##chargement des packages----
library(questionr)
library(tidyverse)
## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.1.1 ✔ readr 2.1.4
## ✔ forcats 1.0.0 ✔ stringr 1.5.0
## ✔ ggplot2 3.4.2 ✔ tibble 3.2.1
## ✔ lubridate 1.9.2 ✔ tidyr 1.3.0
## ✔ purrr 1.0.1
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors
library(tableone)
library(labelled)
library(gtsummary)
library(GGally)
## Registered S3 method overwritten by 'GGally':
## method from
## +.gg ggplot2
library(readxl)
library(effects)
## Le chargement a nécessité le package : carData
## lattice theme set by effectsTheme()
## See ?effectsTheme for details.
library(survival)
library(survminer)
## Le chargement a nécessité le package : ggpubr
##
## Attachement du package : 'survminer'
##
## L'objet suivant est masqué depuis 'package:survival':
##
## myeloma
library(ggplot2)
library(dplyr)
library(knitr)
library(cowplot)
##
## Attachement du package : 'cowplot'
##
## L'objet suivant est masqué depuis 'package:ggpubr':
##
## get_legend
##
## L'objet suivant est masqué depuis 'package:lubridate':
##
## stamp
##chargement des données
data_guillaume_poolees <- read_excel("Y:/fp/FAC/2023-2024/Memoires DES/Guillaume Flandin/20240606/data_guillaume_poolees.xlsx")
## New names:
## • `Détail` -> `Détail...42`
## • `Détail` -> `Détail...49`
## • `Détail` -> `Détail...58`
## • `Détail` -> `Détail...60`
##recodage bases de données le cas échéant----
pool_g<-filter(data_guillaume_poolees, c(eligible_etude=="1" ))
##recodage de données le cas échéant----
pool_g$charlson_2<-ifelse(pool_g$charlson>=2, 1, 0)
pool_g$charlson_3<-ifelse(pool_g$charlson>=3, 1, 0)
pool_g$charlson_4<-ifelse(pool_g$charlson>=4, 1, 0)
pool_g$charlson_5<-ifelse(pool_g$charlson>=5, 1, 0)
pool_g$adjuvant<-ifelse(pool_g$metastatique==0, 1, 0)
pool_g$raf_mek<-ifelse(pool_g$classe_medt=="raf_mek", 1, 0)
pool_g$egfr<-ifelse(pool_g$classe_medt=="egfr", 1, 0)
pool_g$alk<-ifelse(pool_g$classe_medt=="alk", 1, 0)
pool_g$cytotox<-ifelse(pool_g$classe_medt=="cytotox", 1, 0)
pool_g$kras<-ifelse(pool_g$classe_medt=="kras", 1, 0)
pool_g$ret<-ifelse(pool_g$classe_medt=="ret", 1, 0)
pool_g$vegfr<-ifelse(pool_g$classe_medt=="vegfr", 1, 0)
pool_g$mek<-ifelse(pool_g$classe_medt=="mek", 1, 0)
pool_g$hedgehog<-ifelse(pool_g$classe_medt=="hedgehog", 1, 0)
pool_g$pneumovsdermato<-ifelse(pool_g$spe_medicale=="pneumo", 1, 0)
##renommer des variables pour présentation dans les tableaux de résultats
library(labelled)
var_label(pool_g$type_evt) <- "evenement lié au médicament"
var_label(pool_g$consequence_evt) <- "conséquence des evenements liés au médicament"
var_label(pool_g$meta_snc) <- "presence de métastase cérébrale"
var_label(pool_g$polymedique) <- "patient polymediqué"
var_label(pool_g$comprehension) <- "patient avec difficulté de comprehension"
var_label(pool_g$pb_social) <- "patient avec difficulté sociale"
var_label(pool_g$actif_pro) <- "patient avec activité professionnelle"
var_label(pool_g$ddi) <- "patient avec interaction médicamenteuse"
