###Analyse Sacituzumab govitecan et IMC 27/08/2024
##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)
## #Uighur
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(dbplyr)
## 
## Attachement du package : 'dbplyr'
## 
## Les objets suivants sont masqués depuis 'package:dplyr':
## 
##     ident, sql
##chargement des données globales


data_anna <- read_excel("Y:/Internes/0-ARCHIVES/INTERNES NOV 2023 - MAI 2024/Anna/Thèse/analyses_stats/20240827/data_anna.xlsx")
## New names:
## • `Statut HER 2 (0=neg;1=pos;2=low)` -> `Statut HER 2 (0=neg;1=pos;2=low)...11`
## • `Détail autre` -> `Détail autre...24`
## • `Détail autre` -> `Détail autre...36`
## • `Statut HER 2 (0=neg;1=pos;2=low)` -> `Statut HER 2 (0=neg;1=pos;2=low)...53`
##restriction aux données des patientes éligibles 

#filtres populations 
sacitu<-filter(data_anna, c(eligible=="oui" ))



##recodage des variables et bases de données le cas échéant----
sacitu$taille_m<-sacitu$taille/100
sacitu$imc<-sacitu$poids/(sacitu$taille_m*sacitu$taille_m)
sacitu$imc25<-ifelse(sacitu$imc>25, 1, 0)
sacitu$imc30<-ifelse(sacitu$imc>30, 1, 0)
sacitu$imc18<-ifelse(sacitu$imc<18.5, 1, 0)
sacitu$old<-ifelse(sacitu$age>63, 1, 0)
sacitu$poidslourds<-ifelse(sacitu$poids>74, 1, 0)
sacitu$poidsleger<-ifelse(sacitu$poids<57, 1, 0)
sacitu$forte_dose<-ifelse(sacitu$dose_mg>740, 1, 0)
sacitu$tox_hemato<-ifelse(sacitu$neutropenie_impact_clinique==1 | sacitu$intro_gcsf_impact_clinique== 1 | 
                         sacitu$thrombopenie_impact_clinique==1 | sacitu$anemie_impact_clinique==1, 1, 0)

sacitu$tox_pnn<-ifelse(sacitu$neutropenie_impact_clinique==1 | sacitu$intro_gcsf_impact_clinique== 1,1,0)
sacitu$tox_plq_gr<-ifelse(sacitu$thrombopenie_impact_clinique==1 | sacitu$anemie_impact_clinique==1, 1, 0)


##recodage des noms des variables
var_label(sacitu$old) <- "Patientes de + de 63 ans"
var_label(sacitu$imc25) <- "Patientes avec IMC>25"
var_label(sacitu$imc30) <- "Patientes avec IMC>30"
var_label(sacitu$imc18) <- "Patientes avec IMC<18.5"
var_label(sacitu$poidslourds) <- "Patientes de + de 74 kg"
var_label(sacitu$oms.cat) <- "Patientes avec score OMS >=2"
var_label(sacitu$taille_m) <- "taille en m"
var_label(sacitu$poids) <- "poids en kg"
var_label(sacitu$meta_visceral) <- "Patientes avec métastases viscerales"
var_label(sacitu$meta_liver) <- "Patientes avec métastases hépatiques"
var_label(sacitu$meta_brain) <- "Patientes avec métastases cérébrales"
var_label(sacitu$meta_lung) <- "Patientes avec métastases pulmonaires"
var_label(sacitu$meta_bones) <- "Patientes avec métastases osseuses"
var_label(sacitu$hypoalbuminemie) <- "Patientes avec albumine <34 g/l"
var_label(sacitu$asat3n) <- "Patientes avec transasaminase >3xLNS"
var_label(sacitu$hyperbilirubinemie) <- "Patientes avec bilirubine > LNS"
var_label(sacitu$gcsf_prophylaxie1) <- "Patientes avec prophylaxie I par G-CSF"
var_label(sacitu$concession_initiale) <- "Patientes avec consession posologique a priori"
var_label(sacitu$poso_mg_kg) <- "Posologie initiale (mg/kg"
var_label(sacitu$meta_emblee) <- "Patientes avec maladie d'emblée métastatique"
var_label(sacitu$rh) <- "Patientes avec Maladie RH+"
var_label(sacitu$previous_lines_all_tt) <- "Nb de lignes antérieures"
var_label(sacitu$chemotherapy) <- "Traitement antérieur par chimiothérapie"
var_label(sacitu$immunotherapy) <- "Traitement antérieur par immunothérapie"
var_label(sacitu$endocrine_therapy) <- "Traitement antérieur par hormonothérapie"
var_label(sacitu$icdk4_6) <- "Traitement antérieur par CDK4/6 inhibiteur"
var_label(sacitu$HER2i) <- "Traitement antérieur par inhibiteur HER2"
var_label(sacitu$evttox) <- "patients avec toxicité cliniquement pertinente"
var_label(sacitu$evtpfs) <- "nb de progression"
var_label(sacitu$evtos) <- "nb de décès"
var_label(sacitu$evtt) <- "nb de traitements arrêtés"
var_label(sacitu$her2_status) <- "statut HER2"
var_label(sacitu$evttox_pnn) <- "patients avec neutropénie cliniquement pertinente"

