MASARYKOVA UNIVERZITA PŘÍRODOVĚDECKÁ FAKULTA. Diplomová práce

Transkript

1 MASARYKOVA UNIVERZITA PŘÍRODOVĚDECKÁ FAKULTA Diplomová práce Brno 2018 Roberta Velichová

2 MASARYKOVA UNIVERZITA PŘÍRODOVĚDECKÁ FAKULTA STUDIJNÍ PROGRAM: EXPERIMENTÁLNÍ BIOLOGIE MODEL PRO PREDIKCI PROGRESE U MNOHOČETNÉHO MYELOMU Diplomová práce Roberta Velichová VEDOUCÍ PRÁCE: MGR. LUCIE BROŽOVÁ BRNO 2018

3 Bibliografický záznam Autorka: Bc. Roberta Velichová Přírodovědecká fakulta, Masarykova univerzita Institut biostatistiky a analýz Lékařské fakulty MU Centrum pro výzkum toxických látek v prostředí Název práce: Model pro predikci progrese u mnohočetného myelomu Studijní program: Studijní obor: Vedoucí práce: Experimentální biologie Matematická biologie Mgr. Lucie Brožová Akademický rok: 2017/2018 Počet stran: Klíčová slova: xi I Mnohočetný myelom; Joint frailty model; závislé pozorování; rekurentní události; kompetitivní události; analýza přežití

4 Bibliografický záznam Autorka: Bc. Roberta Velichová Prírodovedecká fakulta, Masarykova univerzita Inštitút bioštatistiky a analýz Lekárskej fakulty MU Centrum pre výskum toxických látok v prostredí Názov práce: Model predikcie progresie mnohopočetného myelómu Študijný program: Študijný odbor: Vedúca práce: Experimentálna biológia Matematická biológia Mgr. Lucie Brožová Akademický rok: 2017/2018 Počet strán: Kľúčové slová: xi I Mnohopočetný myelóm; Joint frailty model; závislé pozorovania; rekurentné udalosti; kompetitívne udalosti; analýza prežívania

5 Bibliographic Entry Author: Title of Thesis: Degree programme: Bc. Roberta Velichová Faculty of Science, Masaryk University Institute of Biostatistics and Analyses at the Faculty of Medicine MU Research Centre for Toxic Compounds in the Environment Model for prediction of progression in patients with multiple myeloma Experimental Biology Field of Study: Supervisor: Computational (Mathematical) Biology Mgr. Lucie Brožová Komentář [LB1]: Kontrolovala jsi? Nevím, zda s tím někdo nemůže mít problém, když není jasně uveden název programu, u žádné jiné práce jsem nenašla, že by se takhle uvádělo.. Academic Year: 2017/2018 Number of Pages: Keyword: xi I Multiple myeloma; Joint frailty model; dependent observations; recurrent events; competitive events; survival analysis

6 Abstrakt V této diplomové práci se věnujeme onemocnění mnohočetný myelom, jeho procesu progrese a léčbě. V rámci teoretické části práce jsou definovány základní charakteristiky potřebné pro diagnostiku mnohočetného myelomu a taktéž jsou uvedeny základní parametry, které jsou klíčové z hlediska průběhu onemocnění. V další části se věnujeme statistickým metodám, které dokážou pracovat s opakujícími se událostmi v čase a se dvěma různými událostmi v čase. Součástí praktické části práce je popis dat z registru Registru monoklonálních gamapatií a výběr významných parametrů z hlediska průběhu onemocnění. Následně je aplikovaný proces odhadu chybějících hodnot parametrů, abychom se vyhnuli vyloučení velkého množství dat. V dalším bodu je datový soubor rozdělený na dvě části, první část představuje trénovací soubor, který slouží na vyhodnocení jednorozměrných asociací parametrů s cílovými koncovými body: doba do zahájení další linie léčby a celkové přežívání pacientů. Na základě vybraných parametrů je následně vytvořen vícerozměrnýý Joint frailty model, který klasifikuje pacientů pacienty do čtyř rizikových skupin zvlášť pro dvě události: relaps/progrese a úmrtí. Na závěr je přítomnost rizikových skupin verifikována na druhém souboru, teda testovacím souboru. Komentář [LB2]: Za toto bych klidně dala jednu/dvě věty o tom, co je MM a nechala to jako samostatný odstavec. Ve finále by mohlo mít tedy strukturu: 1) úvod k MM 2) teoretická část 3) praktická část Čím lepší abstrakt, tím více lidí si to přečte. Komentář [LB3]: Následně byla pomocí algoritmu MICE imputována chybějící data. Neboj se být v abstraktu více specifická má z něj být jasné, co jsi provedla a co ti vyšlo tedy i namísto základě vybraných parametrů bych vypsala konkrétní parametry Komentář [LB4]: Trénovací soubor slouží k sestavení finálního modelu (ne k vyhodnocení jednorozměrných asociací, modely počítáš i vícerozměrné). Lepší by bylo, kdyby jsi zde hned popsala V dalším bodu je datový soubor rozdělený na dvě části trénovací soubor slouží k sestavení modelu a testovací soubor k validaci modelu na zbylé části dat, která nebyla využita k sestavení modelu. Komentář [LB5]: Nenazývala bych jako body, raději cílové parametry/endpointy Komentář [LB6]: Na toto asi někdo upozorní, že to nekoresponduje, je potřeba okomentovat Komentář [LB7]: Toto znamená, že joint frailty modely slouží ke klasifikaci pacientů do rizikových skupin, což není pravda. Až na základě jejich výsledků můžeme různými přístupy pacienty klasifikovat Komentář [LB8]: Na toto asi někdo upozorní, že to nekoresponduje, je potřeba okomentovat

7 Abstrakt V tejto diplomovej práci sa venujeme ochoreniu mnohopočetný myelóm, jeho procesu progresie a liečbe. V rámci teoretickej časti práce sú definované základné charakteristiky potrebné pre diagnostikovanie mnohopočetného myelómu a takisto sú uvedené základné parametre, ktoré sú kľúčové z hľadiska priebehu ochorenia. V ďalšej časti sa venujeme štatistickým metódam, ktoré dokážu pracovať s opakujúcimi sa udalosťami v čase a s dvomi rôznymi udalosťami v čase. Súčasťou praktickej časti práce je opis dát z registra Registra monoklonálnych gamapatií a výber významných parametrov z hľadiska priebehu ochorenia. Následne je aplikovaný proces odhadu chýbajúcich hodnôt parametrov, aby sme sa vyhli vylúčeniu veľkého množstva dát. V ďalšom bode je dátový súbor rozdelený na dve časti, prvá časť predstavuje trénovací súbor, ktorý slúži na vyhodnotenie jednorozmerných asociácií parametrov s cieľovými koncovými bodmi: doba do zahájenia ďalšej línie liečby a celkové prežívanie pacientov. Na základe vybraných parametrov je následne vytvorený Joint frailty model, ktorý klasifikuje pacientov do štyroch rizikových skupín zvlášť pre dve udalosti: relaps/progresia a úmrtie. Na záver je prítomnosť rizikových skupín verifikovaná na druhom súbore, teda testovacom súbore.

8 Abstract In this diploma thesis we study a disease multiple myeloma, a process of its progression and a treatment of this disease. In the theoretical part of the thesis we define basic characteristics, that are needed for the diagnosis of multiple myeloma, and also parameters important for the course of the disease too. In the next part we study statistical methods, which are able to process recurrent events in time and two different events in time. The practical part of the thesis includes a description of data from the register Registry of monoclonal Monoclonal gammopathy Gammopathies and a selection of important parameters for the course of the disease. Afterwards, a process of estimation of missing values is applied to avoid an exclusion of big amount of data. In the next step the dataset is divided into two parts, first part is a training dataset, which is used for evaluation of univariate associations of parameters with endpoints: time to the beginning of a new treatment line and overall survival of patients. Finally, Joint frailty model is computed based on chosen parameters, which classify classifies patients into four risk groups separately for two events: relapse/progression and death. In conclusion, the presence of these groups is verified on the second dataset, the testing dataset. Komentář [LB9]: Nechala jsi si zkontrolovat aj? Komentář [JJ10]: Missing values imputation

9

10

11 Poďakovanie Na tomto mieste by som chcela poďakovať vedúcej práce Mgr. Lucii Brožovej za cenné rady, ochotu a čas, ktorý mi venovala počas tvorby práce. Takisto by som sa rada poďakovala RNDr. Jiřímu Jarkovskému, Ph.D. za odborné konzultácie a cenné rady. Ďakujem Mgr. Kláre Benešovej za odborné komentáre k teoretickému pozadiu fungovania použitých matematických modelov v rámci práce. Poďakovanie patrí aj Českej myelómovej skupine za poskytnutie dát a všetkým nemocničným centrám, ktoré sa zberu dát zúčastňujú. Veľmi ďakujem mojim rodičom za podporu a pomoc počas celého štúdia. Ďakujem aj mojim súrodencom a blízkym. V neposlednom rade patrí obrovské poďakovanie môjmu manželovi za pomoc vo všetkých oblastiach počas písania práce a počas celého štúdia. Prohlášení Prohlašuji, že jsem svoji diplomovou práci vypracovala samostatně s využitím informačních zdrojů, které jsou v práci citovány. Brno 19. prosince 2017 Jméno Příjmení

12 Institut biostatistiky a analýz spolupracuje na organizačním zajištění výuky studijního oboru Matematická biologie s Lékařskou a Přírodovědeckou fakultou Masarykovy univerzity a s Centrem pro výzkum toxických látek v prostředí Přírodovědecké fakulty MU.