var_label(pool_g$evt_tox) <- "patient avec evenement lié au médicament"
var_label(pool_g$charlson_2) <- "score de charlson >=2 (hors tumeur)"
var_label(pool_g$patient_seul) <- "patient vivant seul"
var_label(pool_g$risque_observance) <- "patient avec risque de mauvaise observance"
var_label(pool_g$raf_mek) <- "patient traité par inhibiteurs de Raf et Mek"
var_label(pool_g$egfr) <- "patient traité par inhibiteurs de egfrl"
var_label(pool_g$alk) <- "patient traité par inhibiteurs alk"
var_label(pool_g$cytotox) <- "patient traité par cytotoxique"
var_label(pool_g$ret) <- "patient traité par inhibiteur de ret"
var_label(pool_g$vegfr) <- "patient traité par inhibiteur de vegfr"
var_label(pool_g$kras) <- "patient traité par inhibiteur de RAS"
var_label(pool_g$raf_mek) <- "patient traité par inhibiteurs de Raf et Mek"
var_label(pool_g$mek) <- "patient traité par inhibiteurs de Mek seul"
var_label(pool_g$hedgehog) <- "patient traité par inhibiteurs hedgehog"
##réation de variables à plusieurs catégorie selon valeurs variable continue
##tableau descriptif population globales ----
tbl_summary(
pool_g, include = c("age", "spe_medicale","dci", "raf_mek", "egfr", "alk", "cytotox", "vegfr", "kras", "ret", "hedgehog", "mek", "polymedique","evt_tox", "charlson", "charlson_2", "meta_snc", "comprehension", "pb_social", "actif_pro", "patient_seul", "ddi", "risque_observance"),
digits=all_categorical()~ c(0,1),
by="spe_medicale",
)%>%
add_overall(last(FALSE),
)%>%
add_p()
## There was an error in 'add_p()/add_difference()' for variable 'charlson', p-value omitted:
## Error in stats::fisher.test(c(1, 5, 2, 2, 1, 1, 5, 2, 1, 3, 2, 2, 3, 5, : FEXACT erreur 7(location). LDSTP=18630 est trop petit pour ce problème,
## (pastp=34.0332, ipn_0:=ipoin[itp=274]=1577, stp[ipn_0]=35.369).
## Augmentez la taille de l’environnement de travail ou considérez l’utilisation de ‘simulate.p.value=TRUE’.
| Characteristic |
Overall, N = 172 |
dermato, N = 78 |
pneumo, N = 94 |
p-value |
| age |
66 (56, 75) |
66 (52, 75) |
67 (58, 75) |
0.3 |
| dci |
|
|
|
<0.001 |
| Afatinib |
5 (2.9%) |
0 (0.0%) |
5 (5.3%) |
|
| ALECTINIB |
4 (2.3%) |
0 (0.0%) |
4 (4.3%) |
|
| BRIGATINIB |
7 (4.1%) |
0 (0.0%) |
7 (7.4%) |
|
| CABOZANTINIB |
1 (0.6%) |
0 (0.0%) |
1 (1.1%) |
|
| CRIZOTINIB |
2 (1.2%) |
0 (0.0%) |
2 (2.1%) |
|
| Dabrafenib / Trametinib |
37 (21.5%) |
37 (47.4%) |
0 (0.0%) |
|
| Dabrafénib / Tramétinib |
7 (4.1%) |
0 (0.0%) |
7 (7.4%) |
|
| Encorafenib binimetinib |
17 (9.9%) |
17 (21.8%) |
0 (0.0%) |
|
| Erlotinib |
1 (0.6%) |
0 (0.0%) |
1 (1.1%) |
|
| Etoposide |
1 (0.6%) |
1 (1.3%) |
0 (0.0%) |
|
| Everolimus |
7 (4.1%) |
0 (0.0%) |
7 (7.4%) |
|
| Géfitinib |
1 (0.6%) |
0 (0.0%) |
1 (1.1%) |
|
| Lorlatinib |
1 (0.6%) |
0 (0.0%) |
1 (1.1%) |
|
| LORLATINIB |
8 (4.7%) |
0 (0.0%) |
8 (8.5%) |
|
| MOBOCERTINIB |
2 (1.2%) |
0 (0.0%) |
2 (2.1%) |
|
| Osimertinib |
36 (20.9%) |
0 (0.0%) |
36 (38.3%) |
|
| Osimertinib + Crizotinib |
1 (0.6%) |
0 (0.0%) |
1 (1.1%) |
|
| PRALSETINIB |
1 (0.6%) |
0 (0.0%) |
1 (1.1%) |
|
| Sonidegib |
9 (5.2%) |
9 (11.5%) |