##description population caracteristiques patients pathologie et traitements 
tbl_summary(
  sacitu, include = c("age", "poids", "taille_m", "imc", "imc25", "imc30","imc18", "oms.cat", "hypoalbuminemie", "hyperbilirubinemie", "asat3n", "rh", "her2_status","meta_emblee","meta_visceral","meta_liver", "meta_brain","meta_lung", "meta_bones"),
)
Characteristic N = 951
age 54 (44, 64)
poids en kg 65 (57, 74)
taille en m 1.63 (1.60, 1.67)
imc 24.7 (20.9, 27.6)
Patientes avec IMC>25 43 (45%)
Patientes avec IMC>30 15 (16%)
Patientes avec IMC<18.5 7 (7.4%)
Patientes avec score OMS >=2 10 (13%)
    Unknown 16
Patientes avec albumine <34 g/l
    0 36 (65%)
    1 19 (35%)
    Unknown 40
Patientes avec bilirubine > LNS
    0 64 (94%)
    1 4 (5.9%)
    Unknown 27
Patientes avec transasaminase >3xLNS
    0 64 (88%)
    1 9 (12%)
    Unknown 22
Patientes avec Maladie RH+ 30 (32%)
statut HER2
    negatif 94 (100%)
    Unknown 1
Patientes avec maladie d'emblée métastatique 23 (24%)
Patientes avec métastases viscerales 5 (5.3%)
Patientes avec métastases hépatiques 46 (48%)
Patientes avec métastases cérébrales 19 (20%)
Patientes avec métastases pulmonaires 35 (37%)
Patientes avec métastases osseuses 55 (58%)
1 Median (IQR); n (%) 
##description population caracteristiques patients traitements 
tbl_summary(
  sacitu, include = c("poso_mg_kg", "concession_initiale","gcsf_prophylaxie1", "previous_lines_all_tt", "chemotherapy", "endocrine_therapy","icdk4_6", "HER2i", "immunotherapy"),
)
Characteristic N = 951
Posologie initiale (mg/kg
    5 2 (2.1%)
    7.5 5 (5.3%)
    8 3 (3.2%)
    10 85 (89%)
Patientes avec consession posologique a priori 10 (11%)
Patientes avec prophylaxie I par G-CSF 52 (55%)
Nb de lignes antérieures
    1 16 (17%)
    2 30 (32%)
    3 27 (28%)
    4 7 (7.4%)
    5 4 (4.2%)
    6 3 (3.2%)
    7 5 (5.3%)
    8 3 (3.2%)
Traitement antérieur par chimiothérapie 95 (100%)
Traitement antérieur par hormonothérapie 25 (26%)
Traitement antérieur par CDK4/6 inhibiteur 11 (12%)
Traitement antérieur par inhibiteur HER2 5 (5.3%)
Traitement antérieur par immunothérapie 34 (36%)
1 n (%) 
##description événements  
tbl_summary(
  sacitu, include = c("evtt", "evttox", "evtpfs", "evtos", "evttox_pnn"),
)
Characteristic N = 951
nb de traitements arrêtés 92 (97%)
patients avec toxicité cliniquement pertinente 57 (60%)
nb de progression 84 (88%)
nb de décès 62 (65%)
patients avec neutropénie cliniquement pertinente 42 (44%)
1 n (%) 
##description population caracteristiques patients selon imc >25
tbl_summary(
  sacitu, include = c("age", "poso_mg_kg", "dose_mg","taille","oms.cat", "hypoalbuminemie", "hyperbilirubinemie", "asat3n", "concession_initiale", "gcsf_prophylaxie1","evttox","tox_pnn","tox_hemato", "evtpfs"),
  by="imc25", 
  digits=all_categorical()~ c(0,1)
)%>%
  add_p(
    pvalue_fun = scales::label_pvalue(accuracy = .001)
  )
Characteristic 0, N = 521 1, N = 431 p-value2
age 54 (46, 67) 54 (42, 60) 0.270
Posologie initiale (mg/kg 0.028
    5 1 (1.9%) 1 (2.3%)
    7.5 5 (9.6%) 0 (0.0%)
    8 3 (5.8%) 0 (0.0%)
    10 43 (82.7%) 42 (97.7%)
dose_mg 565 (500, 600) 750 (695, 800) <0.001
taille 163.5 (160.0, 168.0) 163.0 (160.0, 166.0) 0.451
Patientes avec score OMS >=2 7 (17.1%) 3 (7.9%) 0.314
    Unknown 11 5
Patientes avec albumine <34 g/l 0.685
    0 21 (67.7%) 15 (62.5%)
    1 10 (32.3%) 9 (37.5%)
    Unknown 21 19
Patientes avec bilirubine > LNS 0.624
    0 35 (92.1%) 29 (96.7%)
    1 3 (7.9%) 1 (3.3%)
    Unknown 14 13
Patientes avec transasaminase >3xLNS 0.286
    0 35 (83.3%) 29 (93.5%)
    1 7 (16.7%) 2 (6.5%)
    Unknown 10 12
Patientes avec consession posologique a priori 9 (17.3%) 1 (2.3%) 0.020
Patientes avec prophylaxie I par G-CSF 24 (46.2%) 28 (65.1%) 0.065
patients avec toxicité cliniquement pertinente 29 (55.8%) 28 (65.1%) 0.355
tox_pnn 21 (40.4%) 21 (48.8%) 0.409
tox_hemato 26 (50.0%) 26 (60.5%) 0.308
nb de progression 46 (88.5%) 38 (88.4%) >0.999
1 Median (IQR); n (%)
2 Wilcoxon rank sum test; Fisher’s exact test; Pearson’s Chi-squared test 
##description population caracteristiques patients selon imc >30
tbl_summary(
  sacitu, include = c("age", "poso_mg_kg", "dose_mg","taille","oms.cat", "rh","hypoalbuminemie", "hyperbilirubinemie", "asat3n", "concession_initiale","gcsf_prophylaxie1", "evttox", "tox_pnn","tox_hemato","evtpfs"),
  by="imc30", 
  digits=all_categorical()~ c(0,1)
)%>%
  add_p(
    pvalue_fun = scales::label_pvalue(accuracy = .001)
  )
Characteristic 0, N = 801 1, N = 151 p-value2
age 54 (47, 64) 48 (38, 59) 0.121
Posologie initiale (mg/kg 0.828
    5 2 (2.5%) 0 (0.0%)
    7.5 5 (6.2%) 0 (0.0%)
    8 3 (3.8%) 0 (0.0%)
    10 70 (87.5%) 15 (100.0%)
dose_mg 600 (540, 690) 860 (795, 955) <0.001
taille 163.0 (160.0, 166.0) 163.0 (160.0, 168.0) 0.631
Patientes avec score OMS >=2 10 (15.4%) 0 (0.0%) 0.195
    Unknown 15 1
Patientes avec Maladie RH+ 25 (31.2%) 5 (33.3%) >0.999
Patientes avec albumine <34 g/l 0.723
    0 30 (66.7%) 6 (60.0%)
    1 15 (33.3%) 4 (40.0%)
    Unknown 35 5
Patientes avec bilirubine > LNS 0.549
    0 53 (94.6%) 11 (91.7%)
    1 3 (5.4%) 1 (8.3%)
    Unknown 24 3
Patientes avec transasaminase >3xLNS 0.636
    0 54 (88.5%) 10 (83.3%)
    1 7 (11.5%) 2 (16.7%)
    Unknown 19 3
Patientes avec consession posologique a priori 10 (12.5%) 0 (0.0%) 0.355
Patientes avec prophylaxie I par G-CSF 41 (51.2%) 11 (73.3%) 0.115
patients avec toxicité cliniquement pertinente 46 (57.5%) 11 (73.3%) 0.251
tox_pnn 36 (45.0%) 6 (40.0%) 0.720
tox_hemato 43 (53.8%) 9 (60.0%) 0.655
nb de progression 70 (87.5%) 14 (93.3%) >0.999
1 Median (IQR); n (%)
2 Wilcoxon rank sum test; Fisher’s exact test; Pearson’s Chi-squared test 
##description population caracteristiques patients selon poids>74
tbl_summary(
  sacitu, include = c("age", "poids", "dose_mg","concession_initiale","gcsf_prophylaxie1","ligne.cat" ,"taille","Score ECOG", "oms.cat","meta_liver", "hypoalbuminemie", "hyperbilirubinemie", "asat3n", "concession_initiale", "evttox","tox_pnn","tox_hemato","evtpfs"),
  by="poidslourds", 
  digits=all_categorical()~ c(0,1)
)%>%
  add_p(
    pvalue_fun = scales::label_pvalue(accuracy = .001)
  )
Characteristic 0, N = 711 1, N = 241 p-value2
age 54 (47, 65) 51 (39, 58) 0.096
poids en kg 60 (54, 67) 80 (76, 86) <0.001
dose_mg 580 (515, 660) 795 (760, 862) <0.001
Patientes avec consession posologique a priori 9 (12.7%) 1 (4.2%) 0.443
Patientes avec prophylaxie I par G-CSF 33 (46.5%) 19 (79.2%) 0.005