13 Obsah OBSAH...1 ÚVOD...3 Komentář [LB11]: Super, po změně zarovnání je významně přehlednější. Jen ty přílohy bych zarovnala doleva. Koukla jsem do jiných prací a tam i u příloh mají uvedené strany v obsahu, tak zjisti, jak má být, případně udělej stejně jako ostatní. 1. MNOHOPOČETNÝ MYELÓM DIAGNOSTIKA PRIEBEH OCHORENIA Molekulárna podstata PROGRESIA Z PREKANCERÓZ DEFINÍCIE ŠTÁDIÍ Durie-Salmon skóre ISS skóre R-ISS skóre Skóre podľa ECOG Skóre podľa IMWG LIEČBA ŠTATISTICKÉ METÓDY SPRACOVANIA SHARED FRAILTY MODEL JOINT FRAILTY MODEL Voľba rizikových funkcií modelu OPIS DÁTOVÉHO SÚBORU ČISTENIE DÁTOVÉHO SÚBORU ČASOVÁ ŠTRUKTÚRA DÁT METODIKA POUŽITÉ HARDVÉRY A SOFTVÉRY Hardvér Softvér ŠTRUKTÚRA DÁT VSTUPUJÚCICH DO MODELU VÝBER PARAMETROV

14 5. PRÍPRAVA DÁT A POSTUP ODHAD CHÝBAJÚCICH HODNÔT Grafy rozloženia dát Grafy prekrytia údajov Grafy konvergencie imputácií ROZDELENIE DÁTOVÉHO SÚBORU TVORBA MODELU IMPLEMENTÁCIA MODELU Parametre modelu JEDNOROZMERNÝ JOINT FRAILTY MODEL Porovnanie výsledkov s Coxovým regresným modelom VIACROZMERNÝ JOINT FRAILTY MODEL Demografické a základné ukazovatele Klinické parametre Poskytnutá liečba VÝSLEDKY A VALIDÁCIA MODELU RIZIKOVÉ SKUPINY VALIDÁCIA MODELU POROVNANIE VÝSLEDKOV Z TESTOVACIEHO A TRÉNOVACIEHO SÚBORU VÝPOČET RIZIKOVÝCH SKUPÍN V PRAXI DISKUSIA ZÁVER ZOZNAM LITERATÚRY ZOZNAM INTERNETOVÝCH ZDROJOV ZOZNAM TABULIEK ZOZNAM OBRÁZKOV ZOZNAM SKRATIEK PRÍLOHY PRÍLOHA Č. 1: VÝSLEDKY IMPUTÁCIÍ PRÍLOHA Č. 2: JOINT FRAILTY MODELY PRÍLOHA Č. 3: COXOV REGRESNÝ MODEL PODĽA LÍNIÍ LIEČOB PRÍLOHA Č. 4: ELEKTRONICKÁ VERZIA DIPLOMOVEJ PRÁCE 2

15 Úvod Mnohopočetný myelóm je ojedinelé nádorové ochorenie, ktoré je doposiaľ vyliečiteľné iba prostredníctvom dosiahnutia hlbokej a dlhodobej kompletnej remisie s po maximálnou maximálně intenzívnou intenzívní terapioui. Liečba sa v hlavnej miere sústreďuje iba na potlačenie ochorenia. Po nejakom čase sa však väčšine pacientom opäť ochorenie vracia (relaps po dosiahnutí kompletnej remisie) prípadne priamo zhoršuje (progresia po dosiahnutí inej liečebnej odpovede ako kompletnej remisie) a znova je cieľom dosiahnuť jeho potlačenie. Cieľom diplomovej práce je opis diagnostiky a priebehu ochorenia mnohopočetný myelóm, stanoviť rizikové faktory a opísať proces jeho progresie s opätovnými návratmi. Následne, na základe prehľadu štatistických metód modelujúcich predikciu opakujúcich sa udalostí v čase, vytvoriť model predikcie pravdepodobnosti relapsu/progresie a úmrtia. V 1. kapitole sa venujeme základnému opisu ochorenia mnohopočetný myelóm, klinickým parametrom, na základe ktorých je pacientom diagnostikované a priebehu liečby. V Chyba! Nenalezen zdroj odkazů.chyba! Nenalezen zdroj odkazů.2. kapitole sa venujeme štatistickým metódam, ktoré modelujú opakujúce sa udalosti v čase ( Shared frailty modely) a metódam, ktoré dokážu modelovať naviac aj dve kompetitívne udalosti v čase ( Joint frailty modely) rekurentné udalosti a terminálnu udalosť. Praktická časť začína 3. kapitolou, kde podrobne analyzujeme dátový súbor z registra monoklonálnych gamapatií a takisto sa venujeme procesu jeho čistenia. V rámci 4. kapitoly sa venujeme metodike praktickej časti, spracovania a stanoveniu postupu tvorby modelu. Takisto je súčasťou kapitoly definícia a stanovenie parametrov z registra, ktoré budeme v modeli uvažovať. V 5. kapitole sa venujeme príprave dát, a teda aplikácii algoritmu odhadu chýbajúcich hodnôt v dátach. Takisto je v kapitole opísané rozdelenie dátového súboru na trénovaciu a testovaciu časť, ktoré budú slúžiť na vytvorenie a následnú validáciu modelu. 6. kapitola podrobne opisuje tvorbu výsledného Joint frailty modelu. V prvom rade sa sústreďuje na implementáciu modelu do štatistického softvéru. Následne sa sústreďuje na výber parametrov, ktoré sú asociované s úspešnosťou liečby či rizikom relapsu/progresie a úmrtia na trénovacom súbore. Ďalšia časť kapitoly predstavuje tvorbu najprv jednorozmerných modelov a ich porovnanie so štandardne používaným Coxovým modelom proporcionálnych rizík. Potom pokračujeme tvorbou viacrozmerného výsledného Joint frailty modelu. V 7. kapitole nasleduje opis procesu vytvorenia rizikového skóre pre pacientov a definíciu novovytvorených rizikových skupín. Kapitola sumarizuje získané výsledky a opisuje validáciu modelu na testovacom súbore. Predstavená je takisto praktická aplikácia modelu pre výpočet rizikovej skupiny fiktívneho pacienta. V poslednej časti, kapitole č. 8 sú všetky postupy a získané výsledky diskutované. Komentář [LB12]: Silné tvrzení, za kterým by měla být citace Komentář [LB13]: Chybí tady, co minule bylo. Sem bych doplnila U většiny pacientů je však MM nevyléčitelný a liečba sa v hlavnej miere sústreďuje iba na potlačenie ochorenia. Komentář [JJ14]: Doufam jen nejaka chyba u mne? Naformátováno: Odsazení: První řádek: 0.49" Komentář [LB15]: Pozor, všude by mělo být velké R Komentář [LB16]: Věta by neměla začínat číslovkou Komentář [LB17]: Divné slovo Výsledkom práce je teda model predikcie pravdepodobnosti relapsu/progresie ochorenia, či úmrtia pri zahájení novej línie liečby so zohľadnením klinických ukazovateľov 3

16 pacientov a predošlého priebehu ochorenia. Na základe zostaveného modelu sme vytvorili rizikové skupiny pacientov, ktorých prítomnosť je otestovaná na nezávislom dátovom súbore. 4

17 1. Mnohopočetný myelóm Mnohopočetný myelóm alebo aj symptomatický mnohopočetný myelóm ( Multiple Myeloma ) (MM) sa zaraďuje medzi ochorenia, ktoré sa označujú ako monoklonálne gamapatie. Monoklonálne gamapatie sú skupinou veľmi heterogénnych ochorení, ktoré vznikajú v dôsledku malígnej (zhubnej) transformácie normálnych plazmatických buniek (Morgan et al., 2012). Dochádza k ich nekontrolovanej proliferácii (množeniu) a akumulácii (zhlukovaniu) v kostnej dreni, kde narúšajú produkciu normálnych krvných buniek. Obrázok č. 1Obrázok č. 1Obrázok č. 1 porovnáva histológiu zdravej a postihnutej kostnej drene. Zdravá kostná dreň Kostná dreň pri diagnóze MM Komentář [b18]: Zde v úvodu bych čekala základní informace k incidenci a prevalenci MM, celkovému přežívání, efektu nových léků a klidně první zmínku o registru RMG, odborné společnosti CMG s odkazy na weby. Komentář [RV19]: Znovu som si prečítala kapitolu a zdá sa mi, že všetko na seba pekne logicky nadväzuje. Incidencia a prevalencia je rozspísaná na 4 strane. Komentář [LB20]: Beru to tak, že jsem ti k práci napsala své komentáře, pokud jsi nezapracovala, tak hrozí, že já nebo oponent toto vyčteme v posudku. V celé práci se pokusím o minimum nových připomínek. Komentář [LB21]: Raději bych napsala nazývaný též, aby někdo nepochopil, že symptomatický mnohopočetný myelóm je další diagnóza zdravé plazmatické bunky malígne plazmatické bunky Obrázok č. 1: Zdravá a postihnutá kostná dreň MM (URL 1) Plazmatické bunky sú finálnym vývojovým štádiom B lymfocytov (typ bielych krviniek), a ich hlavnou funkciou je produkcia protilátok proti cudzorodým látkam a toxínom (Adam et al., 2014). Pri diagnóze MM sú tieto bunky abnormálne, čo zapríčiňuje produkciu monoklonálneho imunoglobulínu (M-Ig, paraproteín, M-proteín), ktorý sa dá detegovať v krvi alebo v moči (Šálek, 2008). Monoklonálny znamená, že je získaný z jednej klonálnej populácie plazmatických buniek (klonálne plazmocyty), ktorá produkuje rovnaký typ protilátky. Štrukturálne normálny imunoglobulín (Ig) sa skladá z podjednotiek, ktoré predstavujú ťažké a ľahké reťazce. Existuje päť typov ťažkých reťazcov (IgG, IgA, IgM, IgD, IgE) a dva typy ľahkých reťazcov kappa (κ) a lambda (λ). Hodnoty ťažkých reťazcov by sa mali u dospelého človeka bez diagnózy MM pohybovať pre IgG pod 35 g/l (gram na liter) a pre IgA pod 20 g/l v krvi (Šálek, 2008). Množstvo reťazcov kappa sa pre zdravého človeka pohybuje od 3,3 do 19,4 mg/l (miligram na liter) a množstvo reťazcov lambda od 5,7 do 26,3 mg/l v krvi (Šumná et al., 2006). Pokiaľ nie sú ľahké reťazce viazané na ťažké, nazývajú sa voľné ľahké reťazce, ktoré sa nachádzajú v krvnom sére človeka a sú dôležitým indikátorom ochorenia. K posúdeniu závažnosti ochorenia je teda potrebné spraviť aj analýzu voľných ľahkých reťazcov imunoglobulínu. Hodnoty voľných ľahkých reťazcov FLC z anglického Free Light Chains sa najčastejšie vyjadrujú v pomere kappa/lambda a jeho hodnoty by sa v norme pre pacientov mali pohybovať v rozmedzí od 0,26 do 1,65 Komentář [LB22]: V žádné práci jsem neviděla takto popisované jednotky. Nechám to na tobě, ale obecně se předpokládá, že každý jednotky zná. Komentář [JJ23]: Souhlas, toto jsem take nikde nevidel, proto se pouzivaji zkratky jednotek aby nebylo nutne to cele vypisovat 5

