在上上期中,小编介绍了R语言|8. Kaplan-Meier曲线及美化。 然而,KM曲线对某变量的分析结果有时可能并不能让人满意。 假如结果不能满足当前需要,那么接下来的代码可能会对你有些帮助。 合理利用其它变量对数据进行分类,可能会带来意想不到的结果。
数据来源:SEER数据库4916名年龄≤65岁且在2010年诊断为N1期的乳腺癌患者。
1-3个淋巴结转移(N1期)的乳腺癌其放疗获益性一直存在争议,本期使用此类数据进行代码演示。
公众号回复20210205获取本期数据。
载入数据和R包
#1.载入R包
library(survival)
library(survminer)
#2.清理工作环境
rm(list = ls())
#3.读入数据
aa<- read.csv('20210205.csv')
#4.查看数据前6行
head(aa)
#5.查看数据数据性质
str(aa)
#6.查看生存或死亡人数
aa$status<-factor(aa$status)
summary(aa$status)
结局为OS:status=0 为“死亡”,=1为“存活”
代码含义详见:R语言|8. Kaplan-Meier曲线及美化
0
放疗(rt)对OS影响的KM曲线
km<-survfit(Surv(time,status==0)~rt,data=aa)
ggsurvplot(km,
pval=TRUE,
pval.coord = c(0, 0.85),#p值位置坐标
conf.int=T,
risk.table=TRUE,
risk.table.height = 0.25,
palette="lancet",
title="Kaplan-Meier Curve for OS ",
legend.title="RT",
ylim=c(0.8,1)) # y轴的范围
结果0:P=0.08 。
这显然不是我们想要的结果,且下一步的分析可能就很难进行下去了。
上述KM曲线是全部人群的,但治疗方案的选择是因人而异的。 例如:是否放疗在不同T分期或不同雌激素受体状态患者中是不同的,应综合分析。
因此,当遇到这种情况时,可尝试用如下几种方法!
它们或许能使上述分析“起死回生”。 ↓↓↓
一
在不同亚组中放疗(rt)对OS的影响
ggsurvplot_facet(km,aa,
facet.by ="t",
palette="lancet",
pval=T,
pval.coord = c(0, 0.75),
ylim=c(0.7,1))
例1:利用T分期将患者分成3类,尝试在这3个亚组中寻找可使放疗获益的患者。
结果1:
T1期患者,放疗对其OS是有改善的,而分期为T2-3的患者放疗带来的生存获益并不明显。
例2:利用雌激素受体状态(er)将患者分成2类
ggsurvplot_facet(km,aa,
facet.by ="er",
palette="lancet",
pval=T,
pval.coord = c(0, 0.75),
ylim=c(0.7,1)
)
结果2:
在雌激素受体(er)阴性的患者中,放疗可改善OS。
然而,治疗方案的选择并不是看单一预后因素。
因此,我们可以将它俩组合在一起: ↓↓↓
二
KM曲线:双亚组的亚组分析
例3:T分期(t)和雌激素受体(er)同时作为分组因素
ggsurvplot_facet(km,aa,facet.by =c("t","er"),
palette="lancet",pval=T)
由图可知,结果3
在T1组中,不管雌激素受体(er)阳性还是阴性,该组患者都能从放疗中获益;
T2组中,若患者雌激素受体为阴性,也可以从放疗中获益;
T3组的患者不论激素受体如何,均未能从放疗中获益。
放疗作为术后辅助治疗手段,因不同患者病理特征不同,且手术方式不同等因素也会影响它的获益,应该怎么办呢?
如何才能在一张图里表达出以上信息?↓↓↓↓↓
三
KM曲线:双因素对OS影响的亚组分析
#如分析放疗与雌激素受体状态对OS的影响
#看这两因素在不同手术方式亚组下对OS的影响
km<-survfit(Surv(time,status==0)~rt+er,data=aa)
ggsurvplot_facet(km,aa,
facet.by ="surg",
palette="lancet",
pval=T,
pval.coord = c(0, 0.75),
ylim=c(0.7,1),
legend.title="RT$ER")
结果4:
在保乳组(BCS)和改良根治术组(MAST)预后最差的是术后病理为ER阴性且不进行放疗组(蓝线);
预后最好的是:
1、BCS组:ER阳性且进行放疗患者。即淋巴结转移1-3个的乳腺癌患者,若保乳术后病理诊断为ER阳性,行放射治疗可以改善OS,且比ER阴性者有更好的预后(BCS组浅蓝)。
2、在MAST组:淋巴结转移1-3个的患者行根治手术,如果病理为ER阳性且,免去放疗也可获得一个很好的生存(MAST组红线)。
小结
上述操作共产生5种结果:
初始结果0:放疗并未明显改善1-3个淋巴结转移(N1期)乳腺癌的OS;
以T分期做亚组分析,结果1:放疗可显著改善T1N1乳腺癌的OS;
以ER做亚组分析,结果2:放疗可显著改善ER阴性的N1期乳腺癌的OS;
同时以T和ER做亚组,结果3:放疗可显著改善T1N1乳腺癌的OS,不论ER如何。对于T2N1的患者,若患者ER为阴性,也可以从放疗中获益;
以手术做亚组分析放疗及ER, 结果4:行保乳术后生存最好的是:ER阳性且行放疗,行根治术后生存最好的是:ER阳性不放疗组。
注: 本期中所用的分组变量或组合是随意举例的,现实中进行亚组分析前建议配合临床意义或者回归分析结果选取分组变量。 本例旨在分享当数据分析结果欠佳时,为大家介绍另一种思路。 此法还是要搭配其他方法以显示文章逻辑性,而不能随意进行搭配/分组,要言之有理,自圆其说。
END
本公众号致力于打造实用的科研干货和临床学习资料分享平台,假如你有临床和科研上的问题或经验分享,请私信我。
感谢阅读,如有错误请指正!