ligne.cat 37 (52.1%) 12 (50.0%) 0.858
taille 163.0 (160.0, 166.0) 165.0 (161.8, 168.0) 0.056
Score ECOG 0.142
    0 27 (38.0%) 8 (33.3%)
    1 33 (46.5%) 14 (58.3%)
    2 9 (12.7%) 0 (0.0%)
    3 2 (2.8%) 2 (8.3%)
Patientes avec score OMS >=2 8 (14.0%) 2 (9.1%) 0.717
    Unknown 14 2
Patientes avec métastases hépatiques 32 (45.1%) 14 (58.3%) 0.261
Patientes avec albumine <34 g/l 0.200
    0 29 (70.7%) 7 (50.0%)
    1 12 (29.3%) 7 (50.0%)
    Unknown 30 10
Patientes avec bilirubine > LNS >0.999
    0 47 (94.0%) 17 (94.4%)
    1 3 (6.0%) 1 (5.6%)
    Unknown 21 6
Patientes avec transasaminase >3xLNS >0.999
    0 48 (87.3%) 16 (88.9%)
    1 7 (12.7%) 2 (11.1%)
    Unknown 16 6
patients avec toxicité cliniquement pertinente 40 (56.3%) 17 (70.8%) 0.210
tox_pnn 31 (43.7%) 11 (45.8%) 0.853
tox_hemato 37 (52.1%) 15 (62.5%) 0.377
nb de progression 61 (85.9%) 23 (95.8%) 0.280
1 Median (IQR); n (%)
2 Wilcoxon rank sum test; Fisher’s exact test; Pearson’s Chi-squared test 
##description toxicités avec impact clinique 1er evt toxique 
tbl_summary(
  sacitu, include = c("perte_poids_impact_clinique_1", "cardio_impact_clinique_1", "toxicité_muqueuse_impact_clinique_1",
                      "rgo_impact_clinique_1", "cholecystite_impact_clinique_1","toux_dyspnee_impact_clinique_1",
                      "pid_impact_clinique_1","infection_impact_clinique_1","neutropenie_impact_clinique_1",
                      "intro_gcsf_impact_clinique_1","thrombopenie_impact_clinique_1","anemie_impact_clinique_1",
                      "diarrhee_impact_clinique_1","nausee_impact_clinique_1","hepatotoxicite_impact_clinique_1",
                      "neurotoxicite_impact_clinique_1","fatigue_impact_clinique_1","vomissement_impact_clinique_1"),
)
Characteristic N = 951
perte_poids_impact_clinique_1 0 (0%)
cardio_impact_clinique_1 0 (0%)
toxicité_muqueuse_impact_clinique_1 0 (0%)
rgo_impact_clinique_1 0 (0%)
cholecystite_impact_clinique_1 0 (0%)
toux_dyspnee_impact_clinique_1 0 (0%)
pid_impact_clinique_1 0 (0%)
infection_impact_clinique_1 2 (2.1%)
neutropenie_impact_clinique_1 42 (44%)
intro_gcsf_impact_clinique_1 34 (36%)
thrombopenie_impact_clinique_1 5 (5.3%)
anemie_impact_clinique_1 6 (6.3%)
diarrhee_impact_clinique_1 1 (1.1%)
nausee_impact_clinique_1 0 (0%)
hepatotoxicite_impact_clinique_1 1 (1.1%)
neurotoxicite_impact_clinique_1 0 (0%)
fatigue_impact_clinique_1 7 (7.4%)
vomissement_impact_clinique_1 1 (1.1%)
1 n (%) 
##description toxicités avec impact clinique tous evt
tbl_summary(
  sacitu, include = c("perte_poids_impact_clinique", "cardio_impact_clinique", "toxicité_muqueuse_impact_clinique",
                   "rgo_impact_clinique", "cholecystite_impact_clinique","toux_dyspnee_impact_clinique",
                   "pid_impact_clinique","infection_impact_clinique","neutropenie_impact_clinique",
                   "intro_gcsf_impact_clinique","thrombopenie_impact_clinique","anemie_impact_clinique",
                   "diarrhee_impact_clinique","nausee_impact_clinique","hepatotoxicite_impact_clinique",
                   "neurotoxicite_impact_clinique","fatigue_impact_clinique","vomissement_impact_clinique"),
)
Characteristic N = 951
perte_poids_impact_clinique 0 (0%)
cardio_impact_clinique 0 (0%)
toxicité_muqueuse_impact_clinique 0 (0%)
rgo_impact_clinique 0 (0%)
cholecystite_impact_clinique 0 (0%)
toux_dyspnee_impact_clinique 0 (0%)
pid_impact_clinique 0 (0%)
infection_impact_clinique 4 (4.2%)
neutropenie_impact_clinique 42 (44%)
intro_gcsf_impact_clinique 4 (4.2%)
thrombopenie_impact_clinique 7 (7.4%)
anemie_impact_clinique 10 (11%)
diarrhee_impact_clinique 5 (5.3%)
nausee_impact_clinique 2 (2.1%)
hepatotoxicite_impact_clinique 3 (3.2%)
neurotoxicite_impact_clinique 0 (0%)
fatigue_impact_clinique 19 (20%)
vomissement_impact_clinique 2 (2.1%)
1 n (%) 
##description des conséquences des toxicités cliniquement pertinentes au 1er evt
tbl_summary(
  sacitu, include = c("total_diminution_dose", "total_report_cure", "total_arret_tt",
                      "total_prophylaxie_gscf", "total_transfusion_gr","total_transfusion_cp",
                      "total_hospitalisation"),
)
Characteristic N = 951
total_diminution_dose 20 (21%)
total_report_cure 30 (32%)
total_arret_tt 5 (5.3%)
total_prophylaxie_gscf 33 (35%)
total_transfusion_gr 5 (5.3%)
total_transfusion_cp 3 (3.2%)
total_hospitalisation 1 (1.1%)
1 n (%) 
##description toxicités tous grades
tbl_summary(
  sacitu, include = c("total_neutropenie", "total_thrombopenie", "total_anemie",
                      "total_diarrhee", "total_nausee","total_hepatotoxicite",
                      "total_toxicite_cutanee","total_neurotoxocite","total_fatigue",
                      "total_vomissement","total_perte_poids",
                      "total_arthralgie","total_rgo_dyspepsie","total_toux_dyspnee",
                      "total_cardio","total_muqueuse","total_cholecystite","total_pid","total_infection"),
)
Characteristic N = 951
total_neutropenie 52 (55%)
total_thrombopenie 14 (15%)
total_anemie 46 (48%)
total_diarrhee 21 (22%)
total_nausee 33 (35%)
total_hepatotoxicite 22 (23%)
total_toxicite_cutanee 1 (1.1%)
total_neurotoxocite 3 (3.2%)
total_fatigue 66 (69%)
total_vomissement 9 (9.5%)
total_perte_poids 11 (12%)
total_arthralgie 0 (0%)
total_rgo_dyspepsie 0 (0%)
total_toux_dyspnee 3 (3.2%)
total_cardio 0 (0%)
total_muqueuse 0 (0%)
total_cholecystite 0 (0%)
total_pid 0 (0%)
total_infection 5 (5.3%)
1 n (%) 
##durée de traitement 
km_tt<-survfit(Surv(sacitu$durtt, sacitu$evtt)~1)
km_tt
## Call: survfit(formula = Surv(sacitu$durtt, sacitu$evtt) ~ 1)
## 
##       n events median 0.95LCL 0.95UCL
## [1,] 95     92   3.27    2.37    4.13
##motifs d'arrêt 
tbl_summary(
  sacitu, include = c("motif_arret"),
)
Characteristic N = 951
motif_arret
    AEG 1 (1.1%)
    décès 4 (4.2%)
    Décès,toxicité 1 (1.1%)
    NA 3 (3.2%)
    progression 65 (68%)
    progression, toxicité 6 (6.3%)
    progression/AEG 3 (3.2%)
    réponse complète 8 (8.4%)
    Toxicité 4 (4.2%)
1 n (%) 
##Survie sans progression 
km_pfs<-survfit(Surv(sacitu$pfs, sacitu$evtpfs)~1)
km_pfs
## Call: survfit(formula = Surv(sacitu$pfs, sacitu$evtpfs) ~ 1)
## 
##       n events median 0.95LCL 0.95UCL
## [1,] 95     84   4.03    2.97    4.43
ggsurvplot(km_pfs, data = sacitu,
           risk.table=TRUE,
           surv.scale="percent",
           break.time.by=3,
           surv.median.line = "hv"
)