18 (Di Noto et al., 2014). Hodnoty mimo normu poukazujú na zvýšené riziko malígnej transformácie (URL 2) Diagnostika Pacientovi je MM diagnostikovaný, pokiaľ počet klonálnych plazmocytov v kostnej dreni presiahne 10 %, monoklonálneho proteínu je v sére viac ako 30 g/l a sú prítomné zjavné poškodenia organizmu (symptómy CRAB) alebo sú pozitívne biomarkery (indikátor biologického stavu) malignity (Rajkumar et al., 2014). S ťažkými reťazcami M-proteínu je homologický β 2 -mikroglobulín a vyskytuje sa najmä na povrchu plazmatických buniek (Di Noto et al., 2014). Pri rozpade týchto buniek sa vylučuje do krvnej plazmy. Pri diagnóze MM sa teda vylučuje vo zvýšenej forme a jeho vysoká koncentrácia predstavuje zvýšené riziko pre pacientov. Normálne hodnoty v sére sa pohybujú v rozmedzí 1,0 2,4 mg/l a v moči µg/l (mikrogram na liter) (Dorina et al., 2011). Pri diagnóze a v priebehu ochorenia mnohopočetného myelómu sa takisto stanovuje aj hladina CRP (C-reaktívny proteín), ktorého zvýšené množstvo oproti normálu (30 40 mg/l) signalizuje, že v tele prebieha zápal (Aguiar et al., 2013). Vysoké hodnoty množstva celkového proteínu v organizme môžu reflektovať, že sa v tele pacienta nachádza myelóm. Dôležitým faktorom je takisto množstvo albumínov (proteín krvnej plazmy) a trombocytov (krvné doštičky). Pri zhoršovaní ochorenia klesá množstvo albumínov oproti normálnemu stavu g/l a takisto klesá aj množstvo trombocytov, ktorých normálne množstvo je v rozmedzí ⁹/l (Sridevi, 2017). Dôležitým markerom pre hodnotenie zmeny stavu pacienta je takisto množstvo laktátdehydrogenázy LDH (Valík et al., 2008). Význam tohto parametra je informatívny pri posúdení medzi dvomi časovo odlíšenými odbermi, pričom jeho zvyšujúca sa hodnota indikuje progresiu ochorenia. Normálne hodnoty sa bežne pohybujú v rozmedzí od 2,34 do 4,68 mkat/l (milikatal na liter) (Valík et al., 2008). U pacientov s mnohopočetným myelómom je významným faktorom aj prítomnosť extramedulárnych ložisiek. Extramedulárny myelóm (EMM z anglického Extramedullary Multiple Myeloma ) sa môže vyskytovať v akýchkoľvek mäkkých tkanivách a u pacientov dochádza aj k viacerým výskytom extramedulárnych ložisiek z plazmatických buniek mimo kostnú dreň. Medzi najčastejšie lokality patria koža, pečeň, obličky a centrálna nervová sústava. Prognóza pacientov s EMM je horšia v porovnaní s ostatnými, avšak ložiská môžu v priebehu ochorenia vymiznúť (Bladé et al., 2012). Najčastejšie príznaky MM sa označujú pod skratkou CRAB z anglického Calcium, Renal insufficiency, Anemia, Bone lesions (Rajkumar et al., 2014), (Goodman et al., 2003). Medzi tieto príznaky MM patria hyperkalcémia zvýšené množstvo vápniku (> 2,75 mmol/l milimol na liter), pokles funkcie obličiek (zvýšené množstvo kreatinínu > 177 µmol/l mikromol na liter), anémia znížené množstvo hemoglobínu (< 10 g/dl gram na deciliter), poškodenie kostí (lytické kostné ložiská malé, zničené časti kostí). Diagnostika najčastejšie prebieha buď prostredníctvom krvných testov, vyšetrením moču, vyšetrením kostnej drene, alebo röntgenom zasiahnutých kostí. Príklad röntgenových snímok Komentář [LB24]: Toto zkontroluj (týká se i tabulky 2). Ani ve starých guidelines, ani v článku od Rajkumara není kvantita monoklonálního proteinu uvedena. V klin. Onklogii z 2009 je přímo uvedeno Je pfiitomen monoklonalni imunoglobulin v seru a/nebo v moai (bez specifikace koncentrace) Komentář [LB25]: V úvodu kapitoly diagnostika MM bych očekávala nejdříve vysvětlení crab, který nám říká, že má pacient MM a pak popis prediktorů, které nám říkají, jak pokročilé onemocnění je. Jen bych tedy prohodila pořadí odstavců. Komentář [LB26]: Koukám, že jsi opravila citaci. Pokud by jsi měla prostor, tak si raději vše zkontroluj, oponent toto bude určitě kontrolovat. Komentář [JJ27]: Podle hodnoty se da usuzovat i na typ problemu bakterie, viry, kardioproblem, nadory... ma MM specificke rozpeti nebo se bere cokoliv zvyseneho? Komentář [LB28]: Nemá být spíše µkat = mikrokatal? Komentář [LB29]: Ty citace by měly být spolu v závorce? Komentář [LB30]: Možná bych raději tyto cutoff vynechala, když koukneš do publikace, tak se to takhle v absolutních číslech ne vždy hodnotí, někdy stačí nárůst oproti normě. Bez popisku těch jednotek by vypadalo lépe Komentář [LB31]: Dala bych nedělitelnou mezeru Komentář [LB32]: Co znamená malé ložisko? Zničená kost? Raději jednoduše výskyt osteolytických ložisek 6

19 zasiahnutých kostí pacientov pri diagnóze MM zobrazuje Obrázok č. 2. Môžeme si všimnúť prítomnosť osteolytických ložisiek lokalizovaných v kostiach pacientov. Komentář [LB33]: Pokud je ložisko osteolytické, tak musí být v kosti Obrázok č. 2: Röntgenová snímka kostí pacientov s MM (URL 3), (Chyba! Nenalezen zdroj odkazů.chyba! Nenalezen zdroj odkazů.url 4) 1.2. Priebeh ochorenia Ochorenie MM postihuje najmä starších pacientov a vo vyššej miere je rizikovejšie pre mužov ako pre ženy. Prostredníctvom nových liekov a transplantácie kostnej drene dnes vieme pacientom zabezpečiť dlhšie prežívanie. Po diagnóze ochorenia je nasadená liečba v prvej línii liečby (primoterapii), pričom cieľom je dosiahnuť remisiu ochorenia, a to na čo najdlhšiu dobu. Remisia je návrat k pôvodnému fungovaniu pacienta pred vypuknutím ochorenia. Jedná sa o dosiahnutie bezpríznakového obdobia. Predpokladá sa však, že ochorenie je stále prítomné, ale bez zjavných symptómov. Po nejakej dobe sa ale môže ochorenie pacientovi opäť vrátiť (relaps/progresia) a vtedy je zahájená ďalšia línia liečby. Relaps ochorenia je nová aktivita ochorenia po liečbe u pacientov, pri ktorých bola predchádzajúcou liečbou dosiahnutá kompletná remisia ochorenia. Progresia ochorenia znamená novú aktivitu ochorenia po liečbe v prípade, že maximálna liečebná odpoveď bola horšia než kompletná remisia, ale lepšia než minimálna liečebná odpoveď. Ako progresiu označujeme aj stav, vyžadujúci liečbu skôr neliečenej asymptomatickej formy ochorenia (Purkyně, 2009). Proces remisie a opätovného prepuknutia ochorenia sa môže aj niekoľko krát opakovať ako ilustruje 00Obrázok č. 3. Dĺžka remisií závisí na miere agresivity ochorenia, ale aj na zvolenej liečbe. Relaps/progrese ochorenia počas kratšieho intervalu než 12 mesiacov je považovaný za vysoko nepriaznivý prognostický faktor. Komentář [LB34]: Taková tvrzení potřebují citaci. Komentář [LB35]: Toto bych dala spíše do posledního odstavce této kapitoly. Komentář [LB36]: Nemá být citováno toto? suplementa.pdf Citaci bych dala v úvodu odstavce, ať je vidět, že z toho celý ten text vychází. 7