0 (0.0%) |
|
| SOTORASIB |
8 (4.7%) |
0 (0.0%) |
8 (8.5%) |
|
| Sunitinib |
1 (0.6%) |
0 (0.0%) |
1 (1.1%) |
|
| Trametinib |
6 (3.5%) |
6 (7.7%) |
0 (0.0%) |
|
| Vismodegib |
8 (4.7%) |
8 (10.3%) |
0 (0.0%) |
|
| XELODA+TEMODAL |
1 (0.6%) |
0 (0.0%) |
1 (1.1%) |
|
| patient traité par inhibiteurs de Raf et Mek |
61 (35.5%) |
54 (69.2%) |
7 (7.4%) |
<0.001 |
| patient traité par inhibiteurs de egfrl |
45 (26.2%) |
0 (0.0%) |
45 (47.9%) |
<0.001 |
| patient traité par inhibiteurs alk |
22 (12.8%) |
0 (0.0%) |
22 (23.4%) |
<0.001 |
| patient traité par cytotoxique |
2 (1.2%) |
1 (1.3%) |
1 (1.1%) |
>0.9 |
| patient traité par inhibiteur de vegfr |
2 (1.2%) |
0 (0.0%) |
2 (2.1%) |
0.5 |
| patient traité par inhibiteur de RAS |
8 (4.7%) |
0 (0.0%) |
8 (8.5%) |
0.008 |
| patient traité par inhibiteur de ret |
1 (0.6%) |
0 (0.0%) |
1 (1.1%) |
>0.9 |
| patient traité par inhibiteurs hedgehog |
17 (9.9%) |
17 (21.8%) |
0 (0.0%) |
<0.001 |
| patient traité par inhibiteurs de Mek seul |
6 (3.5%) |
6 (7.7%) |
0 (0.0%) |
0.008 |
| patient polymediqué |
86 (50.0%) |
42 (53.8%) |
44 (46.8%) |
0.4 |
| patient avec evenement lié au médicament |
93 (54.1%) |
63 (80.8%) |
30 (31.9%) |
<0.001 |
| charlson |
|
|
|
|
| 0 |
16 (9.3%) |
12 (15.4%) |
4 (4.3%) |
|
| 1 |
32 (18.6%) |
19 (24.4%) |
13 (13.8%) |
|
| 2 |
30 (17.4%) |
10 (12.8%) |
20 (21.3%) |
|
| 3 |
38 (22.1%) |
12 (15.4%) |
26 (27.7%) |
|
| 4 |
26 (15.1%) |
9 (11.5%) |
17 (18.1%) |
|
| 5 |
17 (9.9%) |
10 (12.8%) |
7 (7.4%) |
|
| 6 |
9 (5.2%) |
5 (6.4%) |
4 (4.3%) |
|
| 7 |
1 (0.6%) |
0 (0.0%) |
1 (1.1%) |
|
| 8 |
3 (1.7%) |
1 (1.3%) |
2 (2.1%) |
|
| score de charlson >=2 (hors tumeur) |
124 (72.1%) |
47 (60.3%) |
77 (81.9%) |
0.002 |
| presence de métastase cérébrale |
40 (23.3%) |
11 (14.1%) |
29 (30.9%) |
0.010 |
| patient avec difficulté de comprehension |
15 (8.7%) |
9 (11.5%) |
6 (6.4%) |
0.2 |
| patient avec difficulté sociale |
19 (11.0%) |
14 (17.9%) |
5 (5.3%) |
0.009 |
| patient avec activité professionnelle |
45 (26.2%) |
17 (21.8%) |
28 (29.8%) |
0.2 |
| patient vivant seul |
21 (12.2%) |
10 (12.8%) |
11 (11.7%) |
0.8 |
| patient avec interaction médicamenteuse |
107 (62.2%) |
43 (55.1%) |
64 (68.1%) |
0.081 |
| patient avec risque de mauvaise observance |
28 (16.3%) |
17 (21.8%) |
11 (11.7%) |
0.074 |
##modèles de cox ANALYSE UNIVARIEE sur data poolé PFtox pondéré par la valeur mediane d'apparition observée poru chaque pathologie----
####charlson en valeur continue
modsurv<-coxph(Surv(pftox_mediane, evt_tox)~charlson, data=pool_g)
modsurv%>%tbl_regression(exponentiate = TRUE)
| Characteristic |
HR |
95% CI |
p-value |
| charlson |
1.14 |
1.02, 1.27 |
0.019 |
####charlson >=2---
modsurv<-coxph(Surv(pftox_mediane, evt_tox)~charlson_2, data=pool_g)
modsurv%>%tbl_regression(exponentiate = TRUE)
| Characteristic |
HR |
95% CI |
p-value |
| score de charlson >=2 (hors tumeur) |
1.38 |
0.88, 2.18 |
0.2 |
####charlson >=3---
modsurv<-coxph(Surv(pftox_mediane, evt_tox)~charlson_3, data=pool_g)
modsurv%>%tbl_regression(exponentiate = TRUE)