###PFS selon statut RH
km_pfs_selonrh<-survfit(Surv(pfs, evtpfs)~rh, data=sacitu)

km_pfs_selonrh
## Call: survfit(formula = Surv(pfs, evtpfs) ~ rh, data = sacitu)
## 
##       n events median 0.95LCL 0.95UCL
## rh=0 65     60   3.67    2.63     4.3
## rh=1 30     24   4.43    3.67    11.9
ggsurvplot(km_pfs_selonrh, data = sacitu,
           risk.table=TRUE,
           surv.scale="percent",
           break.time.by=3,
           surv.median.line = "hv"
)

###PFS selon IMC<18.5
km_pfs_selonimcfaible<-survfit(Surv(pfs, evtpfs)~imc18, data=sacitu)

km_pfs_selonimcfaible
## Call: survfit(formula = Surv(pfs, evtpfs) ~ imc18, data = sacitu)
## 
##          n events median 0.95LCL 0.95UCL
## imc18=0 88     78   4.07    3.40    4.43
## imc18=1  7      6   1.90    1.33      NA
ggsurvplot(km_pfs_selonimcfaible, data = sacitu,
           risk.table=TRUE,
           surv.scale="percent",
           break.time.by=3,
           surv.median.line = "hv"
)

###PFS selon IMC>30
km_pfs_selonimc30<-survfit(Surv(pfs, evtpfs)~imc30, data=sacitu)

km_pfs_selonimc30
## Call: survfit(formula = Surv(pfs, evtpfs) ~ imc30, data = sacitu)
## 
##          n events median 0.95LCL 0.95UCL
## imc30=0 80     70   4.17     3.4     4.8
## imc30=1 15     14   2.93     2.1      NA
ggsurvplot(km_pfs_selonimc30, data = sacitu,
           risk.table=TRUE,
           surv.scale="percent",
           break.time.by=3,
           surv.median.line = "hv"
)

###PFS selon poids > 3ème quartile
km_pfs_selonpoidslourds<-survfit(Surv(pfs, evtpfs)~poidslourds, data=sacitu)

km_pfs_selonpoidslourds
## Call: survfit(formula = Surv(pfs, evtpfs) ~ poidslourds, data = sacitu)
## 
##                n events median 0.95LCL 0.95UCL
## poidslourds=0 71     61   4.20    3.40    4.93
## poidslourds=1 24     23   3.03    2.13    4.50
ggsurvplot(km_pfs_selonpoidslourds, data = sacitu,
           risk.table=TRUE,
           surv.scale="percent",
           break.time.by=3,
           surv.median.line = "hv"
)

##Survie globale 
km_os<-survfit(Surv(sacitu$os, sacitu$evtos)~1)
km_os
## Call: survfit(formula = Surv(sacitu$os, sacitu$evtos) ~ 1)
## 
##       n events median 0.95LCL 0.95UCL
## [1,] 95     62   10.8    7.37    14.3
ggsurvplot(km_os, data = sacitu,
           risk.table=TRUE,
           surv.scale="percent",
           break.time.by=3,
           surv.median.line = "hv"
)

###OS selon statut RH
km_os_selonrh<-survfit(Surv(os, evtos)~rh, data=sacitu)

km_os_selonrh
## Call: survfit(formula = Surv(os, evtos) ~ rh, data = sacitu)
## 
##       n events median 0.95LCL 0.95UCL
## rh=0 65     48   8.27     7.1      13
## rh=1 30     14  13.93    10.9      NA
ggsurvplot(km_os_selonrh, data = sacitu,
           risk.table=TRUE,
           surv.scale="percent",
           break.time.by=3,
           surv.median.line = "hv"
)

###OS selon imc <18.5
km_os_selonimc18<-survfit(Surv(os, evtos)~imc18, data=sacitu)

km_os_selonimc18
## Call: survfit(formula = Surv(os, evtos) ~ imc18, data = sacitu)
## 
##          n events median 0.95LCL 0.95UCL
## imc18=0 88     58  10.77    7.90    14.3
## imc18=1  7      4   5.77    1.67      NA
ggsurvplot(km_os_selonimc18, data = sacitu,
           risk.table=TRUE,
           surv.scale="percent",
           break.time.by=3,
           surv.median.line = "hv"
)

###OS selon imc >30
km_os_selonimc30<-survfit(Surv(os, evtos)~imc30, data=sacitu)

km_os_selonimc30
## Call: survfit(formula = Surv(os, evtos) ~ imc30, data = sacitu)
## 
##          n events median 0.95LCL 0.95UCL
## imc30=0 80     49  10.90     8.0    15.3
## imc30=1 15     13   5.77     4.1      NA
ggsurvplot(km_os_selonimc30, data = sacitu,
           risk.table=TRUE,
           surv.scale="percent",
           break.time.by=3,
           surv.median.line = "hv"
)

##Survie sans toxicité significative 
km_toxfs<-survfit(Surv(sacitu$toxfs, sacitu$evttox)~1)
km_toxfs
## Call: survfit(formula = Surv(sacitu$toxfs, sacitu$evttox) ~ 1)
## 
##       n events median 0.95LCL 0.95UCL
## [1,] 95     57   1.67       1    3.37
ggsurvplot(km_toxfs, data = sacitu,
           risk.table=TRUE,
           surv.scale="percent",
           break.time.by=1,
           surv.median.line = "hv"
)