20 Obrázok č. 3: Priebeh ochorenia MM (upravené z Purkyně, 2009) Parametre, ktoré sa hodnotia pri diagnóze sa opakovane merajú pri zahájení každej novej línie liečby. Avšak môžu strácať prognostický význam, pretože vo vyšších líniách liečby už zohráva veľkú úlohu predliečenosť (Demitrovičová et al., 2013). Medián prežitia pacientov s MM je približne 5 rokov od diagnózy, pričom muži majú horšie prežívanie oproti ženám (Rajkumar a Kumar, 2016). Incidencia mnohopočetného myelómu v Českej republike za rok 2012 je 200 žien a 226 mužov (URL 4URL 4URL 5). Vo vekovej kategórii rokov je incidencia tejto choroby 15,57 na obyvateľov celosvetovo. U mladých ľudí vo veku rokov sa ochorenie vyskytuje len výnimočne. Prevalencia po piatich rokoch od stanovenia diagnózy v Českej republike za rok 2012 je 360 žien a 425 mužov. Mnohopočetný myelóm tvorí 1 % zo všetkých malignít a 10 % z hematoonkologických malignít (Rajkumar, 2011). Česká myelomová skupina (CMG) predstavuje združenie lekárov a ďalších vedeckých a odborných pracovníkov, ktorých cieľom je výskum, diagnostika a terapia ochorenia MM v rámci Českej republiky ( Molekulárna podstata U pacientov s mnohopočetným myelómom bolo preukázané, že má na priebeh ochorenia vysoký vplyv genetický faktor. Medzi najvýznamnejšie patria straty 13(q14), 17(p13) a zisk 1(q21) (Fonseca et al., 2003). Výskyt genetických abnormalít ovplyvňuje aj reakciu pacienta na podanú liečbu. Spojitosť genetických faktorov s progresiou ochorenia boli skúmané a preukázané takisto vo Velichová, (2015). Dôležitým faktorom je aj hyperdiploidný a non-hyperdiploidný stav (Smadja et al., 1998). Hyperdiploidný stav je taký, kedy u jedinca dochádza k zmnoženiu (trizómiám) viacerých chromozómov. Ako najčastejšie sa u pacientov MM javia trizómie nepárnych chromozómov 3, 5, 7, 9, 11, 15, 17, 21. Non-hyperdiploidný variant zahŕňa pacientov s hypodiploidným stavom (menej než 48 chromozómov) a tetraploidným stavom (viac než 74 chromozómov) (Fonseca et al., 2003). Hyperdiploidný stav sa vyskytuje v % prípadov a je asociovaný s nízkym percentom výskytu štrukturálnych aberácií (odchýlka v štruktúre chromozómu). Pri týchto pacientoch je výskyt prestavieb v lokuse IgH (úsek molekuly DNA obsahujúcej daný gén) menší ako 30 %. Hyperdiploidný stav je spojený s lepšou prognózou (Smadja et al., 1998). Naopak non-hyperdiploidný stav sa vyskytuje priemerne v % prípadov. Častejšie sú prítomné monozómie a delécie chromozómov 8,, 13, 14, 22, X a výskyt prestavieb v lokuse IgH je okolo 70 % (Smadja et al., 1998). Komentář [JJ37]: Predpokladam, ze popis obrazku na jine strance nez obrazek bude jeste vyresen? Komentář [LB38]: Dala bych jako separátní kapitolu s názvem např. Epidemiologie MM (klidně 1.1 epidemiologie, 1.2 diagnostika,...) Komentář [LB39]: Jako první máš možnost citovat aktuální výsledky z našeho registru, škoda, že zde není uvedeno. Je to v tom suplementu z klinické onkologie vydaný loni. Komentář [LB40]: Opakuješ se, v úvodu kapitoly bych smazala. Komentář [LB41]: Nemá být url 5? Komentář [JJ42]: Neni mi uplne jasne co znamana prevalence po 5 letech? Komentář [LB43]: Za toto bych dala jednu větu k RMG a také odkaz na stránky - Komentář [LB44]: Mohlo by být specifikováno. Takhle někdo může pochopit, že je MM dědičné. Raději bych psala např. strukturální změny DNA u myelomových buněk. Komentář [LB45]: Stejně jako jsem upozorňovala v analýzách, ani v DP neměň způsob zápisu genetických abnormalit. Vždy 1q21, ne 1(q21). Mělo by být specifkováno, zdaj de o ztrátu celého ramínka nebo jen jeho části. Komentář [LB46]: Ta čárka tam být nemá? 8

21 Pozrime sa bližšie na prehľad hlavních primárnych primárnych zmien, přítomných v čase diagnózy MM, a sekundárnych genetických zmien, ktoré sa môžu objaviť v priebehu ochorenia. Komentář [LB47]: Dále není uvedené, které změny jsou primární a které sekundární. 9

22 Delécie (straty): 13q14 gén RB1 Incidencia je okolo %. Gén RB1 je tumor supresorový gén, ktorého produkt prb reguluje priebeh bunkového cyklu. Vo väčšine prípadov je prítomná monozómia celého chromozómu 13 (90 95 %), zatiaľ čo v ostatných prípadoch je detegovaná iba delécia v regióne 13q14 (Zojer et al., 2000). 1p32 Delécia v tejto oblasti je asociovaná so zhoršenou prognózou a progresiou ochorenia, ktorú ovplyvňuje strata expresie tumor supresorového génu CDKN2C. Jeho lokus sa nachádza práve v tejto oblasti (Leone et al., 2008). 17p13 gén TP53 Tumor supresorový gén TP53 je najčastejšie mutovaným génom pri malígnych ochoreniach. Zmeny v DNA sekvencii majú charakter mutácií vedúcich k zámene aminokyseliny v štruktúre proteínu p53. Tieto substitúcie umožňujú bunkám získavať vlastnosti vedúce k nádorovému ochoreniu (kancerogenézou) (Leroy et al., 2013). Inzercia (zisk): 1q21 gén CKS1B Incidencia sa pohybuje okolo 40 %. Zvýšená expresia génu CKS1B môže spôsobovať prechod bunky z G1 fázy do S fázy bunkového cyklu, a tým bunkám poskytujú proliferačnú výhodu, ktorá prispieva k ich nádorovému fenotypu (vonkajšie znaky a vlastnosti) (Demchenko et al., 2010). Translokácia (premiestnenie): 14q32 lokus IgH Lokus IgH obsahuje zosilňovače transkripcie, ktoré regulujú jeho transkripciu. V dôsledku reciprokých translokácií zosilovač transkripcie zvyšuje transkripciu onkogénov pôvodne lokalizovaných na inom chromozóme (najčastejšie sa jedná o chromozóm 4, 11 alebo 16) (Bergsagel et al., 1996). Tabuľka č. 1 znázorňuje najčastejšie translokácie oblasti 14q32 detegované v štádiu MM. Tabuľka č. 1: Najčastejšie translokácie v MM (Fonseca et al., 2003) Komentář [LB48]: Než takový popisek, tak bych klidně pod nadpis dala 2 věty, v kterých vysvětlíš, co je to translokace. Možná ještě lepší by byl krátký odstaveček (v textu pod Molekulárna podstata ) o tom, co je DNA s popisem změn, které dále uvádíš co je delece/zisk a translokace. Translokácia t(4;14)(p16;q32) t(6;14)(p21;q32) t(11;14)(q13;q32) t(14;16)(q32;q23) Výskyt % 4 5 % 20 % 5 % Zasiahnuté gény FGFR3, MMSET CCND3 CCND1, MYEOV WWOX,MAF Vplyv na prognózu nepriaznivý skôr nepriaznivý neutrálny nepriaznivý 10

23 1.3. Progresia z prekanceróz Mnohopočetný myelóm je vo väčšine prípadov dôsledkom progresie menej závažných štádií monoklonálnych gamapatií (Goodman et al., 2003). Monoklonálne gamapatie, ktoré sú prekanceróznymi štádiami MM sa delia na monoklonálnu gamapatiu nejasného významu MGUS ( Monoclonal Gammopathy of Undetermined Significance ) a tlejúci mnohopočetný myelóm SMM ( Smouldering Multiple Myeloma ). Tabuľka č. 2 znázorňuje diagnostické kritériá pre jednotlivé štádiá MGUS, SMM a MM. MGUS je najmenej rizikové štádium a naopak MM je zase najrizikovejšie štádium, ktoré je ako jediné liečené (Kyle et al., 2011). Tabuľka č. 2: Diagnostické kritériá (Rajkumar et al., 2014) MGUS SMM MM prítomnosť monoklonálneho proteínu < 30 g/l (prítomnosť monoklonálneho proteínu > 30 g/l (prítomnosť monoklonálneho proteínu > 30 g/l a alebo alebo počet klonálnych plazmocytov v dreni < 10 % počet klonálnych plazmocytov v dreni %) počet klonálnych plazmocytov v dreni > 10 %) a a a nie je prítomné poškodenie organizmu, respektíve neprítomnosť symptómov definujúcich MM nie je prítomné poškodenie organizmu, respektíve neprítomnosť symptómov definujúcich MM prítomnosť symptómov definujúcich MMsú prítomné poškodenia organizmu a symptómy CRAB alebo sú pozitívne biomarkery malignity* * presné definície symptómov CRAB a biomarkerov malignity sú špecifikované v publikácii Rajkumar et al., (2014) 1 % MGUS pacientov a 10 % SMM pacientov progreduje za 1 rok počas prvých 5 rokov od diagnózy (Klincová et al., 2011), (Kyle et al., 2007). So zvyšujúcim sa počtom rokov od stanovenia diagnózy MGUS alebo SMM stúpa kumulatívne riziko progresie. Pri MGUS s nízkym rizikom (normálne FLC, M-Ig < 15 g/l) je interval kontroly pacientov do 1 roku od diagnózy každých 6 mesiacov, a potom každé 1 2 roky. Pri vyššej rizikovosti MGUS (FLC mimo 0,26 až 1,65 alebo M-Ig v sére > 15 g/l alebo zvýšené množstvo klonálnych plazmocytov v dreni) je interval kontrol v prvom roku od diagnózy každé 3 4 mesiace a následne každých 6 až 12 mesiacov (Adam et al. 2014). Vo väčšine prípadov však MGUS do MM nezprogreduje. Pri SMM je interval kontrol do 1 roku od diagnózy každých 4 až 6 mesiacov (prvá kontrola 2 3 mesiace), a po 1 roku od diagnózy je interval kontrol každých 6 až 12 mesiacov. Medzi klinické rizikové faktory progresie prekanceróznych štádií do MM podľa Klincová et al., (2011) patria: zvýšená koncentrácia M-Ig v sére abnormálne hodnoty FLC plazmatické bunky o vysoké percento infiltrácie kostnej drene o nízky pomer fenotypovo normálnych a abnormálnych v kostnej dreni zvýšené množstvo vápniku v sére znížené množstvo erytrocytov, hemoglobínu (anémia) znížené množstvo trombocytov (krvácavé prejavy) Komentář [LB49]: Co znamená, že MM je nejrizikovější? Zde bych spíše už čekala větu, že SMM má vyšší riziko progrese do MM než MGUS. Komentář [LB50]: Pozor, zkontroluj, raději bych z tabulky vynechala Komentář [LB51]: Ponechala bych jen toto Komentář [LB52]: Nezačínej větu číslovkou Komentář [LB53]: Není to 1 % pacientů, 1% riziko progrese Komentář [LB54]: Toto by asi mělo být v jedné závorce. Když je čárka za et al., tak bych oddělila citace středníkem. Komentář [LB55]: Nevím, zda je správně popsané. Pokud se něco kumulativně sčítá, tak to musí růst. Spíš bych zdůraznila, že třeba i po 10 letech po diagnóze je reálné riziko progrese do léčbu vyžadujícího MM. Komentář [LB56]: V praxi se ale tímto mayo modelem neřídí a bez ohledu na rizikovost ten první rok lékaře navštěvují častěji (3-4 měsíce), aby zjistili, zda to onemocnění je stabilně pod kontrolou a mohli ty intervaly v budoucích letech prodloužit. Komentář [LB57]: Tady bych raději komentovala, že frekvence návštěv zavisí na postupu onemocnění, často co 3 měsíce. Komentář [LB58]: Zde bych tu čárku nedávala, ale pokud máš někde v pokynech, že má být, tak ok 11