| Characteristic |
HR |
95% CI |
p-value |
| charlson_3 |
1.45 |
0.95, 2.20 |
0.081 |
####charlson >=4---
modsurv<-coxph(Surv(pftox_mediane, evt_tox)~charlson_4, data=pool_g)
modsurv%>%tbl_regression(exponentiate = TRUE)
| Characteristic |
HR |
95% CI |
p-value |
| charlson_4 |
1.68 |
1.11, 2.55 |
0.015 |
####charlson >=5---
modsurv<-coxph(Surv(pftox_mediane, evt_tox)~charlson_5, data=pool_g)
modsurv%>%tbl_regression(exponentiate = TRUE)
| Characteristic |
HR |
95% CI |
p-value |
| charlson_5 |
1.89 |
1.17, 3.07 |
0.010 |
####présence de méta cérébrale
modsurv<-coxph(Surv(pftox_mediane, evt_tox)~meta_snc, data=pool_g)
modsurv%>%tbl_regression(exponentiate = TRUE)
| Characteristic |
HR |
95% CI |
p-value |
| presence de métastase cérébrale |
0.66 |
0.38, 1.12 |
0.12 |
####problème de compréhension
modsurv<-coxph(Surv(pftox_mediane, evt_tox)~comprehension, data=pool_g)
modsurv%>%tbl_regression(exponentiate = TRUE)
| Characteristic |
HR |
95% CI |
p-value |
| patient avec difficulté de comprehension |
2.10 |
1.11, 3.98 |
0.023 |
####problème social
modsurv<-coxph(Surv(pftox_mediane, evt_tox)~pb_social, data=pool_g)
modsurv%>%tbl_regression(exponentiate = TRUE)
| Characteristic |
HR |
95% CI |
p-value |
| patient avec difficulté sociale |
1.10 |
0.59, 2.08 |
0.8 |
####patient vivant seul
modsurv<-coxph(Surv(pftox_mediane, evt_tox)~patient_seul, data=pool_g)
modsurv%>%tbl_regression(exponentiate = TRUE)
| Characteristic |
HR |
95% CI |
p-value |
| patient vivant seul |
1.38 |
0.79, 2.40 |
0.3 |
####activité professionnelle
modsurv<-coxph(Surv(pftox_mediane, evt_tox)~actif_pro, data=pool_g)
modsurv%>%tbl_regression(exponentiate = TRUE)
| Characteristic |
HR |
95% CI |
p-value |
| patient avec activité professionnelle |
0.64 |
0.40, 1.04 |
0.072 |
####interaction médicamenteuse
modsurv<-coxph(Surv(pftox_mediane, evt_tox)~ddi, data=pool_g)
modsurv%>%tbl_regression(exponentiate = TRUE)
| Characteristic |
HR |
95% CI |
p-value |
| patient avec interaction médicamenteuse |
0.96 |
0.63, 1.46 |
0.9 |
####patient polymédiqué
modsurv<-coxph(Surv(pftox_mediane, evt_tox)~polymedique, data=pool_g)
modsurv%>%tbl_regression(exponentiate = TRUE)
| Characteristic |
HR |
95% CI |
p-value |
| patient polymediqué |
1.32 |
0.87, 1.99 |
0.2 |
####patient avec risque de mauvaise observance
modsurv<-coxph(Surv(pftox_mediane, evt_tox)~risque_observance, data=pool_g)
modsurv%>%tbl_regression(exponentiate = TRUE)
| Characteristic |
HR |
95% CI |
p-value |
| patient avec risque de mauvaise observance |
1.25 |
0.74, 2.13 |
0.4 |
####stade adjuvant vs autres
modsurv<-coxph(Surv(pftox_mediane, evt_tox)~adjuvant, data=pool_g)
modsurv%>%tbl_regression(exponentiate = TRUE)
| Characteristic |
HR |
95% CI |
p-value |
| adjuvant |
0.95 |
0.23, 4.00 |
>0.9 |
##patient traité par combo raf_mek
modsurv<-coxph(Surv(pftox_mediane, evt_tox)~raf_mek, data=pool_g)
modsurv%>%tbl_regression(exponentiate = TRUE)
| Characteristic |
HR |
95% CI |
p-value |
| patient traité par inhibiteurs de Raf et Mek |
2.03 |
1.34, 3.07 |