## Influence de IMC>25 sur survie sans toxicité significative 
km_toxfsimc<-survfit(Surv(toxfs, evttox)~imc25, data=sacitu)

ggsurvplot(km_toxfsimc, data = sacitu,
           risk.table=TRUE,
           surv.scale="percent",
           break.time.by=3,
           surv.median.line = "hv"
)

## Influence de IMC>30 sur survie sans toxicité significative 
km_toxfsimc30<-survfit(Surv(toxfs, evttox)~imc30, data=sacitu)

ggsurvplot(km_toxfsimc30, data = sacitu,
           risk.table=TRUE,
           surv.scale="percent",
           break.time.by=3,
           surv.median.line = "hv"
)

## Influence de poids >3eme quartile sur survie sans toxicité significative 
km_toxfspoids<-survfit(Surv(toxfs, evttox)~poidslourds, data=sacitu)

ggsurvplot(km_toxfspoids, data = sacitu,
           risk.table=TRUE,
           surv.scale="percent",
           break.time.by=3,
           surv.median.line = "hv"
)

###Critère de toxicité = tox PNN

##Survie sans neutropenie significative 
km_toxfspnn<-survfit(Surv(sacitu$toxfspnn, sacitu$evttox_pnn)~1)
km_toxfspnn
## Call: survfit(formula = Surv(sacitu$toxfspnn, sacitu$evttox_pnn) ~ 
##     1)
## 
##       n events median 0.95LCL 0.95UCL
## [1,] 95     42   13.3     2.3      NA
ggsurvplot(km_toxfspnn, data = sacitu,
           risk.table=TRUE,
           surv.scale="percent",
           break.time.by=1,
           surv.median.line = "hv"
)

## Influence de IMC>25 sur survie sans neutropenie significative 
km_toxfsimc<-survfit(Surv(toxfspnn, evttox_pnn)~imc25, data=sacitu)

ggsurvplot(km_toxfsimc, data = sacitu,
           risk.table=TRUE,
           surv.scale="percent",
           break.time.by=3,
           surv.median.line = "hv"
)

## Influence de IMC>30 sur survie sans neutropenie significative 
km_toxfsimc30<-survfit(Surv(toxfspnn, evttox_pnn)~imc30, data=sacitu)

ggsurvplot(km_toxfsimc30, data = sacitu,
           risk.table=TRUE,
           surv.scale="percent",
           break.time.by=3,
           surv.median.line = "hv"
)

## Influence de poids >3eme quartile sur survie sans neutropenie significative 
km_toxfspoids<-survfit(Surv(toxfspnn, tox_pnn)~poidslourds, data=sacitu)

ggsurvplot(km_toxfspoids, data = sacitu,
           risk.table=TRUE,
           surv.scale="percent",
           break.time.by=3,
           surv.median.line = "hv"
)

#ANALYSES UNIVARIEES SUR CRITERE TOUTES TOXICITES


#modele de cox effet de imc25
modsurv<-coxph(Surv(toxfs, evttox)~imc25, data=sacitu)
modsurv%>%tbl_regression(
  exponentiate = TRUE,pvalue_fun = scales::label_pvalue(accuracy = .001)
  )
Characteristic HR1 95% CI1 p-value
Patientes avec IMC>25 1.19 0.71, 2.00 0.514
1 HR = Hazard Ratio, CI = Confidence Interval 
verif <- cox.zph(modsurv)
verif
##        chisq df    p
## imc25  0.208  1 0.65
## GLOBAL 0.208  1 0.65
ggcoxzph(verif)

#modele de cox effet de imc30
modsurv<-coxph(Surv(toxfs, evttox)~imc30, data=sacitu)
modsurv%>%tbl_regression(
  exponentiate = TRUE,pvalue_fun = scales::label_pvalue(accuracy = .001)
)
Characteristic HR1 95% CI1 p-value
Patientes avec IMC>30 1.95 1.00, 3.77 0.049
1 HR = Hazard Ratio, CI = Confidence Interval 
verif <- cox.zph(modsurv)
verif
##        chisq df    p
## imc30   2.17  1 0.14
## GLOBAL  2.17  1 0.14
ggcoxzph(verif)

#modele de cox effet de poids>74
modsurv<-coxph(Surv(toxfs, evttox)~poidslourds, data=sacitu)
modsurv%>%tbl_regression(
  exponentiate = TRUE,pvalue_fun = scales::label_pvalue(accuracy = .001)
)
Characteristic HR1 95% CI1 p-value
Patientes de + de 74 kg 1.78 1.00, 3.16 0.049
1 HR = Hazard Ratio, CI = Confidence Interval 
verif <- cox.zph(modsurv)
verif
##             chisq df    p
## poidslourds 0.584  1 0.44
## GLOBAL      0.584  1 0.44
ggcoxzph(verif)

#modele de cox effet de age>63
modsurv<-coxph(Surv(toxfs, evttox)~old, data=sacitu)
modsurv%>%tbl_regression(
  exponentiate = TRUE,pvalue_fun = scales::label_pvalue(accuracy = .001)
)
Characteristic HR1 95% CI1 p-value
Patientes de + de 63 ans 0.71 0.37, 1.38 0.310
1 HR = Hazard Ratio, CI = Confidence Interval 
verif <- cox.zph(modsurv)
verif
##        chisq df    p
## old    0.945  1 0.33
## GLOBAL 0.945  1 0.33
ggcoxzph(verif)

#modele de cox effet de concession initiale 
modsurv<-coxph(Surv(toxfs, evttox)~concession_initiale, data=sacitu)
modsurv%>%tbl_regression(
  exponentiate = TRUE,pvalue_fun = scales::label_pvalue(accuracy = .001)
)
Characteristic HR1 95% CI1 p-value
Patientes avec consession posologique a priori 0.49 0.18, 1.38 0.179
1 HR = Hazard Ratio, CI = Confidence Interval 
verif <- cox.zph(modsurv)
verif
##                       chisq df    p
## concession_initiale 0.00463  1 0.95
## GLOBAL              0.00463  1 0.95
ggcoxzph(verif)

#modele de cox effet de  hypoalbuminemie
modsurv<-coxph(Surv(toxfs, evttox)~hypoalbuminemie, data=sacitu)
modsurv%>%tbl_regression(
  exponentiate = TRUE,pvalue_fun = scales::label_pvalue(accuracy = .001)
)
Characteristic HR1 95% CI1 p-value
Patientes avec albumine <34 g/l
    0 — —
    1 1.34 0.65, 2.76 0.435
1 HR = Hazard Ratio, CI = Confidence Interval 
verif <- cox.zph(modsurv)
verif
##                  chisq df    p
## hypoalbuminemie 0.0875  1 0.77
## GLOBAL          0.0875  1 0.77
ggcoxzph(verif)