24 znížené množstvo leukocytov (náchylnosť k infekciám) 1.4. Definície štádií Pacientov, ktorým bol diagnostikovaný MM je potrebné stanoviť štádium mieru závažnosti ochorenia, aby im mohla byť poskytnutá adekvátna liečba. Existuje niekoľko rôznych klasifikácií. Najstarší typ klasifikácie ochorenia je podľa Durieho-Salmona (Durie a Salmon, 1975). Medzi aktuálne najpoužívanejšie rizikové skóre patrí ISS ( International Staging System ) (Greipp et al., 2005). Medzi najnovšie skórovacie systémy patrí R-ISS ( Revised International Staging System ) (Palumbo et al., 2015a), ktorý je rozšírením ISS skórovania. Pre vyhodnotenie celkového stavu pacienta, teda ako veľmi mnohopočetný myelóm zasahuje do aktivít pacienta sa používa ECOG ( Eastern Cooperative Oncology Group ) (Karnofsky a Burchenal, 1949). Pomerne novým skórovacím systémom, ktorý hodnotí viaceré aspekty stavu pacienta a všeobecne opisuje kvalitu života pacienta je skóre podľa IMWG ( International Myeloma Working Group ) (Palumbo et al., 2015b). Všetky definície štádií podľa spomenutých skórovacích systémov sú podrobnejšie opísané v tejto kapitole nižšie. Komentář [LB59]: Nadefinuj si, aby bylo svázáno s následujícím textem, aby ti to před tiskem někde takto nezůstalo na konci strany. Komentář [LB60]: Super odstavec Durie-Salmon skóre Skórovací systém podľa Durie a Salmon, (1975) rozdeľuje štádium ochorenia do základných 3 skupín a následne na ďalšie 2 subštádia. Prehľad definície štádií ukazuje Tabuľka č. 3. Durie-Salmon skórovanie je jedným z prvých definícií štádií mnohopočetného myelómu a v dnešnej dobe sa používa už iba v minimálnej miere. Avšak napriek tomu sa aj v súčasnosti pri diagnóze a zahájeniach línií liečob pacientov skóre uvádza. Tabuľka č. 3: Definícia štádií podľa Durie-Salmon skóre (Durie a Salmon, 1975) Štádium I II III A Definícia koncentrácia hemoglobínu > 100 g/l a koncentrácia vápnika < 3 mmol/l a (bez lytického ložiska alebo normálna kostná štruktúra) a (koncentrácia monoklonálneho imunoglobulínu IgG < 50 g/l alebo koncentrácia monoklonálneho imunoglobulínu IgA < 30 g/l alebo exkrécia ľahkých reťazcov v moči < 4 g za 24 hodín) nie sú splnené podmienky ani prvého ani tretieho štádia (koncentrácia hemoglobínu < 85 g/l alebo koncentrácia vápnika > 3 mmol/l alebo pokročilé postihnutie skeletu s aspoň 3 lytickými ložiskami alebo zlomeniny) a (koncentrácia monoklonálneho imunoglobulínu IgG > 70 g/l alebo koncentrácia monoklonálneho imunoglobulínu IgA > 50 g/l alebo exkrécia ľahkých reťazcov v moči > 12 g za 24 hodín) Subklasifikácia koncentrácia kreatinínu < 177 µmol/l 12

25 B koncentrácia kreatinínu > 177 µmol/l alebo poškodenie funkcie obličiek ISS skóre Štádium ISS I je pacientovi diagnostikované pokiaľ je množstvo β 2 -mikroglobulínu menej ako 3,5 mg/dl (miligram na deciliter) a množstvo albumínov je aspoň 3,5 g/dl (gram na deciliter) (Greipp et al., 2005). Štádium III je diagnostikované pokiaľ je množstvo β 2-mikroglobulínu 5,5 mg/l alebo viac. Štádium II je určené v prípade, že hodnoty nevyhovujú ani jednej z predchádzajúcich možností (Greipp et al., 2005). Tabuľka č. 4 znázorňuje prehľad definície štádií podľa ISS skóre. Tabuľka č. 4: Definícia štádií podľa ISS skóre (Greipp et al., 2005) Štádium Definícia I koncentrácia β 2-mikroglobulínu < 3,5 mg/dl a koncentrácia albumínov 3,5 g/dl II ani štádium ISS 1 a ani štádium ISS 2 III β 2 -mikroglobulínu 5,5 mg/l Komentář [LB61]: Pozor na odsazení od předchozího textu Komentář [LB62]: Nevím, zda by někdo nenamítl, že už je tabulka zbytečná, když je to doslova popsáno v textu. V textu by mohla být pouze jedna věta, že je odvozeno pouze na základě dvou parametrů B2M a albuminu a že klasifikaci pacientů do rizikových skupin popisuje tabulka. Komentář [LB63]: Drž se označení, které máš ve sloupečku vlevo I, II, III R-ISS skóre Skóre R-ISS je novým rozšírením predchádzajúceho ISS skóre o prítomnosť genetických abnormalít (Palumbo et al., 2015a). Štádium R-ISS I je diagnostikované, pokiaľ pacient spĺňa podmienky ISS I (množstvo β 2 -mikroglobulínu < 3,5 mg/dl a množstvo albumínov 3,5 g/dl) a súčasne pacient nie je rizikový z hľadiska genetickej výbavy (pacient je rizikový pokiaľ má abnormality: deléciu del(17p) alebo translokáciu t(4;14) alebo translokáciu t(14;16)), a súčasne je hladina LDH v norme. Štádium R-ISS III je diagnostikované pokiaľ pacient spĺňa podmienky štádia ISS III (množstvo β 2-mikroglobulínu 5,5 mg/l) a súčasne je rizikový z hľadiska genetiky alebo má zvýšené hodnoty LDH. Štádium R-ISS II je určené v prípade, že hodnoty nevyhovujú ani jednej z predchádzajúcich možností (Palumbo et al., 2015a). Tabuľka č. 5 obsahuje prehľadovú definíciu štádií podľa R- ISS skóre. Tabuľka č. 5: Definícia štádií podľa R-ISS skóre (Palumbo et al., 2015a) Štádium I Definícia ISS štádium I a bez del(17p) a bez t(4;14) a bez t(14;16) a LDH v norme II ani štádium R-ISS 1 a ani štádium R-ISS 2 III ISS štádium III a (del(17p) alebo t(4;14) alebo t(14;16) alebo LDH nad normou) Komentář [LB64]: Stejný problém jako u ISS. V textu bych jen komentovala, že je ISS doplněno o vyhodnocení cytogenetického rizika a LDH a odkázala na tabulku. Vzhledem k faktu, že už má soubor 90 stran, by bylo fajn i trochu zredukovat. Komentář [LB65]: Popisovala bych spíše jako vysoké/nízké cytogenetické riziko (popis v textu + pod tabulkou) Komentář [LB66]: Opět se drž značení I, II, III 13