<0.001 |
##patient traité par cytotox
modsurv<-coxph(Surv(pftox_mediane, evt_tox)~cytotox, data=pool_g)
modsurv%>%tbl_regression(exponentiate = TRUE)
| Characteristic |
HR |
95% CI |
p-value |
| patient traité par cytotoxique |
0.77 |
0.11, 5.55 |
0.8 |
##patient traité par inhibiteur egfr
modsurv<-coxph(Surv(pftox_mediane, evt_tox)~egfr, data=pool_g)
modsurv%>%tbl_regression(exponentiate = TRUE)
| Characteristic |
HR |
95% CI |
p-value |
| patient traité par inhibiteurs de egfrl |
0.28 |
0.15, 0.54 |
<0.001 |
##patient traité par inhibiteur alk
modsurv<-coxph(Surv(pftox_mediane, evt_tox)~alk, data=pool_g)
modsurv%>%tbl_regression(exponentiate = TRUE)
| Characteristic |
HR |
95% CI |
p-value |
| patient traité par inhibiteurs alk |
0.43 |
0.19, 0.99 |
0.048 |
##patient traité par inhibiteur vegfr
modsurv<-coxph(Surv(pftox_mediane, evt_tox)~vegfr, data=pool_g)
modsurv%>%tbl_regression(exponentiate = TRUE)
| Characteristic |
HR |
95% CI |
p-value |
| patient traité par inhibiteur de vegfr |
3.04 |
0.42, 22.1 |
0.3 |
##patient traité par inhibiteur ret
modsurv<-coxph(Surv(pftox_mediane, evt_tox)~ret, data=pool_g)
## Warning in coxph.fit(X, Y, istrat, offset, init, control, weights = weights, :
## Loglik converged before variable 1 ; coefficient may be infinite.
modsurv%>%tbl_regression(exponentiate = TRUE)
| Characteristic |
HR |
95% CI |
p-value |
| patient traité par inhibiteur de ret |
0.00 |
0.00, Inf |
>0.9 |
##patient traité par inhibiteur ras
modsurv<-coxph(Surv(pftox_mediane, evt_tox)~kras, data=pool_g)
modsurv%>%tbl_regression(exponentiate = TRUE)
| Characteristic |
HR |
95% CI |
p-value |
| patient traité par inhibiteur de RAS |
2.19 |
0.79, 6.09 |
0.13 |
##patient traité par mek seul
modsurv<-coxph(Surv(pftox_mediane, evt_tox)~mek, data=pool_g)
modsurv%>%tbl_regression(exponentiate = TRUE)
| Characteristic |
HR |
95% CI |
p-value |
| patient traité par inhibiteurs de Mek seul |
4.06 |
1.44, 11.4 |
0.008 |
##patient traité par hedgehog
modsurv<-coxph(Surv(pftox_mediane, evt_tox)~hedgehog, data=pool_g)
modsurv%>%tbl_regression(exponentiate = TRUE)
| Characteristic |
HR |
95% CI |
p-value |
| patient traité par inhibiteurs hedgehog |
1.51 |
0.88, 2.59 |
0.14 |
##patient pneumo vs dermato
modsurv<-coxph(Surv(pftox_mediane, evt_tox)~pneumovsdermato, data=pool_g)
modsurv%>%tbl_regression(exponentiate = TRUE)
| Characteristic |
HR |
95% CI |
p-value |
| pneumovsdermato |
0.38 |
0.25, 0.59 |
<0.001 |
###ANALYSE MULTIVARIEE Avec Charlson >=2
modsurv<-coxph(Surv(pftox_mediane, evt_tox)~pneumovsdermato+hedgehog+mek+alk+egfr+raf_mek+polymedique+actif_pro+comprehension+meta_snc+charlson_2, data=pool_g)
modsurv%>%tbl_regression(exponentiate = TRUE)
| Characteristic |
HR |
95% CI |
p-value |
| pneumovsdermato |
0.92 |
0.36, 2.35 |
0.9 |
| patient traité par inhibiteurs hedgehog |
1.03 |
0.31, 3.43 |
>0.9 |
| patient traité par inhibiteurs de Mek seul |
2.91 |
0.65, 13.1 |
0.2 |
| patient traité par inhibiteurs alk |
0.42 |
0.14, 1.24 |
0.12 |
| patient traité par inhibiteurs de egfrl |
