstilling kan tre forskellige typer hændelser diskrimineres.
Den ene måler den samlede overlevelse (OS) ved at påvise en direkte klinisk fordel af nye behandlingsmetoder for en sygdom. OS måler overlevelsestiden fra oprindelsestidspunktet (dvs. tidspunktet for diagnose eller behandling) til dødstidspunktet på grund af enhver årsag og vurderer generelt den absolutte risiko for dødsfald og undlader at skelne dødsårsagerne (f.eks. kræftspecifik død (CSD) eller ikke-kræftspecifik død (ikke-CSD))2. OS betragtes derfor som det vigtigste endepunkt. Begivenheder af interesse er ofte kræft relateret, mens de ikke-kræft-specifikke begivenheder, som omfatter hjertesygdomme, trafikulykker eller andre uafhængige årsager, betragtes som konkurrerende begivenheder. Maligne patienter med en gunstig prognose, der forventes at overleve længere, er ofte en større risiko for ikke-CSD. Det vil sige, at OS vil blive fortyndet af andre dødsårsager og undlader at korrekt fortolke den reelle effektivitet af klinisk behandling. Derfor er OS muligvis ikke den optimale foranstaltning til at få adgang til resultaterne af sygdom3. Sådanne skævheder kan korrigeres ved hjælp af den konkurrerende risikoregressionsmodel.
Der findes to hovedmetoder til konkurrerende risikodata: årsagsspecifikke faremodeller (Cox-modeller) og risikomodeller for underdistribution (konkurrerende modeller). I den følgende protokol præsenterer vi to metoder til at generere nomograms baseret på årsagsspecifik faremodel og underdistributionsfaremodellen. Den årsagsspecifikke faremodel kan gøres til at passe ind i Cox proportional hazards-modellen, som behandler emner, der oplever den konkurrerende begivenhed, som censureret på det tidspunkt, hvor den konkurrerende begivenhed fandt sted. I den subdistributionsfaremodel, der blev introduceret af Fine og Gray1 i 1999, kan tre forskellige typer af begivenheder diskrimineres, og personer, der oplever en konkurrerende begivenhed, forbliver på den risiko, der er sat for evigt.
Et nomogram er en matematisk repræsentation af forholdet mellem tre eller flere variabler4. Medicinske nomograms overveje biologiske og kliniske begivenhed som variabler (f.eks tumor kvalitet og patientens alder) og generere sandsynligheder for en klinisk begivenhed (f.eks kræft tilbagefald eller død), der er grafisk afbildet som en statistisk prognostisk model for en given person. Generelt formuleres et nomogram på grundlag af resultaterne af Cox proportional hazards model5,6,7,8,9,10.
Men når konkurrerende risici er til stede, en nomogram baseret på Cox model kan undlade at klare sig godt. Selv om flere tidligereundersøgelser 11,12,13,14 har anvendt den konkurrerende risiko nomogram at vurdere sandsynligheden for CSD, få undersøgelser har beskrevet, hvordan man kan etablere nomogram baseret på en konkurrerende risiko regression model, og der er ingen eksisterende pakke til rådighed til at opnå dette. Den metode, der præsenteres nedenfor, vil derfor udgøre en trinvis protokol til etablering af et specifikt nomogram med konkurrerende risici baseret på en konkurrerende risikoregressionsmodel samt en risikovurderingsvurdering til klinikere i beslutningstagningen om behandling.

establishing a competing risk regression nomogram model for survival data

Kaplan-Meier-metoden og Cox proportional hazards regressionsmodellen er de mest almindelige analyser i overlevelsesrammen. Disse er relativt nemme at anvende og fortolke og kan afbildes visuelt. Når konkurrerende hændelser (f.eks. kardiovaskulære og cerebrovaskulære ulykker, behandlingsrelaterede dødsfald, trafikulykker) er til stede, bør standardlevemetoderne anvendes med forsigtighed, og data fra den virkelige verden kan ikke fortolkes korrekt. Det kan være ønskeligt at skelne mellem forskellige former for begivenheder, der kan føre til fiasko og behandle dem forskelligt i analysen. Her fokuserer metoderne på at bruge den konkurrerende regressionsmodel til at identificere væsentlige prognostiske faktorer eller risikofaktorer, når der er konkurrerende begivenheder til stede. Derudover er der etableret nomograms baseret på en proportional fareregressionsmodel og en konkurrerende regressionsmodel for at hjælpe klinikere med at foretage individuelle vurderinger og risikostratificeringer for at forklare kontroversielle faktorers indvirkning på prognosen.