#modele de cox effet asat3n
modsurv<-coxph(Surv(toxfs, evttox)~asat3n, data=sacitu)
modsurv%>%tbl_regression(
  exponentiate = TRUE,pvalue_fun = scales::label_pvalue(accuracy = .001)
)
Characteristic HR1 95% CI1 p-value
Patientes avec transasaminase >3xLNS
    0 — —
    1 1.25 0.53, 2.99 0.608
1 HR = Hazard Ratio, CI = Confidence Interval 
verif <- cox.zph(modsurv)
verif
##        chisq df   p
## asat3n  0.72  1 0.4
## GLOBAL  0.72  1 0.4
ggcoxzph(verif)

#modele de cox effet de oms.cat
modsurv<-coxph(Surv(toxfs, evttox)~oms.cat, data=sacitu)
modsurv%>%tbl_regression(
  exponentiate = TRUE,pvalue_fun = scales::label_pvalue(accuracy = .001)
)
Characteristic HR1 95% CI1 p-value
Patientes avec score OMS >=2 0.61 0.22, 1.70 0.341
1 HR = Hazard Ratio, CI = Confidence Interval 
verif <- cox.zph(modsurv)
verif
##         chisq df    p
## oms.cat 0.927  1 0.34
## GLOBAL  0.927  1 0.34
ggcoxzph(verif)

#modele de cox effet de meta liver 
modsurv<-coxph(Surv(toxfs, evttox)~meta_liver, data=sacitu)
modsurv%>%tbl_regression(
  exponentiate = TRUE,pvalue_fun = scales::label_pvalue(accuracy = .001)
)
Characteristic HR1 95% CI1 p-value
Patientes avec métastases hépatiques 1.32 0.78, 2.24 0.296
1 HR = Hazard Ratio, CI = Confidence Interval 
verif <- cox.zph(modsurv)
verif
##            chisq df    p
## meta_liver  1.47  1 0.23
## GLOBAL      1.47  1 0.23
ggcoxzph(verif)

#modele de cox effet de lourdement pré-traité
modsurv<-coxph(Surv(toxfs, evttox)~ligne.cat, data=sacitu)
modsurv%>%tbl_regression(
  exponentiate = TRUE,pvalue_fun = scales::label_pvalue(accuracy = .001)
)
Characteristic HR1 95% CI1 p-value
ligne.cat 0.82 0.49, 1.39 0.464
1 HR = Hazard Ratio, CI = Confidence Interval 
verif <- cox.zph(modsurv)
verif
##           chisq df    p
## ligne.cat 0.993  1 0.32
## GLOBAL    0.993  1 0.32
ggcoxzph(verif)

#modele de cox effet de hyperbilirubinémie
modsurv<-coxph(Surv(toxfs, evttox)~hyperbilirubinemie, data=sacitu)
modsurv%>%tbl_regression(
  exponentiate = TRUE,pvalue_fun = scales::label_pvalue(accuracy = .001)
)
Characteristic HR1 95% CI1 p-value
Patientes avec bilirubine > LNS
    0 — —
    1 0.91 0.22, 3.77 0.894
1 HR = Hazard Ratio, CI = Confidence Interval 
verif <- cox.zph(modsurv)
verif
##                    chisq df    p
## hyperbilirubinemie 0.177  1 0.67
## GLOBAL             0.177  1 0.67
ggcoxzph(verif)

#modele de cox effet de prophylaxie primaire par GCSF
modsurv<-coxph(Surv(toxfs, evttox)~gcsf_prophylaxie1, data=sacitu)
modsurv%>%tbl_regression(
  exponentiate = TRUE,pvalue_fun = scales::label_pvalue(accuracy = .001)
)
Characteristic HR1 95% CI1 p-value
Patientes avec prophylaxie I par G-CSF 0.90 0.53, 1.51 0.682
1 HR = Hazard Ratio, CI = Confidence Interval 
verif <- cox.zph(modsurv)
verif
##                   chisq df    p
## gcsf_prophylaxie1 0.105  1 0.75
## GLOBAL            0.105  1 0.75
ggcoxzph(verif)

#ANALYSE MULTIVARIEE SUR CRITERE TOUTES TOXICITES

#modele intermédiaire avec poids
modsurv<-coxph(Surv(toxfs, evttox)~poidslourds+concession_initiale, data=sacitu)
modsurv%>%tbl_regression(
  exponentiate = TRUE,pvalue_fun = scales::label_pvalue(accuracy = .001)
)
Characteristic HR1 95% CI1 p-value
Patientes de + de 74 kg 1.67 0.93, 2.98 0.084
Patientes avec consession posologique a priori 0.56 0.20, 1.57 0.268
1 HR = Hazard Ratio, CI = Confidence Interval 
verif <- cox.zph(modsurv)
verif
##                       chisq df    p
## poidslourds         0.65368  1 0.42
## concession_initiale 0.00152  1 0.97
## GLOBAL              0.65638  2 0.72
ggcoxzph(verif)

#modele intermédiaire avec IMC >30
modsurv<-coxph(Surv(toxfs, evttox)~imc30+concession_initiale, data=sacitu)
modsurv%>%tbl_regression(
  exponentiate = TRUE,pvalue_fun = scales::label_pvalue(accuracy = .001)
)
Characteristic HR1 95% CI1 p-value
Patientes avec IMC>30 1.82 0.93, 3.55 0.078
Patientes avec consession posologique a priori 0.54 0.19, 1.53 0.247
1 HR = Hazard Ratio, CI = Confidence Interval 
verif <- cox.zph(modsurv)
verif
##                        chisq df    p
## imc30               2.212096  1 0.14
## concession_initiale 0.000463  1 0.98
## GLOBAL              2.233843  2 0.33
ggcoxzph(verif)

#ANALYSE UNIVARIEE critère de toxicité = NEUTROPENIE 

#modele de cox effet de imc25
modsurv<-coxph(Surv(toxfspnn, evttox_pnn)~imc25, data=sacitu)
modsurv%>%tbl_regression(
  exponentiate = TRUE,pvalue_fun = scales::label_pvalue(accuracy = .001)
)
Characteristic HR1 95% CI1 p-value
Patientes avec IMC>25 1.25 0.68, 2.30 0.463
1 HR = Hazard Ratio, CI = Confidence Interval 
verif <- cox.zph(modsurv)
verif
##           chisq df    p
## imc25  0.000639  1 0.98
## GLOBAL 0.000639  1 0.98
ggcoxzph(verif)

#modele de cox effet de imc30
modsurv<-coxph(Surv(toxfspnn, evttox_pnn)~imc30, data=sacitu)
modsurv%>%tbl_regression(
  exponentiate = TRUE,pvalue_fun = scales::label_pvalue(accuracy = .001)
)
Characteristic HR1 95% CI1 p-value
Patientes avec IMC>30 1.25 0.52, 2.96 0.620
1 HR = Hazard Ratio, CI = Confidence Interval 
verif <- cox.zph(modsurv)
verif
##        chisq df     p
## imc30   4.36  1 0.037
## GLOBAL  4.36  1 0.037
ggcoxzph(verif)