0.30 |
0.12, 0.74 |
0.009 |
| patient traité par inhibiteurs de Raf et Mek |
1.26 |
0.45, 3.58 |
0.7 |
| patient polymediqué |
1.10 |
0.72, 1.69 |
0.7 |
| patient avec activité professionnelle |
0.88 |
0.48, 1.59 |
0.7 |
| patient avec difficulté de comprehension |
1.77 |
0.90, 3.46 |
0.10 |
| presence de métastase cérébrale |
0.92 |
0.51, 1.67 |
0.8 |
| score de charlson >=2 (hors tumeur) |
1.52 |
0.85, 2.71 |
0.2 |
step(modsurv)
## Start: AIC=802.74
## Surv(pftox_mediane, evt_tox) ~ pneumovsdermato + hedgehog + mek +
## alk + egfr + raf_mek + polymedique + actif_pro + comprehension +
## meta_snc + charlson_2
##
## Df AIC
## - hedgehog 1 800.75
## - pneumovsdermato 1 800.77
## - meta_snc 1 800.81
## - actif_pro 1 800.94
## - polymedique 1 800.94
## - raf_mek 1 800.94
## - mek 1 802.54
## <none> 802.74
## - charlson_2 1 802.85
## - comprehension 1 803.21
## - alk 1 803.33
## - egfr 1 807.25
##
## Step: AIC=800.75
## Surv(pftox_mediane, evt_tox) ~ pneumovsdermato + mek + alk +
## egfr + raf_mek + polymedique + actif_pro + comprehension +
## meta_snc + charlson_2
##
## Df AIC
## - meta_snc 1 798.82
## - pneumovsdermato 1 798.84
## - actif_pro 1 798.94
## - polymedique 1 798.94
## - raf_mek 1 799.34
## <none> 800.75
## - charlson_2 1 800.87
## - comprehension 1 801.31
## - mek 1 801.37
## - alk 1 801.64
## - egfr 1 806.42
##
## Step: AIC=798.82
## Surv(pftox_mediane, evt_tox) ~ pneumovsdermato + mek + alk +
## egfr + raf_mek + polymedique + actif_pro + comprehension +
## charlson_2
##
## Df AIC
## - pneumovsdermato 1 796.90
## - polymedique 1 797.00
## - actif_pro 1 797.01
## - raf_mek 1 797.36
## <none> 798.82
## - charlson_2 1 798.89
## - mek 1 799.38
## - comprehension 1 799.39
## - alk 1 800.50
## - egfr 1 805.33
##
## Step: AIC=796.9
## Surv(pftox_mediane, evt_tox) ~ mek + alk + egfr + raf_mek + polymedique +
## actif_pro + comprehension + charlson_2
##
## Df AIC
## - polymedique 1 795.07
## - actif_pro 1 795.14
## - raf_mek 1 795.62
## - charlson_2 1 796.89
## <none> 796.90
## - comprehension 1 797.59
## - mek 1 797.66
## - alk 1 800.50
## - egfr 1 808.56
##
## Step: AIC=795.07
## Surv(pftox_mediane, evt_tox) ~ mek + alk + egfr + raf_mek + actif_pro +
## comprehension + charlson_2
##
## Df AIC
## - actif_pro 1 793.36
## - raf_mek 1 793.91
## <none> 795.07
## - charlson_2 1 795.19
## - comprehension 1 795.76
## - mek 1 795.98
## - alk 1 798.64
## - egfr 1 806.67
##
## Step: AIC=793.36
## Surv(pftox_mediane, evt_tox) ~ mek + alk + egfr + raf_mek + comprehension +
## charlson_2
##
## Df AIC
## - raf_mek 1 792.53
## <none> 793.36
## - comprehension 1 794.00
## - mek 1 794.59
## - charlson_2 1 795.80
## - alk 1 796.89
## - egfr 1 804.74
##
## Step: AIC=792.53
## Surv(pftox_mediane, evt_tox) ~ mek + alk + egfr + comprehension +
## charlson_2
##
## Df AIC
## <none> 792.53
## - comprehension 1 793.02
## - mek 1 793.11
## - charlson_2 1 794.38
## - alk 1 800.33
## - egfr 1 815.07
## Call:
## coxph(formula = Surv(pftox_mediane, evt_tox) ~ mek + alk + egfr +
## comprehension + charlson_2, data = pool_g)
##
## coef exp(coef) se(coef) z p
## mek 0.9686 2.6344 0.5341 1.813 0.06976
## alk -1.1385 0.3203 0.4264 -2.670 0.00758
## egfr -1.4417 0.2365 0.3412 -4.226 2.38e-05
## comprehension 0.5581 1.7473 0.3326 1.678 0.09332
## charlson_2 0.4507 1.5694 0.2359 1.911 0.05601
##
## Likelihood ratio test=39.99 on 5 df, p=1.5e-07
## n= 172, number of events= 93
####Modèle intermédiaire
