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

Studien stöddes av bidrag från det allmänna programmet för Zhejiang Province Natural Science Foundation (bidragsnummer LY19H160020) och nyckelprogram för Jinhua Municipal Science & Technology Bureau (bidragsnummer 2016-3-005, 2018-3-001d och 2019-3-013).

Forskningsprotokollet godkändes av etikkommittén för Jinhua Hospital, Zhejiang University School of Medicine. För detta experiment erhölls fallen från databasen Övervakning, epidemiologi och slutresultat (SEER). SEER är en open-access-databas som innehåller demografiska data, incidens- och överlevnadsdata från 18 populationsbaserade cancerregister. Vi registrerade oss på SEER:s webbplats och skrev under en revisionsbrev för att förvärva forskningsdata (12296-nov2018).
1. Datakäll...

<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 övergripande målet med den aktuella studien var att fastställa ett specifikt konkurrerande risk nomogram som kunde beskriva verkliga sjukdomar och att utveckla en bekväm individuell bedömning modell för kliniker att närma sig behandling beslut. Här tillhandahåller vi en steg-för-steg handledning för upprättande av nomogram baserat på Cox regressionsmodell och konkurrerande riskregressionsmodell och vidareutför subgruppsanalys. Zhang et al.18 införde ett tillvägagångssätt för...

Tiden till händelse överlevnad analys är ganska vanligt i kliniska studier. Överlevnadsdata mäter tidsspannet från starttiden fram till förekomsten av händelsen av intresse, men förekomsten av händelsen av intresse är ofta utesluten av en annan händelse. Om mer än en typ av slutpunkt är närvarande, kallas de konkurrerande risker slutpunkter. I detta fall fungerar standardfarlighetsanalysen (dvs. Cox proportionella orsaksspecifika riskmodell) ofta inte bra eftersom individer som upplever en annan typ av händelse censureras. Individer som upplever ett konkurrerande evenemang stannar ofta kvar i riskuppsättningen, eftersom de konkurrerande riskerna vanligtvis inte är oberoende. Därför studerade Fine och Gray1 regressionsmodelluppskattningen för delfördelningen av en konkurrerande risk. I en konkurrerande riskinställning kan tre olika typer av händelser diskrimineras.
Man mäter total överlevnad (OS) genom att påvisa en direkt klinisk nytta av nya behandlingsmetoder för en sjukdom. OS mäter överlevnadstiden från ursprungstid (dvs. tidpunkten för diagnos eller behandling) till tidpunkten för dödsfallet på grund av någon orsak och utvärderar i allmänhet den absoluta risken för dödsfall, och därigenom misslyckas med att differentiera dödsorsakerna (t.ex. cancerspecifik död (CSD) eller icke-cancerspecifik död (icke-CSD))2. OS betraktas därför som den viktigaste slutpunkten. De händelser av intresse är ofta cancer relaterade, medan de icke-cancer-specifika händelser, som inkluderar hjärtsjukdomar, trafikolyckor eller andra icke-närstående orsaker, anses konkurrerande händelser. Maligna patienter med en gynnsam prognos, som förväntas överleva längre, är ofta en större risk för icke-CSD. Det vill säga, OS kommer att spädas ut av andra dödsorsaker och misslyckas med att korrekt tolka den verkliga effektiviteten av klinisk behandling. Därför är OS kanske inte den optimala åtgärden för att få tillgång till utfallen av sjukdom3. Sådana fördomar skulle kunna korrigeras med den konkurrerande riskregressionsmodellen.
Det finns två huvudsakliga metoder för konkurrerande riskdata: orsaksspecifika faromodeller (Cox-modeller) och modeller för deldistributionsfaro (konkurrerande modeller). I följande protokoll presenterar vi två metoder för att generera nomogram som baseras på den orsaksspecifika faromodellen och modellen för risk för deldistribution. Den orsaksspecifika faromodellen kan göras för att passa i Cox proportionella faromodell, som behandlar försökspersoner som upplever den konkurrerande händelsen som censurerad vid den tidpunkt då den konkurrerande händelsen inträffade. I den subdistributionsriskmodell som introducerades av Fine och Gray1 1999 kan tre olika typer av händelser diskrimineras, och individer som upplever ett konkurrerande evenemang förblir på den risk som för alltid.
Ett nomogram är en matematisk representation av förhållandet mellan tre eller flera variabler4. Medicinska nomogram betraktar biologisk och klinisk händelse som variabler (t.ex. tumörgrad och patientålder) och genererar sannolikheter för en klinisk händelse (t.ex. cancerrecidiv eller död) som grafiskt avbildas som en statistisk prognostisk modell för en given individ. Generellt formuleras ett nomogram utifrån resultaten från Cox proportionella faror modell5,6,7,8,9,10.
Men när konkurrerande risker är närvarande, ett nomogram baserat på Cox modellen kan misslyckas med att prestera bra. Även om flera tidigarestudier 11,12,13,14 har tillämpat konkurrerande risk nomogram för att uppskatta sannolikheten för CSD, har få studier beskrivit hur man fastställs nomogram baserat på en konkurrerande risk regressionsmodell, och det finns inget befintligt paket tillgängliga för att åstadkomma detta. Därför kommer den metod som presenteras nedan att ge ett stegvist protokoll för att fastställa ett specifikt competing-risk nomogram baserat på en konkurrerande riskregressionsmodell samt en riskpoängsuppskattning för att hjälpa kliniker i beslutsfattandet om behandling.