26 Skóre podľa ECOG Hodnotenie ECOG je založené na celkovej fyzickej aktivite postihnutého (Karnofsky a Burchenal, 1949). Škála začína nulou, kde má pacient plnú fyzickú aktivitu bez akéhokoľvek obmedzenia. Hodnoty vychádzajú z Karnofského indexu, kde plná fyzická aktivita bez obmedzenia predstavuje 100 % a postupným zhoršovaním kondície po 10 % sa dostávame k 0 %, čo predstavuje úmrtie (Karnofsky a Burchenal, 1949). Presnú definíciu štádií podľa ECOG uvádza Tabuľka č. 6. Tabuľka č. 6: Definícia štádií podľa ECOG skóre (Karnofsky a Burchenal, 1949) Komentář [LB67]: Super, takto i to ISS a R-ISS Komentář [LB68]: T u tabulek a O u obrázků by mělo být malé (možná počítáš s úpravou před vytištěním). Štádium Definícia plno aktívny, schopný všetkých bežných aktivít bez obmedzenia alebo 0 stav rovnaký ako pred príchodom ochorenia obmedzenie fyzicky náročných aktivít a 1 schopný ľahšej práce (domáce práce, kancelárska práca) a iba ambulantná liečba* mimo lôžko viac než polovicu dňa a schopný starostlivosti o seba a 2 neschopný práce a iba ambulantná liečba* 3 na lôžku viac než polovicu dňa a pri starostlivosti o seba nutná pomoc 4 počas celého dňa na lôžku a výrazná potreba pomoci 5 úmrtie * liečba bez vyčlenenia pacienta z pôvodného prostredia Skóre podľa IMWG IMWG vyvinula robustný systém skórovania, frailty skóre alebo skóre krehkosti pre pacientov myelómu v rozsahu od 0 do 5. Skóre je založené na veku pacienta, komorbiditách pacienta (pridružený výskyt viacerých ťažkostí) a kognitívnej a fyzickej kondícii pacienta (Palumbo et al., 2015b). Kalkulačka so všetkými položkami pre výpočet hodnoty tohto skóre je verejne dostupná na URL 6. Výpočet spočíva na hodnotách troch ďalších subskóre. Prvým je Charlsonovo komorbiditné skóre, ktoré predpovedá 10-ročné prežívanie pacienta prostredníctvom zhodnotenia jeho klinického stavu (AIDS, cerebrovaskulárne ochorenie, chronické obštrukčné pľúcne ochorenie, zlyhanie srdca, ochorenie väzivového tkaniva, demencia, hemiparéza čiastočné ochrnutie, leukémia, malígny lymfóm, infarkt myokardu, ochorenie periférnych ciev, žalúdočné vredy, cukrovka, ochorenie pečene, ochorenie obličiek, malígny nádor) (Charlson et al., 1987). Ďalším skóre vstupujúcim do výpočtu je BADL ( Basic Activities of Daily Living ), ktoré hodnotí vykonávanie bežných denných aktivít človeka ako schopnosť samostatného kúpania sa, obliekania, návštevy toalety, pohybu, kontinencie, stravovania sa (Wallace et al., 2007). Posledným skóre vstupujúcim do výpočtu je IADL ( Instrumental Activities of Daily Living ), ktoré hodnotí vykonávanie obťažnejších denných aktivít ako schopnosť telefonovať, nakupovať, pripravovať stravu, vykonávať domáce práce, prať, Komentář [JJ69]: Je to Ta ne Ten Komentář [LB70]: (výskyt/přítomnost? Komentář [LB71]: Napsala bych jen obecně přítomnost dalších onemocnění = komorbidit 14

27 transportovať sa, zodpovednosť za užívanie liekov a spravovanie financií (Lawton, 1971). Prostredníctvom týchto troch skórovacích systémov tak získame výsledné zlúčené skóre pacienta. Základné tri kategórie IMWG skóre rozdeľujú pacientov do skupín: fit teda jadrný skóre 0, inter-mediate fitness teda stredné fitnes (zdatnosť jedinca) skóre 1. Vyššie skóre spadá do kategórie frail teda krehký. Skóre slúži najmä na predikciu úmrtnosti a rizika toxicity liečby u starších pacientov. Na základe hodnôt skóre sa následne môže rozhodovať o nastavení ďalšej liečby pacientov (Palumbo et al., 2015b). Tabuľka č. 7 zhŕňa definíciu štádií podľa IMWG skóre. Komentář [LB72]: Chybí zde věk Tabuľka č. 7: Definícia štádií podľa IMWG skóre (Palumbo et al., 2015b) Štádium fit jadrný inter-mediate fitness stredné fitnes frail krehký Definícia IMWG skóre 0 (podľa Charlsonovho komorbiditného skóre a BADL a IADL) IMWG skóre 1 (podľa Charlsonovho komorbiditného skóre a BADL a IADL) IMWG skóre 2 (podľa Charlsonovho komorbiditného skóre a BADL a IADL) Komentář [LB73]: Raději bych nepřekládala a ponechala pouze anglické názvy Komentář [LB74]: Popisky jsou pro každou skupinu shodné. Z textu ani tabulky není jasné, jak se spočítá Liečba Liečba MM spočíva v dvoch smeroch: protinádorová liečba, ktorá sa snaží zničiť čo najväčšie množstvo nádorových buniek a podporná terapia, ktorej cieľom je liečba príznakov (napríklad bránenie odvápňovaniu kostí alebo lieky proti bolesti). Protinádorová liečba môže byť rádioterapia teda ožarovanie nádoru, alebo chemoterapia teda vpravovanie liečiv do organizmu (URL 7). Rádioterapia je liečba, ktorá využíva vysoko energetické lúče žiarenia, ktoré sú zamerané na rakovinové tkanivá. Žiarenie rakovinové bunky zabíja alebo zastavuje ich delenie. Pri myelóme sa rádioterapia používa predovšetkým na liečbu závažných lokalizovaných problémov. Napríklad na liečbu silnej bolesti a/alebo tlaku na nervy v dôsledku poškodenia chrbtice kvôli nahromadeniu myelómových buniek v kostiach stavcov. Chemoterapia je liečba, ktorá využíva schopnosť protinádorových liečiv zabiť rakovinové bunky alebo zastaviť ich množenie. Cytostatiká sú lieky, ktoré zasahujú priamo do cyklu bunečného delenia a zabraňujú tak ďalšiemu množeniu abnormálnych buniek. Pri liečbe vysokými dávkami liekov môže dôjsť k poškodeniu kostnej drene (URL 8URL 8URL 8URL 7). Myelóm môže byť liečený chemoterapeutikami vo forme tabliet alebo injekcií. Presná kombinácia liečiv závisí od rôznych faktorov, napríklad závažnosti myelómu, presného typu, prípadného poškodenia obličiek, veku a celkového zdravotného stavu. Jednotlivé druhy liečby (chemoterapia a rádioterapia) sa môžu kombinovať, ale dochádza pri nich k zasiahnutiu veľkého množstva zdravých buniek a toxicite liečby. Často sa teda objavujú vedľajšie účinky liečby ako nefunkčnosť krvotvorby anémia, infekcie, poškodenie slizníc, bolesti, nechutenstvo (URL 7). Komentář [LB75]: S tímto mám pořád radikální problém a prosím o opravu. Měla by tu zde být zmínka o nových lécích (na chemoterepii stála léčba MM ve 20. století). Koukni na jiné (věrohodnější) zdroje (i na stránkách CMG najdeš dostatečné informace nebo na Bohužel léčba MM na Slovensku je ve srovnání s ostatními státy dost pozadu. V úvodu kapitoly k léčbě bych očekávala (hlavně i díky tvé zkušenosti s analýzou dat na RMG), že tu bude popsáno, že základem jsou nové léky v kombinaci s chemoterapeutickými látkami/kortikosteroidy (=hormonální léčbou) a pokud je možno, s následnou autologní transplantací. Na prvním místě by měly být PI a IMiD, pak až chemo, kortikosteroridy, radioterapie, AT atd. 15