modsurv<-coxph(Surv(pftox_mediane, evt_tox)~mek+alk+egfr+comprehension+charlson_2, data=pool_g)
modsurv%>%tbl_regression(exponentiate = TRUE)
| Characteristic |
HR |
95% CI |
p-value |
| patient traité par inhibiteurs de Mek seul |
2.63 |
0.92, 7.50 |
0.070 |
| patient traité par inhibiteurs alk |
0.32 |
0.14, 0.74 |
0.008 |
| patient traité par inhibiteurs de egfrl |
0.24 |
0.12, 0.46 |
<0.001 |
| patient avec difficulté de comprehension |
1.75 |
0.91, 3.35 |
0.093 |
| score de charlson >=2 (hors tumeur) |
1.57 |
0.99, 2.49 |
0.056 |
####Modèle final
modsurv<-coxph(Surv(pftox_mediane, evt_tox)~mek+alk+egfr+charlson_2, data=pool_g)
modsurv%>%tbl_regression(exponentiate = TRUE)
| Characteristic |
HR |
95% CI |
p-value |
| patient traité par inhibiteurs de Mek seul |
2.83 |
1.00, 8.02 |
0.050 |
| patient traité par inhibiteurs alk |
0.33 |
0.14, 0.76 |
0.009 |
| patient traité par inhibiteurs de egfrl |
0.23 |
0.12, 0.44 |
<0.001 |
| score de charlson >=2 (hors tumeur) |
1.63 |
1.03, 2.58 |
0.036 |
ggforest(modsurv)
## Warning in .get_data(model, data = data): The `data` argument is not provided.
## Data will be extracted from model fit.
###ANALYSE MULTIVARIEE Avec Charlson >=3
modsurv<-coxph(Surv(pftox_mediane, evt_tox)~pneumovsdermato+hedgehog+mek+alk+egfr+raf_mek+polymedique+actif_pro+comprehension+meta_snc+charlson_3, data=pool_g)
modsurv%>%tbl_regression(exponentiate = TRUE)
| Characteristic |
HR |
95% CI |
p-value |
| pneumovsdermato |
0.82 |
0.33, 2.05 |
0.7 |
| patient traité par inhibiteurs hedgehog |
0.82 |
0.25, 2.69 |
0.7 |
| patient traité par inhibiteurs de Mek seul |
2.38 |
0.54, 10.4 |
0.2 |
| patient traité par inhibiteurs alk |
0.38 |
0.13, 1.11 |
0.078 |
| patient traité par inhibiteurs de egfrl |
0.27 |
0.11, 0.67 |
0.005 |
| patient traité par inhibiteurs de Raf et Mek |
1.13 |
0.41, 3.09 |
0.8 |
| patient polymediqué |
1.02 |
0.65, 1.58 |
>0.9 |
| patient avec activité professionnelle |
0.96 |
0.53, 1.74 |
0.9 |
| patient avec difficulté de comprehension |
1.76 |
0.90, 3.42 |
0.10 |
| presence de métastase cérébrale |
0.90 |
0.50, 1.63 |
0.7 |
| charlson_3 |
1.82 |
1.04, 3.18 |
0.036 |
step(modsurv)
## Start: AIC=800.23
## Surv(pftox_mediane, evt_tox) ~ pneumovsdermato + hedgehog + mek +
## alk + egfr + raf_mek + polymedique + actif_pro + comprehension +
## meta_snc + charlson_3
##
## Df AIC
## - polymedique 1 798.23
## - actif_pro 1 798.24
## - raf_mek 1 798.28
## - hedgehog 1 798.33
## - meta_snc 1 798.35
## - pneumovsdermato 1 798.41
## - mek 1 799.48
## <none> 800.23
## - comprehension 1 800.67
## - alk 1 801.47
## - charlson_3 1 802.85
## - egfr 