Overlevelseskarakteristika for eksempelkohorten I eksempelkohorten blev i alt 8.550 egnede patienter inkluderet i analysen, og medianopfølgerstiden var 88 måneder (interval, 1 til 95 måneder). I alt 679 (7.94%) patienter var yngre end 40 år og 7.871 (92,06 %) patienter var ældre end 40. Ved forsøgets afslutning var 7.483 (87,52 %) patienter stadig var i live, var 662 (7,74 %) døde på grund af brystkræft, og 405 (4,74 %) patienter døde på grund af andre årsager (konkurrerende risici).
<...

Watch this Scientific Journal Video about Establishing a Competing Risk Regression Nomogram Model for Survival Data at JoVE.com

Establishing a Competing Risk Regression Nomogram Model for Survival Data

Præsenteret her er en protokol til at bygge nomograms baseret på Cox proportional farer regression model og konkurrerende risiko regression model. Den konkurrerende metode er en mere rationel metode til at anvende, når konkurrerende begivenheder er til stede i overlevelsesanalysen.

Etablering af en konkurrerende risiko regression nomogram model for overlevelse data

The Kaplan&#8211;Meier method and Cox proportional hazards regression model are the most common analyses in the survival framework. These are relatively ...

Dette er protokollen til at håndtere de normale tilskud baseret på den konkurrerende risiko regression model, som er en mere rationel metode til at anvende, når de konkurrerende begivenheder såsom trafikulykker er vedtaget i overlevelse analyse. Personer, der oplevede vores konkurrerende begivenheder ofte minder om de risici, som, da de konkurrerende risici er normalt ikke uafhængige. Det konkurrerende normale tilskud er mere hensigtsmæssigt at vurdere sandsynligheden for at teste hændelser for enkeltpersoner i analysen.Efter installation af RMS og konkurrerende risiko R pakker, indlæse dem og importere kohorte data For at etablere Cox proportional farer regression model, passer modellen til de data, ved hjælp af CPH funktion derefter udvikle en Cox regression nomogram, idet de to år forudsagt overlevelsesrate som et eksempel. Brug metapakken i R til at beregne risikoscoren og tegne et skovplot. Når du har installeret og lastet R-pakkerne, skal du opnå grupperisikoscoren eller GRS og opdele kohorten i tre undergrupper.Træk derefter skovområdet, opnå fareforholdet lavere kompetenceinterval, og øvre konfidensinterval med CRR-funktionen. Hvis du vil oprette den konkurrerende risikoregressionsmodel, skal du starte med at placere prognostiske variabler i en matrix. Brug funktionen Cbind til at sammenkæde variablerne efter kolonner og tilpasse dem til modellen.Brug derefter nomogram-funktionen til at konstruere Cox Nome. Hent funktionen kumulative baseline-hændelser eller CIF, og udskift X-beta- og X-punktet for den konkurrerende risikoregressionsmodel. Erstat det samlede X-punkt i X-hjul, og beregn derefter X-scoren, og afbild nomogrammet.Ligningen for X-score- og X-jernbaneforholdet kan beregnes i henhold til den konkurrerende models iboende tilskrivning. CIF nul betyder baseline CIF, som beregnes af den forudsigede CRR-funktion. I eksemplet kohorte i alt 8, 550 støtteberettigede patienter blev inkluderet i analysen og median opfølgning tid var 88 måneder.De kumulative forekomster af tumordød og ingen tumordød og konkurrerende begivenheder var ved Kaplan-Meier-metoden og den konkurrerende risikoregressionsfunktion, henholdsvis. Summen af de kumulative forekomster af tumordød og ingen tumordød, beregnet med Kaplan-Meier-metoden, var højere end summen af skøn over alle dødsårsager, hvilket svarede til de kumulative tilfælde af kræftspecifik død, da der blev anvendt en konkurrerende metode. Et nomogram blev bygget ved hjælp af Cox proportional regression model baseret på væsentlige faktorer, som omfattede civilstand, race, histologisk type, differentieret kvalitet, T-klassificering og N-klassificering.Et nomogram blev også konstrueret ved hjælp af den konkurrerende risiko regressionsmodel. Baseret på risikoscoren blev kohorten klassificeret i tre undergrupper: lav risiko, middelrisiko og høj risiko. Skovområdet blev brugt til klart at præsentere samspillet mellem grupperisikoscoren og den specifikke faktor.Når man ser på alder, viste kun lavrisikogruppen en dårligere prognose for yngre kvinder, hvilket indikerer, at ung alder kan fungere som en beskyttende prognosefaktor i mellemstore og højrisikogrupper. Når du forsøger denne protokol er det vigtigt fuldt ud at forstå de forskellige overleve modeller i 10 til begivenhed analyse og værktøjerne er korrekt mestret for individualiseret vejledning. Modellens ydeevne evalueres i forhold til diskrimination og kaliberrationspræstation.Efter denne procedure kan kalibreringskurven, og de er de samme huller, være ydeevne til at validere effektiviteten af det konkurrerende normale tilskud.

