Apresentado aqui é um protocolo para construir nomogramas baseados no modelo de regressão de riscos proporcionais de Cox e modelo de regressão de risco concorrente. O método concorrente é um método mais racional para aplicar quando eventos concorrentes estão presentes na análise de sobrevivência.
O método Kaplan-Meier e o modelo de regressão de riscos proporcionais de Cox são as análises mais comuns no quadro de sobrevivência. Estes são relativamente fáceis de aplicar e interpretar e podem ser retratados visualmente. No entanto, quando eventos concorrentes (por exemplo, acidentes cardiovasculares e cerebrovasculares, mortes relacionadas ao tratamento, acidentes de trânsito) estão presentes, os métodos de sobrevivência padrão devem ser aplicados com cautela, e os dados do mundo real não podem ser interpretados corretamente. Pode ser desejável distinguir diferentes tipos de eventos que podem levar ao fracasso e tratá-los de forma diferente na análise. Aqui, os métodos se concentram no uso do modelo de regressão concorrente para identificar fatores prognósticos significativos ou fatores de risco quando os eventos concorrentes estão presentes. Além disso, nomogramas baseados em um modelo de regressão de risco proporcional e um modelo de regressão concorrente são estabelecidos para ajudar os médicos a fazer avaliações individuais e estratificação de risco, a fim de explicar o impacto de fatores controversos no prognóstico.
O tempo para a análise de sobrevivência de eventos é bastante comum em estudos clínicos. Os dados de sobrevivência medem o período de tempo desde o início até a ocorrência do evento de interesse, mas a ocorrência do evento de interesse muitas vezes é impedida por outro evento. Se mais de um tipo de ponto final estiver presente, eles são chamados de pontos finais de riscos concorrentes. Neste caso, a análise padrão de risco (ou seja, o modelo de riscos específicos da causa proporcional de Cox) muitas vezes não funciona bem porque indivíduos que experimentam outro tipo de evento são censurados. Indivíduos que vivenciam um evento concorrente muitas vezes permanecem no conjunto de riscos, pois os riscos concorrentes geralmente não são independentes. Por isso, Fine e Gray1 estudaram a estimativa do modelo de regressão para a sub distribuição de um risco concorrente. Em um cenário de risco concorrente, três tipos diferentes de eventos podem ser discriminados.
Uma mede a sobrevida geral (OS) demonstrando um benefício clínico direto de novos métodos de tratamento para uma doença. A OS mede o tempo de sobrevida desde o tempo de origem (ou seja, tempo de diagnóstico ou tratamento) até a hora do óbito por qualquer causa e geralmente avalia o risco absoluto de morte, deixando assim de diferenciar as causas de morte (por exemplo, morte específica do câncer (DCC) ou morte não específica do câncer (não-CSD))2. O SISTEMA OPERACIONAL é, portanto, considerado o ponto final mais importante. Os eventos de interesse são frequentemente relacionados ao câncer, enquanto os eventos não específicos para o câncer, que incluem doenças cardíacas, acidentes de trânsito ou outras causas não relacionadas, são considerados eventos concorrentes. Pacientes malignos com prognóstico favorável, que devem sobreviver por mais tempo, muitas vezes correm maior risco de não-CSD. Ou seja, o SO será diluído por outras causas de morte e não interpretará corretamente a real eficácia do tratamento clínico. Portanto, a OS pode não ser a medida ideal para acessar os desfechos da doença3. Tais vieses poderiam ser corrigidos pelo modelo de regressão de risco concorrente.
Existem dois métodos principais para dados de risco concorrentes: modelos de risco específicos para causas (modelos Cox) e modelos de risco de subdistribução (modelos concorrentes). No protocolo a seguir, apresentamos dois métodos para gerar nomogramas baseados no modelo de risco específico da causa e no modelo de risco de subdistribução. O modelo de risco específico da causa pode ser feito para se encaixar no modelo de riscos proporcionais cox, que trata os sujeitos que vivenciam o evento concorrente como censurados no momento em que o evento concorrente ocorreu. No modelo de risco de subdistribução que foi introduzido pela Fine e Gray1 em 1999, três tipos diferentes de eventos podem ser discriminados, e indivíduos que experimentam um evento concorrente permanecem no risco definido para sempre.
Um nomograma é uma representação matemática da relação entre três ou maisvariáveis 4. Os nomogramas médicos consideram o evento biológico e clínico como variáveis (por exemplo, grau de tumor e idade do paciente) e geram probabilidades de um evento clínico (por exemplo, recidiva do câncer ou morte) que é graficamente retratado como um modelo prognóstico estatístico para um determinado indivíduo. Geralmente, um nomograma é formulado com base nos resultados dos riscos proporcionais de Cox modelo5,6,7,8,9,,10.
No entanto, quando os riscos concorrentes estão presentes, um nomograma baseado no modelo Cox pode não ter um bom desempenho. Embora vários estudos anteriores11,,12,13,14 tenham aplicado o nomograma de risco concorrente para estimar a probabilidade de CSD, poucos estudos descreveram como estabelecer o nomograma com base em um modelo de regressão de risco concorrente, e não há nenhum pacote existente disponível para isso. Portanto, o método apresentado abaixo fornecerá um protocolo passo-a-passo para estabelecer um nomograma específico de risco concorrente com base em um modelo de regressão de risco concorrente, bem como uma estimativa de pontuação de risco para auxiliar os médicos na tomada de decisões de tratamento.
O objetivo geral do presente estudo foi estabelecer um nomograma específico de risco concorrente que pudesse descrever doenças do mundo real e desenvolver um modelo de avaliação individual conveniente para os médicos abordarem as decisões de tratamento. Aqui, fornecemos um tutorial passo-a-passo para estabelecer nomogramas baseados no modelo de regressão de Cox e modelo de regressão de risco concorrente e realizar ainda mais análises de subgrupos. Zhang et al.18 introduziram uma abordagem…
The authors have nothing to disclose.
O estudo foi apoiado por subsídios do programa geral da Fundação de Ciência Natural da Província de Zhejiang (número de subvenção LY19H160020) e programa-chave do Jinhua Municipal Science & Technology Bureau (número de subvenção 2016-3-005, 2018-3-001d e 2019-3-013).