28 Liečba mnohopočetného myelómu prebieha hlavne použitím liečiv ako napríklad Lenalidomid, Bortezomib, Talidomid, Karfilzomib, Pomalidomid, Ixazomib, Daratumumab, Dexametazón, Prednison, Cyklofosfamid, Melfalán, Doxorubicín, Idarubicín, Vinkristín, Etoposid, Bendamustín a ďalšie. Podané liečivá môžu byť originálne liečivá alebo generiká. Generiká sú v podstate liečivá, ktorým vypršala patentová ochrana. Sú teda vyrábané ako kópie originálnych liečiv iným výrobcom, než je držiteľ pôvodného patentu. Naopak liečivo, ktoré je uvedené na trh ako prvé svojho druhu (obvykle výrobcom, ktorý ho vyvinul), je nazývané inovatívne (či originálne). V zásade existuje pre jednu liečivú látku vždy iba jeden originálny preparát a naopak niekedy aj desiatky generických alternatív. Hlavným dôvodom vzniku generík je snaha sprístupniť tieto liečivá aj chudobnejším krajinám (Mayer, 2012). Dôležitým míľnikom v liečbe MM v ČR je postupné zavedenie nových liečiv v od roku 2007 medzi ktoré patria cielené terapie liečivami Bortezomib, Karfilzomib a Ixazomib a biologické terapie liečivami Lenalidomid, Talidomid a Pomalidomid. Cielené terapie sa sústreďujú na špecifické abnormality nádorových buniek, ktoré im umožňujú prežívať. Liečba teda blokuje aktivitu nádorových buniek, ktorá rozkladá proteíny zabezpečujúce odumretie abnormálnych buniek. Biologická liečba zase využíva imunitný systém v boji proti nádorovým bunkám a podnieti ho tieto poškodené bunky napadnúť. Vo vysokej miere sa podávajú aj kortikosteroidy ako Dexametazón a Prednison, ktoré zase regulujú aktivitu imunitného systému. Dôležitým liečebným postupom je transplantácia kostnej drene, ktorá sa aplikuje predovšetkým v prvých fázach liečenia, avšak môže sa aplikovať aj opakovane. Pokiaľ to zdravotný stav pacienta umožňuje, je pacientom vždy poskytnutá transplantácia, pretože výrazne zlepšuje prežívanie pacientov. Avšak v niektorých prípadoch, ako napríklad starším pacientom (v ČR nad 70 rokov) alebo pacientom s nepriaznivými prognostickými charakteristikami, transplantácia kvôli riziku komplikácie nemôže byť poskytnutá. Základným princípom liečby je aplikácia indukčného režimu, ktorý sa môže podávať vnútro-žilne alebo mimo-žilne. Indukčný režim je kombinácia účinných liekov, pričom v kombinácii môžu byť jedno či viac liečiv. Pri výbere indukčného režimu je dôležité prihliadnuť na prognostické faktory. V Českej republike je v prvej línii liečby najčastejšie podávaná kombinácia s Bortezomibom, v druhej línii kombinácie s Lenalidomidom, a vo vyšších líniách (pokročilejšej fáze ochorenia) sa aplikujú ďalšie nové lieky ako Pomalidomid, Karfilzomib a Daratumumab (Purkyně, 2009). Pri pacientoch bez transplantácie je za najúčinnejší režim považovaná kombinácia BMP respektíve VMP (Bortezomib respektíve Velcade, Melfalan, Prednison) (Kumar et al., 2017). Dôležité je takisto definovať krehkých pacientov ( frailty patients ). Táto krehkosť je daná biologickým vekom, komorbiditami a celkovým klinickým stavom pacienta ako je definované v kapitole Pre netransplantovaných krehkých pacientov sú odporučené nízko dávkované režimy s cieľom kontroly ochorenia. Pre ďalšie línie terapie môžeme zvoliť podľa rýchlosti nástupu relapsu iné liečivo (prevažne väčšina prípadov) alebo opakovať predchádzajúcu liečbu pokiaľ na ňu pacient dobre reagoval. Voľbu ovplyvňuje aj znášanlivosť predchádzajúcej liečby (refrakterita), rozvoj prípadných dlhodobých nežiadúcich účinkov a takisto faktor cena/prínos. Pri súčasne dostupnom spektre liekov a liečebných postupov, avšak pri vedomí toho, že stále u väčšiny pacientov dochádza k návratu choroby, je potrebné už od začiatku plánovať stratégiu viacerých liečebných línií. Komentář [LB76]: Mohlo by být uvedeno, že generikum má název dle léčivé látky. Ve všech analýzách jsme přece psali s malým, už jsem minule komentovala, takže doufám, že není prostor na nesouhlas. Je potřeba opravit všude v textu. Název generikum je odvozen z pojmu generický název, což je jednotné (mezinárodně dorozumění umožňující) označení léčivé látky povinně uvedené na každém balení libovolného léku či v jeho příbalové informaci, a to malými písmeny. (Mayer) Komentář [LB77]: Toto ideálně v odstavcích PI, IMiD, chemo, kortikosteroidy, atd. Obecně by mohl být popsán účinek. Komentář [LB78]: super Komentář [LB79]: Jak zmiňuji výše, raději bych popisovala po odstavcích. Výše už léky zmiňuješ, pak přejdeš ke generikům, pak se k tomu zase vracíš, je to trochu zmatené. Komentář [LB80]: Musí být citace klidně ta klinická onkologie Komentář [LB81]: Tímto bych začala celou kapitolu, je v tom trochu chaos indukce léky v indukci, AT, konsolidace, udržovací léčba, volba léčby Komentář [LB82]: Takto nepopisuj, jen VMP a do závorky můžeš dát dle originálního názvu léčiva Velcade + Melfalan + Prednison 16

29 17

30 Zavedeným liečebným postupom je aj konsolidácia, teda následná liečba po primárnej liečbe s cieľom zvýšenia hĺbky odpovede pacienta. Takisto môže byť aplikovaná aj udržiavacia liečba, ktorá má viesť k dlhodobej kontrole ochorenia, kedy je liek podávaný v nízkych dávkach najčastejšie až do progresie ochorenia. Aplikovanými liečivami je najčastejšie Talidomid (v ČR vyrábaný pod názvom Thalidomid ) alebo Lenalidomid, v prvých líniách liečby Bortezomib občas kombinovaný s Talidomidom (Kumar et al., 2017). Podporná terapia môže prebiehať prostredníctvom liečiv ako antibiotiká (usmrcovanie mikroorganizmov), virostatiká (účinok proti vírusom), antipyretiká (zníženie horúčky) alebo analgetiká (proti bolesti). Prípadne sa podávajú aj bifosfonáty na posilnenie kostí a erytropoetín, ktorý prispieva k zvýšeniu počtu červených krviniek. Často sa aplikujú aj krvné transfúzie a dialýza obličiek (URL 8URL 7). Dôležitou súčasťou liečby je aj rehabilitácia, teda podporné cvičenie určené na pozitívne ovplyvnenie stavu kostí a svalstva (Adam et al., 2014). Úspešnosť liečby sa hodnotí podľa stupňa dosiahnutej liečebnej odpovede. Hodnotí sa teda liečebná odpoveď pacienta, a to prostredníctvom maximálnej dosiahnutej liečebnej odpovede počas liečby a finálnej liečebnej odpovede po ukončení liečby pacienta. Tabuľka č. 8Tabuľka č. 8Tabuľka č. 8 zobrazuje definície liečebných odpovedí pacientov podľa klinických ukazovateľov (Fernández de Larrea et al., 2013), (AIHW, 2012). Pričom rozlišujeme 7 rôznych kategórií liečebnej odpovede stanovených na základe klinických ukazovateľov pacienta. Za najlepšiu liečebnú odpoveď sa považuje scr a naopak za najhoršiu zase PD kedy už hovoríme o opätovnom návrate ochorenia. Tabuľka č. 8: Typy liečebnej odpovede podľa klinických ukazovateľov Komentář [LB83]: Stále chybí citace. Skratka Vysvetlenie Klinické ukazovatele scr stringent Complete Response kritéria CR a normálne hodnoty FLC a bez klonálnych plazmocytov CR Complete Response bez M-proteínu v krvi a < 5 % klonálnych plazmocytov VGPR Very Good Partial Response aspoň 90 % zníženie množstva M-proteínu v krvi PR MR Partial Response Minimal Response aspoň 50 % zníženie množstva M-proteínu v krvi a viac ako 90 % zníženie množstva ľahkých reťazcov 25 % až 29 % zníženie množstva M-proteínu v krvi a 50 % až 89 % zníženie množstva ľahkých reťazcov SD Stable Disease menej ako 25 % zníženie M-proteínu v krvi PD Progressive Disease rovnaké alebo zhoršené ukazovatele 18

31 Takisto je dôležitým faktorom aj doba, počas ktorej bol pacient z hľadiska ochorenia v dobrom stave. Na toto zhodnotenie slúžia liečebné intervaly. Medzi základné hodnotené časové obdobia z hľadiska zmeny stavu pacienta zapríčinením ochorenia patria: Komentář [LB84]: Mohlo by být uvedeno, že slouží k vyhodnocení dlouhodobého efektu léčby OS Overall Survival teda celkové prežívanie: čas od zahájenia liečby prípadne od diagnózy ochorenia do úmrtia TTP Time To Progression teda čas do progresie: čas od zahájenia liečby do progresie alebo úmrtia na progresiu PFS Progression Free Survival teda prežívanie bez progresie: čas od zahájenia liečby do progresie alebo úmrtia DOR Duration Of Response teda doba trvania odpovede na liečbu: čas od pacientovej odpovede na liečbu (alespoň PR) do progresie alebo úmrtia na progresiu TTNT Time To Next Treatment teda čas do nasledujúcej liečby: čas od zahájenia jednej liečby do zahájenia ďalšej liečby Pričom pokiaľ sa u pacienta nevyskytla príslušná udalosť, pacient je v analýze přežití cenzorovaný k poslednému dátumu hodnotenia (Kumar et al., 2017). 19

32 2. Štatistické metódy spracovania Dátový súbor, s ktorým pracujeme v rámci diplomovej práce obsahuje závislé pozorovania s rekurentnými udalosťami (udalosti opakujúce sa v čase). Pacientovi je diagnostikované ochorenie MM a následne je zahájená prvá línia liečby. Avšak aj napriek dosiahnutiu remisie po prvej línii liečby sa ochorenie môže vrátiť, kedy je zahájená nová línia liečby, čo už predstavuje rekurentnú udalosť. Jeden pacient má teda v dátovom súbore viacero záznamov, a teda dáta nie sú nezávislé. V dátach existuje závislosť medzi zahájenými líniami liečby jednotlivých pacientov. Na základe vstupných charakteristík pacientov (vek pacienta, ECOG status, ISS štádium, výskyt komorbidít, genetický profil,...) môže jeden pacient s agresívnym ochorením v priebehu dvoch rokov zahájiť viac liečebných línií, u ktorých doba medzi jednotlivými líniami liečby bude veľmi krátka. Naopak iný pacient môže byť po prvej línii liečby stále bez zahájenia ďalšej línie liečby iba pod dohľadom lekárov, aby bol dostatočne skoro zachytený prípadný relaps/progresia ochorenia. Teda priebeh ochorenia sa môže medzi pacientami veľmi líšiť a okrem základných charakteristík pacientov je významne ovplyvnený aj podanou liečbou. Súčasné analýzy sa obmedzujú na využitie Coxovho regresného modelu proporcionálnych rizík (Hanagal, 2015), ktorý zvažuje všetky línie vstupujúce do analýzy ako nezávislé pozorovania. Coxov regresný model proporcionálnych rizík, je model, ktorý pomocou charakteristík pacientov odhadne strednú hodnotu očakávanej doby prežitia u nového pacienta. Pre modelovanie korelovaných dát prežívania existujú Frailty modely. Princípom týchto modelov je, že pracujú s efektom náchylnosti predstavujúcim náhodný vplyv, ktorý nie je zachytený v dátach. Niektorí jedinci totiž môžu byť viac či menej náchylní na vznik rekurentnej udalosti v závislosti na ich individuálnych charakteristikách. Opakované výskyty udalosti u pacienta teda môžu byť korelované, a preto má zmysel uvažovať celkové riziko ich vzniku. Modely sú rozšírením Coxovho regresného modelu (Hanagal, 2015). Okrem rekurentných udalostí treba takisto v modeli zvážiť aj nastátie kompetitívnej udalosti, úmrtia, ktoré je však terminálnou udalosťou. Nastátie tejto udalosti môže byť opäť ovplyvnené jednotlivými charakteristikami pacienta, avšak aj rekurenciami pacienta, a teda má zmysel nastátie tejto udalosti uvažovať v rámci jedného spoločného modelu. Shared frailty modely pracujú s rekurentnými udalosťami v čase a Joint frailty modely okrem rekurentných udalostí uvažujú pri výpočte aj terminálnu udalosť. Komentář [LB85]: Popsala bych zde obecně většina onemocnění má takový průběh, tak ať v tom čtenář vidí inspiraci pro svou analýzu. Komentář [LB86]: Napsala bych obráceně v datech více záznamů pochází od jednoho pacienta a proto data nejsou nezávislá Komentář [LB87]: Musí být specifikováno jaké (tj. Ty analýzy, kdy hledáme rizikové faktory, které nás upozorní na brzký relaps/progresi onemocnění nebo úmrtí pacienta). Komentář [LB88]: Musí být doplněno, že do analýzy tedy může pacient vstupovat pouze jednou, pro vybranou linii léčby. Komentář [LB89]: Minule jsem komentovala, správně je: Coxov model proporcionálnych rizík 2.1. Shared frailty model Shared frailty modely alebo modely so zdieľanou náchylnosťou sa využívajú v prípadoch, kedy sú jednotlivé pozorovania roztriedené do skupín. Tieto skupiny majú rovnaký spoločný znak, napríklad opakované pozorovania toho istého pacienta. Teda skupinu tvoria opakujúce sa udalosti u pacienta, opätovné navrátenie ochorenia. Línia liečby (n-tá) sa skladá zo všetkých pozorovaní pacientov, ktorí sa nachádzajú v príslušnej n-tej línii liečby. Predpokladom modelu je, že pacient má náchylnosť, ktorú predpokladáme v čase á je v čase konštantnúkonštantní, a ktorá sa premieta do pravdepodobnosti výskytu rekurentnej udalosti. Pre i-tého pacienta (i = 1,..., G) a j-tú opakujúcu sa udalosť (j = 1,..., n i ) označme T ij Komentář [LB90]: Divná formulace má to znamenat, že u pacienta v 5. linii model pracuje s pěti pozorováními? 20