Research

JoVE Journal

Cancer Research

Establishing Dual Resistance to EGFR-TKI and MET-TKI in Lung Adenocarcinoma Cells In Vitro with a 2-step Dose-escalation Procedure

Establishing Dual Resistance to EGFR-TKI and MET-TKI in Lung Adenocarcinoma Cells In Vitro with a 2-step Dose-escalation Procedure

Oprettelse af dobbelt modstand mod EGFR-TKI og MØDTE TKI i lunge adenocarcinom celler In Vitro med en 2-trins dosis-eskalering Procedure

Drug resistance is a major challenge in cancer therapy. The generation of resistant sublines in vitro is necessary for discovering novel mechanisms to ...

Morphology-Based Distinction Between Healthy and Pathological Cells Utilizing Fourier Transforms and Self-Organizing Maps

Morfologi-baserede skelnen mellem sund og patologiske celler udnytte Fourier transformeringer og selvorganiserende kort

The appearance and the movements of immune cells are driven by their environment. As a reaction to a pathogen invasion, the immune cells are recruited to ...

Establishing Cell Lines Overexpressing DR3 to Assess the Apoptotic Response to Anti-mitotic Therapeutics

Oprettelse af cellelinjer overekspression DR3 for at vurdere den apoptotiske reaktion på anti-mitotiske Therapeutics

Studying the function of a gene of interest can be achieved by manipulating its level of expression, such as decreasing its expression with knockdown cell ...

Studying Triple Negative Breast Cancer Using Orthotopic Breast Cancer Model

Studere Triple Negative Breast Cancer Brug Orthotopic Breast Cancer Model

Triple-negative breast cancer (TNBC) is an aggressive breast cancer subtype with limited therapeutic options. When compared to patients with less ...

A Data Integration Workflow to Identify Drug Combinations Targeting Synthetic Lethal Interactions

En dataintegrationsarbejdsgang til identifikation af lægemiddelkombinationer, der er målrettet mod syntetiske dødelige interaktioner

A synthetic lethal interaction between two genes is given when knock-out of either one of the two genes does not affect cell viability but knock-out of ...

A 3D Spheroid Model for Glioblastoma

En 3D Sfæroide model for Glioblastoma

Two-dimensional (2D) cell cultures do not mimic in vivo tumor growth satisfactorily. Therefore, three-dimensional (3D) culture spheroid models were ...

Detection of Cell-Free DNA in Blood Plasma Samples of Cancer Patients

Påvisning af cellefri DNA i blodplasmaprøver af kræftpatienter

Identifying mutations in tumors of cancer patients is a very important step in disease management. These mutations serve as biomarkers for tumor diagnosis ...

Nuclei Isolation from Fresh Frozen Brain Tumors for Single-Nucleus RNA-seq and ATAC-seq

Nuclei Isolation fra friske frosne hjernetumorer til Single-Nucleus RNA-seq og ATAC-seq

Adult diffuse gliomas exhibit inter- and intra-tumor heterogeneity. Until recently, the majority of large-scale molecular profiling efforts have focused ...

An R-Based Landscape Validation of a Competing Risk Model

En R-baseret landskabsvalidering af en konkurrerende risikomodel

The Cox proportional hazard model is widely applied for survival analyses in clinical settings, but it is not able to cope with multiple survival ...

Experimental Melanoma Immunotherapy Model Using Tumor Vaccination with a Hematopoietic Cytokine

Eksperimentel melanom immunterapi model ved hjælp af tumorvaccination med et hæmatopoietisk cytokin

Fms-like tyrosine kinase 3 ligand (Flt3L) is a hematopoietic cytokine that promotes the survival and differentiation of dendritic cells (DCs). It has been ...