知識的價值不在于占有,而在于使用。

生信自學網-速科生物-生物信息學數據庫挖掘視頻教程

當前位置: 主頁 > SEER >

腫瘤臨床利用Nomogram構建列線圖文獻解讀

時間:2019-07-30 07:22來源:生信自學網 作者:樂偉 點擊:
利用2001年至2006年在韓國國家癌癥中心接受一線雙聯細胞毒化療的949例不可切除或轉移性胃癌患者的臨床病理數據,建立了一種預測晚期胃癌患者姑息化療環境下1年生存率的列線圖(B
腫瘤臨床利用Nomogram構建列線圖文獻解讀
A nomogram for predicting 1-year survival in patients with advanced gastric cancer in the palliative chemotherapy setting was developed using clinicopathological data from 949 patients with unresectable or metastatic gastric cancer who had received first-line doublet cytotoxic chemotherapy from 2001 to 2006 at the National Cancer Center, Korea (Baseline Nomogram). For 836 patients whose initial response to chemotherapy is known, another nomogram (ChemoResponse-based Nomogram) was constructed using the response to chemotherapy as additional variable. Nomogram performance in terms of discrimination and calibration ability was evaluated using the C statistic and Hosmer–Lemeshow-type χ2 statistics.
方法:
利用2001年至2006年在韓國國家癌癥中心接受一線雙聯細胞毒化療的949例不可切除或轉移性胃癌患者的臨床病理數據,建立了一種預測晚期胃癌患者姑息化療環境下1年生存率的列線圖(Baseline Nomogram)。對836例化療初治反應已知的患者,以化療反應為附加變量,構建了另一種列線圖(基于化療反應的列線圖)。利用C統計量和Hosmer–Lemeshow型χ2統計量,評價了列線圖在鑒別和校準能力方面的表現。
本推文文獻下載:關注公眾號:biowolf_cn,回復“列線圖”,即可下載原文
 
當然如果我們沒有這么優秀的數據,怎么辦?SEER腫瘤臨床數據庫可以幫到你,純生信挖掘SEER數據庫,也可以利用Nomogram構建列線圖模型,生信自學網錄制了一個入門的seer列線圖課程:
《SEER列線圖繪制入門》

文章題目是:使用Nomograms預測接受聯合細胞毒性化療作為一線治療的不可切除或轉移性胃癌患者的生存率。研究的對象是949例化療的胃癌患者,觀察終點是1年后患者的生存情況。使用的方法是Cox生存分析,預測模型的展示方法是nomogram列線圖。
圖一:Flowchart 流程圖

我們還是從圖表的角度剖析這篇文章。第一個圖是大家最熟悉的流程圖,流程圖的重要性就不在強調了,幾乎每篇文章必備。文章收集了2001年到2006年共計1327例接受化療的胃癌患者。排除328人,剩余949人進入Cox模型。
表一:研究人群描述

如果說圖一看不出什么端倪,那么從表一開始,這篇文章的獨特之處就可以顯現出來了:作者把人群分成了2組,一組是基線列線圖人群,一組是基于化療反應列線圖人群。
這是什么意思呢?作者整篇文章共做了2個預測模型,一個是基于患者化療之前的危險因素進行預測,另一個則是化療開始后9周觀察到患者對化療初期反應之后的因素進行預測。
換句話說,當一個胃癌患者來了之后,首先可以通過基線數據進行風險評估預測,決定是否進行接受聯合細胞毒性化療?;颊呋熤?,可以通過初期化療反應再次進行評估,決定是否繼續化療。兩個模型結合為醫生提供化療決策的幫助。
其實這個時候作者的思路就已經顯現出來了,這也是文章的核心亮點,可以猜想,作者下面的內容則是圍繞2個模型進行書寫,我們繼續往下看。
表二:預測因子篩選

表二是文章的重要內容:納入列線圖的危險因素,這里展示了預測模型用到的變量,同時展示了每個危險因素的HR風險比。
預測模型的難點在于預測因子的篩選,很多同學都在苦惱用什么原則選擇,這篇文章則描述的非常清楚,大家可以學習。簡單概述一下:文章首先使用基礎模型和年齡調整模型進行單因素分析,定義出來潛在的危險因素,然后使用前進、后退、逐步分析方法在多因素模型中篩選出了最佳模型。在使用這些方法的時候,一類錯誤α的取值為0.20,也就是p<0.2,這樣的好處是降低樣本量的影響。
同時,在這個表中最下面一列,展示出來2個模型的最大差異之處:化療后9周之內的反應?;€nomogram中沒有這個變量,基于化療反應的nomogram則使用了這個變量。
圖二:nomogram列線圖


最后一步就是展示列線圖了,有了前面表二的鋪墊,圖二分別展示了2個模型的nomogram,1個基于基線資料預測,1個基于化療后初期反應預測,一切水到渠成。文章沒有再放ROC曲線,直接列出了2個模型的C-index分別是0.656(95CI%,0.628-0.673)和0.718(95CI%,0.694-0.741)

圖四、表三:校準曲線和風險分層
最后的圖和表作為文章的輔助材料,我一并放出來。一個是列線圖的校準曲線,校準曲線是實際風險和預測風險的對比,曲線約接近對角線,說明預測效果越好。

第二個圖則是按照風險大小進行分層,分別展示了每組的人數和中為生存時間,從側面說明了不同風險值患者的實際生存情況,讓大家對生存時間有更直接的認識。
以上就是這篇文章的全部內容啦,我們簡單整理一下思路:作者通過對醫院現有化療患者數據進行挖掘,建立了2個模型:一個是在化療開始前進行預后評估,另一個是在化療初期,通過化療反應進行預后評估。2個模型是文章的最大亮點,nomogram作為載體展示了預測模型的結果,較為新穎。

當然如果我們沒有這么優秀的數據,怎么辦?SEER腫瘤臨床數據庫可以幫到你,純生信挖掘SEER數據庫,也可以利用Nomogram構建列線圖模型,生信自學網錄制了一個入門的seer列線圖課程:
《SEER列線圖繪制入門》

責任編輯:樂偉
作者申明:本文版權屬于生信自學網(微信號:18520221056)未經授權,一律禁止轉載!
加生信自學網群
BioWolf二維碼生成器
頂一下
(1)
100%
踩一下
(0)
0%
------分隔線----------------------------
發表評論
請自覺遵守互聯網相關的政策法規,嚴禁發布色情、暴力、反動的言論。
評價:
表情:
用戶名: 驗證碼:點擊我更換圖片
TCGA腫瘤微環境
推薦內容
單基因發文套路
m6A