establishing a competing risk regression nomogram model for survival data

Kaplan–Meier-metoden och Cox proportionella hazards regressionsmodell är de vanligaste analyserna i överlevnadsramverket. Dessa är relativt lätta att applicera och tolka och kan avbildas visuellt. När konkurrerande händelser (t.ex. kardiovaskulära och cerebrovaskulära olyckor, behandlingsrelaterade dödsfall, trafikolyckor) förekommer, bör standardöverlevnadsmetoderna emellertid tillämpas med försiktighet, och verkliga data kan inte tolkas korrekt. Det kan vara önskvärt att skilja olika slags händelser som kan leda till misslyckandet och behandla dem olika i analysen. Här fokuserar metoderna på att använda den konkurrerande regressionsmodellen för att identifiera betydande prognostiska faktorer eller riskfaktorer när konkurrerande händelser förekommer. Dessutom upprättas nomogram som baseras på en proportionell riskregressionsmodell och en konkurrerande regressionsmodell för att hjälpa kliniker att göra individuella bedömningar och riskstratifieringar för att förklara hur kontroversiella faktorer påverkar prognosen.

Överlevnadsegenskaper för exempelkohorten I exempelkohorten inkluderades totalt 8 550 berättigade patienter i analysen och mediantiden för uppföljning var 88 månader (intervall, 1 till 95 månader). Totalt 679 (7,94 %) patienter var yngre än 40 år och 7 871 (92,06 %) patienter var äldre än 40. I slutet av prövningen hade 7 483 (87,52 %) patienter fortfarande levde, 662 (7,74 %) avled på grund av bröstcancer, och 405 (4,74 %) patienter avled på grund av andra orsaker (konkurrerande risker...

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

Presenteras här är ett protokoll för att bygga nomogram baserat på Cox proportionella faror regressionsmodell och konkurrerande risk regressionsmodell. Den konkurrerande metoden är en mer rationell metod att tillämpa när konkurrerande händelser förekommer i överlevnadsanalysen.

Upprättande av en konkurrerande risk regressions nomogrammodell för överlevnadsdata