1 805.80
##
## Step: AIC=798.23
## Surv(pftox_mediane, evt_tox) ~ pneumovsdermato + hedgehog + mek +
## alk + egfr + raf_mek + actif_pro + comprehension + meta_snc +
## charlson_3
##
## Df AIC
## - actif_pro 1 796.25
## - raf_mek 1 796.29
## - hedgehog 1 796.34
## - meta_snc 1 796.36
## - pneumovsdermato 1 796.41
## - mek 1 797.49
## <none> 798.23
## - comprehension 1 798.67
## - alk 1 799.50
## - charlson_3 1 801.16
## - egfr 1 803.83
##
## Step: AIC=796.25
## Surv(pftox_mediane, evt_tox) ~ pneumovsdermato + hedgehog + mek +
## alk + egfr + raf_mek + comprehension + meta_snc + charlson_3
##
## Df AIC
## - raf_mek 1 794.31
## - hedgehog 1 794.36
## - meta_snc 1 794.37
## - pneumovsdermato 1 794.45
## - mek 1 795.52
## <none> 796.25
## - comprehension 1 796.69
## - alk 1 797.54
## - charlson_3 1 801.74
## - egfr 1 801.85
##
## Step: AIC=794.31
## Surv(pftox_mediane, evt_tox) ~ pneumovsdermato + hedgehog + mek +
## alk + egfr + comprehension + meta_snc + charlson_3
##
## Df AIC
## - meta_snc 1 792.43
## - pneumovsdermato 1 793.13
## - hedgehog 1 793.45
## - mek 1 793.88
## <none> 794.31
## - comprehension 1 794.84
## - alk 1 796.50
## - charlson_3 1 800.04
## - egfr 1 802.37
##
## Step: AIC=792.43
## Surv(pftox_mediane, evt_tox) ~ pneumovsdermato + hedgehog + mek +
## alk + egfr + comprehension + charlson_3
##
## Df AIC
## - pneumovsdermato 1 791.17
## - hedgehog 1 791.46
## - mek 1 791.96
## <none> 792.43
## - comprehension 1 792.96
## - alk 1 795.62
## - charlson_3 1 798.04
## - egfr 1 801.45
##
## Step: AIC=791.17
## Surv(pftox_mediane, evt_tox) ~ hedgehog + mek + alk + egfr +
## comprehension + charlson_3
##
## Df AIC
## - hedgehog 1 789.78
## - mek 1 791.06
## <none> 791.17
## - comprehension 1 791.82
## - charlson_3 1 796.16
## - alk 1 800.64
## - egfr 1 815.55
##
## Step: AIC=789.78
## Surv(pftox_mediane, evt_tox) ~ mek + alk + egfr + comprehension +
## charlson_3
##
## Df AIC
## <none> 789.78
## - mek 1 789.93
## - comprehension 1 790.16
## - charlson_3 1 794.38
## - alk 1 798.64
## - egfr 1 814.20
## Call:
## coxph(formula = Surv(pftox_mediane, evt_tox) ~ mek + alk + egfr +
## comprehension + charlson_3, data = pool_g)
##
## coef exp(coef) se(coef) z p
## mek 0.8758 2.4008 0.5354 1.636 0.10186
## alk -1.1916 0.3037 0.4266 -2.793 0.00522
## egfr -1.5030 0.2225 0.3431 -4.380 1.18e-05
## comprehension 0.5452 1.7250 0.3326 1.639 0.10118
## charlson_3 0.5568 1.7451 0.2187 2.546 0.01089
##
## Likelihood ratio test=42.75 on 5 df, p=4.162e-08
## n= 172, number of events= 93
###modèle final
modsurv<-coxph(Surv(pftox_mediane, evt_tox)~alk+egfr+charlson_3, data=pool_g)
modsurv%>%tbl_regression(exponentiate = TRUE)
| Characteristic |
HR |
95% CI |
p-value |
| patient traité par inhibiteurs alk |
0.30 |
0.13, 0.70 |
0.005 |
| patient traité par inhibiteurs de egfrl |
0.21 |
0.11, 0.41 |
<0.001 |
| charlson_3 |
1.83 |
1.20, 2.80 |
0.005 |
ggforest(modsurv)
## Warning in .get_data(model, data = data): The `data` argument is not provided.
## Data will be extracted from model fit.