#modele de cox effet de poids >74
modsurv<-coxph(Surv(toxfspnn, evttox_pnn)~poidslourds, data=sacitu)
modsurv%>%tbl_regression(
  exponentiate = TRUE,pvalue_fun = scales::label_pvalue(accuracy = .001)
)
Characteristic HR1 95% CI1 p-value
Patientes de + de 74 kg 1.46 0.73, 2.92 0.288
1 HR = Hazard Ratio, CI = Confidence Interval 
verif <- cox.zph(modsurv)
verif
##             chisq df    p
## poidslourds 0.841  1 0.36
## GLOBAL      0.841  1 0.36
ggcoxzph(verif)

#modele de cox effet de age>63
modsurv<-coxph(Surv(toxfspnn, evttox_pnn)~old, data=sacitu)
modsurv%>%tbl_regression(
  exponentiate = TRUE,pvalue_fun = scales::label_pvalue(accuracy = .001)
)
Characteristic HR1 95% CI1 p-value
Patientes de + de 63 ans 0.62 0.29, 1.34 0.223
1 HR = Hazard Ratio, CI = Confidence Interval 
verif <- cox.zph(modsurv)
verif
##        chisq df    p
## old    0.612  1 0.43
## GLOBAL 0.612  1 0.43
ggcoxzph(verif)

#modele de cox effet de concession initiale
modsurv<-coxph(Surv(toxfspnn, evttox_pnn)~concession_initiale, data=sacitu)
modsurv%>%tbl_regression(
  exponentiate = TRUE,pvalue_fun = scales::label_pvalue(accuracy = .001)
)
Characteristic HR1 95% CI1 p-value
Patientes avec consession posologique a priori 0.34 0.08, 1.42 0.138
1 HR = Hazard Ratio, CI = Confidence Interval 
verif <- cox.zph(modsurv)
verif
##                      chisq df    p
## concession_initiale 0.0498  1 0.82
## GLOBAL              0.0498  1 0.82
ggcoxzph(verif)

#modele de cox effet de hypoalbuminémie
modsurv<-coxph(Surv(toxfspnn, evttox_pnn)~hypoalbuminemie, data=sacitu)
modsurv%>%tbl_regression(
  exponentiate = TRUE,pvalue_fun = scales::label_pvalue(accuracy = .001)
)
Characteristic HR1 95% CI1 p-value
Patientes avec albumine <34 g/l
    0 — —
    1 0.22 0.05, 0.96 0.043
1 HR = Hazard Ratio, CI = Confidence Interval 
verif <- cox.zph(modsurv)
verif
##                  chisq df    p
## hypoalbuminemie 0.0415  1 0.84
## GLOBAL          0.0415  1 0.84
ggcoxzph(verif)

#modele de cox effet de asat3n
modsurv<-coxph(Surv(toxfspnn, evttox_pnn)~asat3n, data=sacitu)
modsurv%>%tbl_regression(
  exponentiate = TRUE,pvalue_fun = scales::label_pvalue(accuracy = .001)
)
Characteristic HR1 95% CI1 p-value
Patientes avec transasaminase >3xLNS
    0 — —
    1 0.86 0.26, 2.84 0.803
1 HR = Hazard Ratio, CI = Confidence Interval 
verif <- cox.zph(modsurv)
verif
##        chisq df     p
## asat3n  4.36  1 0.037
## GLOBAL  4.36  1 0.037
ggcoxzph(verif)

#modele de cox effet de oms>=2
modsurv<-coxph(Surv(toxfspnn, evttox_pnn)~oms.cat, data=sacitu)
modsurv%>%tbl_regression(
  exponentiate = TRUE,pvalue_fun = scales::label_pvalue(accuracy = .001)
)
Characteristic HR1 95% CI1 p-value
Patientes avec score OMS >=2 0.20 0.03, 1.46 0.113
1 HR = Hazard Ratio, CI = Confidence Interval 
verif <- cox.zph(modsurv)
verif
##         chisq df    p
## oms.cat 0.353  1 0.55
## GLOBAL  0.353  1 0.55
ggcoxzph(verif)

#modele de cox effet de metastase hepatique 
modsurv<-coxph(Surv(toxfspnn, evttox_pnn)~meta_liver, data=sacitu)
modsurv%>%tbl_regression(
  exponentiate = TRUE,pvalue_fun = scales::label_pvalue(accuracy = .001)
)
Characteristic HR1 95% CI1 p-value
Patientes avec métastases hépatiques 1.58 0.85, 2.94 0.146
1 HR = Hazard Ratio, CI = Confidence Interval 
verif <- cox.zph(modsurv)
verif
##            chisq df    p
## meta_liver 0.977  1 0.32
## GLOBAL     0.977  1 0.32
ggcoxzph(verif)

#modele de cox effet de lourdement pré-traité
modsurv<-coxph(Surv(toxfspnn, evttox_pnn)~ligne.cat, data=sacitu)
modsurv%>%tbl_regression(
  exponentiate = TRUE,pvalue_fun = scales::label_pvalue(accuracy = .001)
)
Characteristic HR1 95% CI1 p-value
ligne.cat 0.97 0.53, 1.77 0.917
1 HR = Hazard Ratio, CI = Confidence Interval 
verif <- cox.zph(modsurv)
verif
##           chisq df    p
## ligne.cat  2.26  1 0.13
## GLOBAL     2.26  1 0.13
ggcoxzph(verif)

#modele de cox effet de prophylaxie primaire par gcsf
modsurv<-coxph(Surv(toxfspnn, evttox_pnn)~gcsf_prophylaxie1, data=sacitu)
modsurv%>%tbl_regression(
  exponentiate = TRUE,pvalue_fun = scales::label_pvalue(accuracy = .001)
)
Characteristic HR1 95% CI1 p-value
Patientes avec prophylaxie I par G-CSF 0.73 0.40, 1.35 0.322
1 HR = Hazard Ratio, CI = Confidence Interval 
verif <- cox.zph(modsurv)
verif
##                    chisq df    p
## gcsf_prophylaxie1 0.0306  1 0.86
## GLOBAL            0.0306  1 0.86
ggcoxzph(verif)

#modele de cox effet de hyperbilirubinemie
modsurv<-coxph(Surv(toxfspnn, evttox_pnn)~hyperbilirubinemie, data=sacitu)
modsurv%>%tbl_regression(
  exponentiate = TRUE,pvalue_fun = scales::label_pvalue(accuracy = .001)
)
Characteristic HR1 95% CI1 p-value
Patientes avec bilirubine > LNS
    0 — —
    1 1.44 0.34, 6.11 0.618
1 HR = Hazard Ratio, CI = Confidence Interval 
verif <- cox.zph(modsurv)
verif
##                     chisq df    p
## hyperbilirubinemie 0.0556  1 0.81
## GLOBAL             0.0556  1 0.81
ggcoxzph(verif)