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

Detta är det protokoll för att hantera de normala bidragen som bygger på den konkurrerande riskregressionsmodellen som är en mer rationell metod att tillämpa när de konkurrerande händelserna som trafikolyckorna förs i överlevnadsanalysen. Individer som upplevt våra konkurrerande händelser ofta påminner om riskerna som, eftersom de konkurrerande riskerna är oftast inte oberoende. Det konkurrerande normala bidraget är lämpligare för att utvärdera sannolikheten för att testa händelser för individer i analys.Efter installation av RMS och konkurrerande risk R paket, ladda dem och importera kohorten data För att fastställa Cox proportionella faror regressionsmodell, passa modellen till data med hjälp av CPH-funktionen sedan utveckla en Cox regression nomogram, med två år förutspådde överlevnadsgrad som ett exempel. Använd metapaketet i R för att beräkna riskpoängen och rita en skogsyta. Efter installation och inläsning av R-paketen, erhålla gruppriskpoängen, eller GRS och dela upp kohorten i tre undergrupper.Rita sedan skogstomten, erhålla hazard ratio lägre kompetensintervall, och övre konfidensintervall med CRR-funktionen. För att fastställa den konkurrerande riskregressionsmodellen börjar du med att placera prognostiska variabler i en matris. Använd funktionen Cbind för att konkatenera variablerna efter kolumner och passa in dem i modellen.Använd sedan nomogramfunktionen för att konstruera Cox Nome. Hämta funktionen för kumulativa incidenter vid baslinjen, eller CIF, och ersätt X-beta- och X-punkten för den konkurrerande riskregressionsmodellen. Byt ut den totala X-punkten i X-hjulet, beräkna sedan X-poängen och rita nomogrammet.Ekvationen för X-poäng och X-järnvägsförhållandet kan beräknas enligt den inneboende tillskrivningen av den konkurrerande modellen. CIF noll betyder CIF-baslinje, som beräknas av funktionen förutsäga CRR. I exempelkohorten ingick totalt 8 550 berättigade patienter i analysen och medianefterföljningstiden var 88 månader.De kumulativa incidenserna av tumördöd och inga tumördöd och konkurrerande händelser var av Kaplan-Meier-metoden, respektive den konkurrerande riskregressionsfunktionen. Summan av de kumulativa incidenserna av tumördöd och ingen tumördöd, beräknad med Kaplan-Meier-metoden, var högre än summan av uppskattningarna av alla dödsorsaker, vilket var lika med de kumulativa händelserna i cancerspecifik död när en konkurrerande metod användes. Ett nomogram konstruerades med cox proportionella regressionsmodell baserat på betydande faktorer, som inkluderade civilstånd, ras, histologisk typ, differentierad grad, T-klassificering och N-klassificering.Ett nomogram konstruerades också med hjälp av den konkurrerande riskregressionsmodellen. Baserat på riskpoängen klassificerades kohorten i tre undergrupper: låg risk, medelhög risk och hög risk. Skogstomten användes för att tydligt presentera samspelet mellan gruppriskpoängen och den specifika faktorn.Vid behandling av ålder visade endast lågriskgruppen en sämre prognos för yngre kvinnor, vilket indikerar att ung ålder kan fungera som en skyddande prognosfaktor i medelstora och högriskgrupper. När du försöker detta protokoll är det viktigt att till fullo förstå de olika överleva modeller i 10 till händelse analys och verktygen är korrekt behärskas för individualiserad vägledning. Modellprestanda utvärderas i termer av diskrimineringen och kaliber ransonen prestanda.Efter denna procedur kan kalibreringskurvan och de är samma luckor vara prestanda för att validera effektiviteten i det konkurrerande normala bidraget.

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

Om dubbla motstånd mot EGFR-TKI och träffade-TKI i lunga adenokarcinom celler In Vitro med en 2-stegs-dosupptrappning procedur

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-baserade åtskillnad mellan friska och sjukliga celler utnyttja Fourier transformer och självorganiserande kartor

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

Att upprätta cellinjer överuttryck DR3 för att bedöma den apoptotiska svar på anti mitotiska 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 ...

Evaluation of Colorectal Cancer Risk and Prevalence by Stool DNA Integrity Detection

Utvärdering av kolorektal cancer risk och prevalens av avföring DNA Integrity Detection

Nowadays, stool DNA can be isolated and analyzed by several methods. The long fragments of DNA in stool can be detected by a qPCR assay, which provides a ...

Studying Triple Negative Breast Cancer Using Orthotopic Breast Cancer Model

Studera Triple negativ bröstcancer med ortopotopic bröstcancer modell

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

Ett arbetsflöde för dataintegrering för att identifiera läkemedelskombinationer som riktar sig mot syntetiska dödliga 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 sfäroid modell för 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

Påvisande av cellfritt DNA i blodplasmaprover från cancerpatienter

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 från färska frusna hjärntumörer för enkärna RNA-seq och ATAC-seq

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