Email:
RPubs: https://rpubs.com/abgylrchmn/

1 Pengantar

Dalam Bagian 1 kita telah mempelajari menggunakan log-rank tes dan regresi Cox untuk memeriksa asosiasi antara kovariat dari hasil minat dan survival. Tapi analisis ini bergantung pada kovariat yang di ukur di baseline. Apa yang terjadi jika anda minat dengan kovariat yang mengukur setelah waktu follow-up dimulai?

2 Contoh : Respon Tumor

Contoh: Kelangsungan hidup secara keseluruhan diukur dari awal pengobatan, dan minat pada hubungan antara tanggapan lengkap terhadap pengobatan dan kelangsungan hidup.

Anderson et al (JCO, 1983) menjelaskan mengapa metode tradisional seperti tes log-rank atau regresi Cox bias dalam mendukung responden dalam skenario ini dan mengusulkan pendekatan landmark. Hipotesis nol dalam pendekatan landmark adalah bahwa kelangsungan hidup dari landmark tidak bergantung pada status respons pada landmark. Referensinya adalah: Anderson, J., Cain, K., & Gelber, R. (1983). Analysis of survival by tumor response. Journal of Clinical Oncology : Official Journal of the American Society of Clinical Oncology, 1(11), 710-9.

3 Contoh Lain

Beberapa kovariat lain yang mungkin menarik dalam penelitian kanker yang mungkin tidak diukur pada awal meliputi:

kegagalan transplantasi penyakit graft versus host reseksi kedua terapi adjuvan pemenuhan kejadian buruk

4 Contoh Dataset BMT

Data tentang 137 pasien transplantasi sumsum tulang (dari paket ‘SemiCompRisks’). Variabel yang diminati meliputi:

Waktu T1 (dalam hari) hingga kematian atau tindak lanjut terakhir indikator kematian delta1; 1-Mati, 0-Hidup Waktu TA (dalam hari) untuk penyakit graft-versus-host akut deltaA indikator penyakit graft-versus-host akut; 1-Mengembangkan penyakit graft-versus-host akut, 0-Tidak pernah mengembangkan penyakit graft-versus-host akut

Mari muat data untuk digunakan dalam contoh di seluruh

library(SemiCompRisks)                               # library for data set
## Loading required package: MASS
## Loading required package: survival
## Loading required package: Formula
library(DT)                                          # use for datatable fuction 
data(BMT, package = "SemiCompRisks")
datatable(BMT)

5 Metode Landmark

1.Pilih waktu tetap setelah baseline sebagai waktu tengara Anda. Catatan: ini harus dilakukan berdasarkan informasi klinis, sebelum pemeriksaan data 2.Subset populasi untuk mereka yang diikuti setidaknya sampai waktu landmark. Catatan: selalu laporkan nomor yang dikecualikan karena acara yang menarik atau sensor sebelum waktu tengara. 3.Hitung tindak lanjut dari waktu tengara dan terapkan tes log-rank tradisional atau regresi Cox

Dalam minat data BMT adalah hubungan antara cangkok akut versus penyakit pejamu (aGVHD) dan kelangsungan hidup. Tetapi aGVHD dinilai setelah transplantasi, yang merupakan waktu dasar kami, atau dimulainya tindak lanjut.

Langkah 1 Pilih waktu tengara

Biasanya aGVHD terjadi dalam 90 hari pertama setelah transplantasi, jadi kami menggunakan penanda 90 hari.

Ketertarikan adalah pada hubungan antara cangkok akut versus penyakit pejamu (aGVHD) dan kelangsungan hidup. Tetapi aGVHD dinilai setelah transplantasi, yang merupakan waktu dasar kami, atau dimulainya tindak lanjut.

Langkah 2 Subset populasi untuk yang diikuti setidaknya sampai waktu landmark

library(tidyverse)
## -- Attaching packages --------------------------------------- tidyverse 1.3.0 --
## v ggplot2 3.3.2     v purrr   0.3.4
## v tibble  3.0.4     v dplyr   1.0.2
## v tidyr   1.1.2     v stringr 1.4.0
## v readr   1.4.0     v forcats 0.5.0
## -- Conflicts ------------------------------------------ tidyverse_conflicts() --
## x dplyr::filter() masks stats::filter()
## x dplyr::lag()    masks stats::lag()
## x dplyr::select() masks MASS::select()
lm_dat <- 
  BMT %>% 
  filter(T1 >= 90)

Ini mengurangi ukuran sampel kami dari 137 menjadi 122.

Semua 15 pasien yang dikeluarkan meninggal sebelum tonggak 90 hari Ketertarikan adalah pada hubungan antara cangkok akut versus penyakit pejamu (aGVHD) dan kelangsungan hidup. Tetapi aGVHD dinilai setelah transplantasi, yang merupakan waktu dasar kami, atau dimulainya tindak lanjut.

