数据获取与预处理
构建用于分析的大型乳腺癌患者队列,确保数据完整性和一致性。
从SEER数据库获取2000-2018年诊断的乳腺癌患者数据,排除信息缺失、分期为0或IV、双侧乳腺癌、男性、多原发癌等,最终纳入767,218例。
Time-dependent prognostic impact of tumor grade in stage I-III breast cancers
研究基于大规模队列(N=767,218),采用竞争风险模型、年危险率、限制平均生存时间差和界标分析等多种统计方法,并进行了多变量分析和亚组分析,证据层级较高。
SEER数据库乳腺癌患者队列(Ⅰ-Ⅲ期) ER阳性乳腺癌亚组 ER阴性乳腺癌亚组
患者队列:SEER数据库2000-2018年诊断的Ⅰ-Ⅲ期乳腺癌患者(N=767,218) 主要终点:乳腺癌特异性死亡(BCSM),考虑竞争风险 按肿瘤分级、ER状态、分期、辅助化疗情况进行分层分析 分析时间区间:0至<60、60至<120、120至<180个月 统计分析:R 4.4.1,显著性水平0.05
提炼研究问题、关键发现与证据,快速把握文章的核心贡献。
按研究推进顺序梳理实验设计、验证步骤与关键观察。
构建用于分析的大型乳腺癌患者队列,确保数据完整性和一致性。
从SEER数据库获取2000-2018年诊断的乳腺癌患者数据,排除信息缺失、分期为0或IV、双侧乳腺癌、男性、多原发癌等,最终纳入767,218例。
评估不同肿瘤分级对乳腺癌特异性死亡的影响,考虑竞争风险。
采用累积发生函数(CIF)估计BCSM,用Gray检验比较生存差异;计算限制平均生存时间差(dRMST)和年危险率;进行界标分析(0-<60、60-<120、120-<180个月)。
调整混杂因素,评估分级的独立预后作用,并探索分级与其他变量的交互。
使用Fine-Gray亚分布风险模型,纳入年龄、肿瘤大小、阳性淋巴结数、化疗、放疗、分级和分期,计算HR和95%CI;检验比例风险假设,评估交互作用。
验证时间性分级效应在不同治疗时代和HER2状态下的稳健性。
对2010-2018年诊断的患者进行限制性分析,并探索HER2阳性患者中的分级效应。
按研究目的归类文中使用的方法,便于定位所需技术。
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 数据源 | SEER研究增强数据,18个登记处,2020年11月版 | US National Cancer Institute | -- |
| 数据提取软件 | SEER Stat 8.4.2 | -- | -- |
| 统计分析 | R 4.4.1版 | The R Foundation for Statistical Computing | -- |
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 数据获取与预处理 | SEER数据库版本、纳入排除标准(如缺失信息、分期、性别等) 阅读提示:Patients and methods > Data source and preprocessing |
| 生存分析 | 主要终点定义、竞争事件、分析时间区间、分层变量 阅读提示:Patients and methods > Survival analysis |
| 多变量分析 | 协变量、交互作用、比例风险假设检验 阅读提示:Patients and methods > Multivariate analyses |