#ANALYSE MULTIVARIEE

#modele intermédiaire1
modsurv<-coxph(Surv(toxfspnn, evttox_pnn)~concession_initiale+hypoalbuminemie+oms.cat+meta_liver, data=sacitu)
modsurv%>%tbl_regression(
  exponentiate = TRUE,pvalue_fun = scales::label_pvalue(accuracy = .001)
)
Characteristic HR1 95% CI1 p-value
Patientes avec consession posologique a priori 0.42 0.05, 3.45 0.420
Patientes avec albumine <34 g/l
    0 — —
    1 0.37 0.08, 1.71 0.201
Patientes avec score OMS >=2 0.47 0.06, 3.99 0.492
Patientes avec métastases hépatiques 0.92 0.34, 2.49 0.864
1 HR = Hazard Ratio, CI = Confidence Interval 
verif <- cox.zph(modsurv)
verif
##                     chisq df    p
## concession_initiale 0.778  1 0.38
## hypoalbuminemie     0.843  1 0.36
## oms.cat             0.127  1 0.72
## meta_liver          0.722  1 0.40
## GLOBAL              2.547  4 0.64
ggcoxzph(verif)

#modele intermédiaire2 sans hypoalbuminémie 
modsurv<-coxph(Surv(toxfspnn, evttox_pnn)~concession_initiale+oms.cat+meta_liver, data=sacitu)
modsurv%>%tbl_regression(
  exponentiate = TRUE,pvalue_fun = scales::label_pvalue(accuracy = .001)
)
Characteristic HR1 95% CI1 p-value
Patientes avec consession posologique a priori 0.61 0.14, 2.66 0.506
Patientes avec score OMS >=2 0.20 0.03, 1.49 0.116
Patientes avec métastases hépatiques 1.55 0.76, 3.14 0.228
1 HR = Hazard Ratio, CI = Confidence Interval 
verif <- cox.zph(modsurv)
verif
##                      chisq df    p
## concession_initiale 0.0284  1 0.87
## oms.cat             0.3460  1 0.56
## meta_liver          0.2607  1 0.61
## GLOBAL              0.6623  3 0.88
ggcoxzph(verif)

#modele intermédiaire3 sans oms 
modsurv<-coxph(Surv(toxfspnn, evttox_pnn)~concession_initiale+meta_liver, data=sacitu)
modsurv%>%tbl_regression(
  exponentiate = TRUE,pvalue_fun = scales::label_pvalue(accuracy = .001)
)
Characteristic HR1 95% CI1 p-value
Patientes avec consession posologique a priori 0.33 0.08, 1.40 0.134
Patientes avec métastases hépatiques 1.59 0.86, 2.96 0.140
1 HR = Hazard Ratio, CI = Confidence Interval 
verif <- cox.zph(modsurv)
verif
##                      chisq df    p
## concession_initiale 0.0275  1 0.87
## meta_liver          0.7783  1 0.38
## GLOBAL              0.8023  2 0.67
ggcoxzph(verif)

##conclusion : aucune variable significative 

#modele intermédiaire4 variable morphologie + variables doses et gcsf
modsurv<-coxph(Surv(toxfspnn, evttox_pnn)~concession_initiale+poidslourds+gcsf_prophylaxie1, data=sacitu)
modsurv%>%tbl_regression(
  exponentiate = TRUE,pvalue_fun = scales::label_pvalue(accuracy = .001)
)
Characteristic HR1 95% CI1 p-value
Patientes avec consession posologique a priori 0.40 0.09, 1.71 0.215
Patientes de + de 74 kg 1.48 0.72, 3.06 0.287
Patientes avec prophylaxie I par G-CSF 0.74 0.39, 1.40 0.354
1 HR = Hazard Ratio, CI = Confidence Interval 
verif <- cox.zph(modsurv)
verif
##                      chisq df    p
## concession_initiale 0.0649  1 0.80
## poidslourds         0.9734  1 0.32
## gcsf_prophylaxie1   0.0139  1 0.91
## GLOBAL              1.1019  3 0.78
ggcoxzph(verif)

##IMPACT TOXICITE SUR PFS 

###PFS selon poids > 3ème quartile
km_pfs_selontox<-survfit(Surv(pfs, evtpfs)~evttox, data=sacitu)

km_pfs_selontox
## Call: survfit(formula = Surv(pfs, evtpfs) ~ evttox, data = sacitu)
## 
##           n events median 0.95LCL 0.95UCL
## evttox=0 38     33   4.03    2.97    5.33
## evttox=1 57     51   4.07    2.53    4.50
ggsurvplot(km_pfs_selontox, data = sacitu,
           risk.table=TRUE,
           surv.scale="percent",
           break.time.by=3,
           surv.median.line = "hv"
)

#modele cox PFS selon toxicité
modsurv<-coxph(Surv(pfs, evtpfs)~evttox, data=sacitu)
modsurv%>%tbl_regression(
  exponentiate = TRUE,pvalue_fun = scales::label_pvalue(accuracy = .001)
)
Characteristic HR1 95% CI1 p-value
patients avec toxicité cliniquement pertinente 1.05 0.68, 1.63 0.818
1 HR = Hazard Ratio, CI = Confidence Interval 
verif <- cox.zph(modsurv)
verif
##        chisq df    p
## evttox 0.734  1 0.39
## GLOBAL 0.734  1 0.39
ggcoxzph(verif)

##IMPACT Caracteristiques morphologiques SUR PFS 

#modele cox PFS selon poids >3eme quartile
modsurv<-coxph(Surv(pfs, evtpfs)~poidslourds, data=sacitu)
modsurv%>%tbl_regression(
  exponentiate = TRUE,pvalue_fun = scales::label_pvalue(accuracy = .001)
)
Characteristic HR1 95% CI1 p-value
Patientes de + de 74 kg 1.46 0.90, 2.38 0.124
1 HR = Hazard Ratio, CI = Confidence Interval 
#courbes de kaplan meier poids et PFS

km_pfs_poidslourds<-survfit(Surv(pfs, evtpfs)~poidslourds, data=sacitu)

ggsurvplot(km_pfs_poidslourds, data = sacitu,
           risk.table=TRUE,
           surv.scale="percent",
           break.time.by=3,
           surv.median.line = "hv"
)

#modele cox PFS selon IMC >30
modsurv<-coxph(Surv(pfs, evtpfs)~imc30, data=sacitu)
modsurv%>%tbl_regression(
  exponentiate = TRUE,pvalue_fun = scales::label_pvalue(accuracy = .001)
)
Characteristic HR1 95% CI1 p-value
Patientes avec IMC>30 1.46 0.82, 2.60 0.201
1 HR = Hazard Ratio, CI = Confidence Interval 
#courbes de kaplan meier effet imc >30 sur pfs

km_pfs_imc30<-survfit(Surv(pfs, evtpfs)~imc30, data=sacitu)

ggsurvplot(km_pfs_imc30, data = sacitu,
           risk.table=TRUE,
           surv.scale="percent",
           break.time.by=3,
           surv.median.line = "hv"
)