Langkah 3 Hitung waktu tindak lanjut dari tengara dan terapkan metode tradisional.

lm_dat <- 
  lm_dat %>% 
  mutate(lm_T1 = T1 - 90)

lm_fit <- survfit(Surv(lm_T1, delta1) ~ deltaA, data = lm_dat)
require(survminer)
## Loading required package: survminer
## Loading required package: ggpubr
## 
## Attaching package: 'survminer'
## The following object is masked _by_ '.GlobalEnv':
## 
##     BMT
ggsurvplot(
  fit = lm_fit, 
  data = lm_dat,
  xlab = "Days from 90-day landmark",
  risk.table = T,
  risk.table.y.text = T,
  pval = TRUE
)
## Warning: Vectorized input to `element_text()` is not officially supported.
## Results may be unexpected or may change in future versions of ggplot2.

6 Regresi Cox

Untuk menerapkan Regresi Cox menggunakan data BMT, Anda dapat menggunakan opsi subset dalam coxph untuk mengecualikan pasien yang tidak diikuti selama waktu landmark dengan koding berikut :

coxph( Surv(T1, delta1) ~ deltaA, subset = T1 >= 90, data = BMT ) %>% gtsummary::tbl_regression(exp = TRUE)

yang menghasilkan tabel berikut :

knitr::include_graphics("csd8.png")

ps : tidak dapat mengload coding di r saya karena rlang package saya tidak bisa di update ke 0.4.10

7 Cov. Tergantung waktu

Alternatif untuk analisis tengara adalah penggabungan kovariat yang bergantung pada waktu. Ini mungkin lebih tepat bila

nilai kovariat berubah seiring waktu tidak ada waktu tengara yang jelas penggunaan tengara akan menyebabkan banyak pengecualian

8 Pengaturan Waktu Cov.

Analisis kovariat bergantung waktu di R memerlukan pengaturan set data khusus. Lihat makalah rinci tentang hal ini oleh penulis paket kelangsungan hidup Using Time Dependent Covariates dan Time Dependent Coefficients dalam Model Cox.

Tidak ada variabel ID dalam data BMT, yang diperlukan untuk membuat kumpulan data khusus, jadi buatlah yang disebut my_id.

bmt <- rowid_to_column(BMT, "my_id")

Gunakan fungsi tmerge dengan opsi fungsi event dan tdc untuk membuat dataset khusus.

tmerge membuat kumpulan data panjang dengan beberapa interval waktu untuk nilai kovariat berbeda untuk setiap pasien event membuat indikator acara baru untuk mengikuti interval waktu yang baru dibuat tdc membuat indikator kovariat bergantung waktu untuk mengikuti interval waktu yang baru dibuat

td_dat <- 
  tmerge(
    data1 = bmt %>% select(my_id, T1, delta1), 
    data2 = bmt %>% select(my_id, T1, delta1, TA, deltaA), 
    id = my_id, 
    death = event(T1, delta1),
    agvhd = tdc(TA)
    )

9 Contoh Pasien Tunggal

Untuk mengetahui fungsinya, mari kita lihat data untuk 5 pasien individu pertama.

Variabel yang menarik dalam data asli tampak seperti

bmt %>% 
  select(my_id, T1, delta1, TA, deltaA) %>% 
  filter(my_id %in% seq(1, 5))
##   my_id   T1 delta1   TA deltaA
## 1     1 2081      0   67      1
## 2     2 1602      0 1602      0
## 3     3 1496      0 1496      0
## 4     4 1462      0   70      1
## 5     5 1433      0 1433      0

Dataset baru untuk pasien yang sama terlihat seperti

td_dat %>% 
  filter(my_id %in% seq(1, 5))
##   my_id   T1 delta1 id tstart tstop death agvhd
## 1     1 2081      0  1      0    67     0     0
## 2     1 2081      0  1     67  2081     0     1
## 3     2 1602      0  2      0  1602     0     0
## 4     3 1496      0  3      0  1496     0     0
## 5     4 1462      0  4      0    70     0     0
## 6     4 1462      0  4     70  1462     0     1
## 7     5 1433      0  5      0  1433     0     0

10 Tergantung Waktu & Reg. Cox

Sekarang kita dapat menganalisis kovariat bergantung waktu ini seperti biasa menggunakan regresi Cox dengan coxph dan perubahan pada penggunaan Surv untuk memasukkan argumen ke time dan time2

dengan koding :

coxph( Surv(time = tstart, time2 = tstop, event = death) ~ agvhd, data = td_dat ) %>% gtsummary::tbl_regression(exp = TRUE)

dan hasilnya seperti ini

knitr::include_graphics("csd9.png")

11 Ringkasan

Kami menemukan bahwa penyakit cangkok versus pejamu akut tidak secara signifikan terkait dengan kematian menggunakan analisis tengara atau kovariat yang bergantung pada waktu.

Seringkali seseorang ingin menggunakan analisis landmark untuk visualisasi kovariat tunggal, dan regresi Cox dengan kovariat bergantung waktu untuk pemodelan univariabel dan multivariabel.