標準的なパラメトリックモデルと柔軟なパラメトリックスプラインモデルを使用した生存曲線の外挿：進行がんとの大規模なレジストリコホートの比較

背景：多くの場合、臨床試験の限られた追跡時間を超えて生存の推定値を推定することが重要です。外挿された生存の推定値は、モデルの選択に非常に敏感です。したがって、適切なモデル選択が重要です。柔軟なパラメトリックスプラインモデルは、標準パラメトリックモデルの代替として提案されています。ただし、外挿する能力はよく理解されていません。 目的：標準的なパラメトリックで柔軟なパラメトリックスプラインモデルが、人為的に右に指針のフォローアップ時間を備えたレジストリコホートに適合した場合、生存を予測するかを判断します。 方法：進行乳房、結腸直腸、小細胞肺、非小細胞肺、または膵臓癌の潜在的な追跡時間を持つ成人は、1973年から2015年の登録データセットからSEERから選択されました。患者は、診断時に癌と年齢層によって15のコホートに分類されました（18-59、60-69、70+ y）。各コホートのフォローアップ時間は、20％、35％、および50％の生存率で右に検閲されました。標準パラメトリックモデル（指数、ワイブル、ゴンペルツ、対数伝承、対数正規、一般化ガンマ）およびスプラインモデル（比例ハザード、比例オッズ、通常/プロビット）が10-Yデータセットと3つの右側に適切なセットに適合しましたデータセット。予測される10-y制限された平均生存時間と10年で生存する割合を観察された値と比較しました。 結果：すべてのデータセットにわたって、スプラインオッズとスプライン正常モデルでは、最も頻繁に10-Y生存結果の正確な予測が得られました。視覚的には、スプラインモデルは、検閲されたデータと10-Yデータの両方で、標準のパラメトリックモデルよりも観測されたハザード関数によりよく適合することを示す傾向がありました。 結論：観察されたデータに不確実性がほとんどなかったこれらのコホートでは、観察されたデータを超えて外挿するときにスプラインモデルがうまく機能しました。スプラインモデルは、がんの生存データを外挿するときに適合するモデルのセットに日常的に含める必要があります。

BACKGROUND: It is often important to extrapolate survival estimates beyond the limited follow-up times of clinical trials. Extrapolated survival estimates can be highly sensitive to model choice; thus, appropriate model selection is crucial. Flexible parametric spline models have been suggested as an alternative to standard parametric models; however, their ability to extrapolate is not well understood. AIM: To determine how well standard parametric and flexible parametric spline models predict survival when fitted to registry cohorts with artificially right-censored follow-up times. METHODS: Adults with advanced breast, colorectal, small cell lung, non-small cell lung, or pancreatic cancer with a potential follow-up time of 10 y were selected from the SEER 1973-2015 registry data set. Patients were classified into 15 cohorts by cancer and age group at diagnosis (18-59, 60-69, 70+ y). Follow-up times for each cohort were right censored at 20%, 35%, and 50% survival. Standard parametric models (exponential, Weibull, Gompertz, log-logistic, log-normal, generalized gamma) and spline models (proportional hazards, proportional odds, normal/probit) were fitted to the 10-y data set and the 3 right-censored data sets. Predicted 10-y restricted mean survival time and percentage surviving at 10 y were compared with the observed values. RESULTS: Across all data sets, the spline odds and spline normal models most frequently gave accurate predictions of 10-y survival outcomes. Visually, spline models tended to demonstrate better fit to the observed hazard functions than standard parametric models, both in the censored and 10-y data. CONCLUSIONS: In these cohorts, where there was little uncertainty in the observed data, the spline models performed well when extrapolating beyond the observed data. Spline models should be routinely included in the set of models that are fitted when extrapolating cancer survival data.