33 ako dobu do udalosti a C ij ako dobu do cenzorovania pacientov sprava (teda doba do posledného pozorovania pacienta bez udalosti) a L ij ako dobu začatia sledovania pacientov zľava (teda čas zahájenia línie liečby). Pozorovanie Y ij je rovné minimu z hodnôt T ij a C ij a indikátor cenzorovania je. Čas opakujúcich sa udalostí pri tomto modeli môže byť orezaný zľava (už prebehla rekurencia pred časom štúdie) a takisto sprava cenzorovaný (pacient vypadol zo štúdie, napríklad úmrtie). Základná riziková funkcia 1 (λ) i-tého pacienta pre j-tú líniu liečby má tvar: (2.1) Komentář [LB91]: Opakovaná připomínka popisuješ L, které nikde do vzorců nevstupuje. Komentář [JJ92]: Divne zarovnani kde je základná riziková funkcia spoločná pre všetkých pacientov vychádzajúca z princípu Coxovho regresného modelu, je vektor pozorovaní charakteristík pacienta, β je vektor regresných koeficientov 2, je náhodný efekt prislúchajúci i-tému pacientovi a t je čas (Rondeau et al., 2012). Náhodné efekty sú nezávislo na sebe rovnako rozložené z gamma rozdelenia so strednou hodnotou 1 a rozptylom. Potom je marginálna logaritmická vierohodnostná funkcia 3 modelu v tvare: Komentář [LB93]: Nemělo by spíš být u popisu lambda? Že je to riziko v čase t? (2.2) kde = ( ), kumulatívna základná riziková funkcia je a počet rekurentných udalostí je (Klein, 1992). Komentář [LB94]: Ta čárka by ale měla být za vzorcem, nemůže se smazat všude. Základná riziková funkcia založená na Coxovom regresnom modeli vyjadruje intenzitu výskytu sledovanej udalosti v čase t za podmienky, že subjekt prežil do času t a dá sa vyjadriť v tvare: (2.3) Komentář [LB95]: Nemělo by být toto jako první vzorec? kde T je doba prežívania pacientov (doba od zahájenia línie liečby do udalosti, prípadne do stratenia zo sledovania), t je čas a je zmena času (Gellar et al., 2015). Jej hladký priebeh je v rámci modelu odhadovaný pomocou metódy aproximácie preložením krivkami. Jedná sa teda o numerickú metódu, kde je polynomiálna funkcia definovaná po intervaloch tak, aby bola dostatočne jemná, dobre reprezentovala cieľovú krivku 1 funkcia opisujúca rizikovosť subjektu z hľadiska nastátia udalosti 2 vyjadruje o koľko merných jednotiek sa zmení závislá premenná pri zmene nezávislej premennej o jednu mernú jednotku 3 výpočtová prediktívna funkcia modelu zostavená na základe pozorovaných parametrov 21

34 na hraniciach intervalov a bola pokiaľ možno spojitá poprípade aj derivovateľná (Rondeau et al., 2006) Joint frailty model Pozorovania opakujúcich sa udalostí v čase môžu byť ukončené stratením pacienta zo sledovania, ukončením štúdie alebo úmrtím. Avšak tterminálna udalosť úmrtie býva veľmi často korelovaná s opakujúcimi sa udalosťami v čase, a preto uvažovanie o úmrtí ako o neinformatívnom cenzorovaní nie je správne. Joint frailty model alebo model so združenou náchylnosťou umožňuje sledovať spojenie týchto dvoch udalostí (opakujúcej sa a terminálnej) v čase. Modeluje teda súčasne dva modely prežívania s tým, že úmrtie považuje za informatívne pozorovanie, respektíve kompetitívnu udalosť k rekurentnej udalosti (Rondeau et al., 2006). Uvažujme spoločnú zložku náchylnosti pre obidve udalosti predstavujúcu heterogenitu v dátach nepozorovateľnú zložku z dát. Opäť predpokladajme, že náhodné efekty sú nezávisle na sebe rovnako rozložené z gamma rozdelenia so strednou hodnotou hodnotou 1 1 a rozptylom. Náchylnosť pre rekurentnú udalosť je a pre terminálnu udalosť je. Parametre a predstavujú závislosť náhodných efektov medzi procesom rekurentných udalostí T ij a terminálnym procesom = min (C i, D i). Pokiaľ je hodnota nulová, znamená to, že závislosť náhodných efektov T ij a je plne vysvetliteľná pozorovanými parametrami. Pokiaľ je nulová, znamená to, že T ij a sú nezávislé a parameter je neinterpretovateľný. Keď sú však obidva parametre nenulové, potom predstavuje koreláciu medzi opakujúcimi sa udalosťami a terminálnou udalosťou pacienta. Pokiaľ je = 1, tak náhodný efekt je pre obidve udalosti rovnaký a pokiaľ je > 0, tak sú udalosti kladne korelované (Rondeau et al., 2016). To znamená, že efekt nepozorovateľný v dátach zosilňuje alebo zoslabuje riziko relapsu/progresie aj úmrtia. Závislosť medzi rekurentnými udalosťami však nevieme určiť (Mazroui et al., 2012). Pre j-tú udalosť (j = 1,..., n i) i-tého pacienta (i = 1,..., G) označme T ij čas do rekurentnej udalosti, C i doba do cenzorovania pacientov sprava a D i čas do úmrtia. Pozorovanie Y ij je rovné minimu z hodnôt T ij, C i a D i, pričom indikátor cenzorovania je. Čas posledného sledovania je = min (C i, D i ) a je indikátor úmrtia. Potom systém základných rizikových funkcií modelu je v tvare: (2.4) Komentář [LB96]: Avšak se používá, když vyvracím myšlenku předešlé věty, zde nemá smysl. Komentář [LB97]: Terminální událostí? Komentář [JJ98]: Nema tu byt 0, to by prece mela byt kladna korelace jak to jde dohromady s nahodnym efektem? Komentář [LB99]: Jou nějaké limity alfa? Možná by prvně mělo být alfa>0 a pak alfa=1, pokud je 1 maximum. Komentář [LB100]: Nedalo by se interpretovat, že např. S rostoucím počtem rekurencí je vyšší riziko úmrtí? Nebo co to znamená závislost událostí? U obou kapitol by mohl být na závěr krátký odstaveček se shrnutím, který i laikovi řekne, k čemu modely jsou, co do nich vstupuje, jaký je jejich výstup a možná klinická interpretace. Oponent bude lékař, tak ať pobere, co vlastně ty modely počítají. kde (respektíve ) je základná riziková funkcia rekurentných udalostí (terminálnej udalosti), β 1 (respektíve β 2) sú regresné koeficienty asociované s pozorovaniami (respektíve ) a. Teda marginálna logaritmická vierohodnostná funkcia modelu je v tvare: 22

35 (2.5) kde = ( ) pričom β = (β 1, β 2 ), a. Kumulatívna základná riziková funkcia je pre rekurentné udalosti a pre i-tého pacienta (Rondeau et al., 2012). pre terminálnu udalosť, respektíve je celkový počet rekurentných udalostí Voľba rizikových funkcií modelu Joint frailty model pracuje s dvomi rizikovými funkciami, ktorých implementáciu v softvéri R budeme v rámci diplomovej práce používať. Model nám umožňuje pracovať s jedným alebo dvomi náhodnými efektami, ktoré odzrkadľujú náchylnosť pacientov nepozorovanú v dátach. Keďže liečba poskytnutá pacientom môže mať iný vplyv na riziko vzniku ďalšej rekurentnej udalosti ako na riziko úmrtia, budeme pracovať s dvomi náchylnosťami v rovniciach (Mazroui et al., 2012). Označme náchylnosť u i ako určujúcu závislosť medzi rekurentnými udalosťami a náchylnosť v i ako určujúcu závislosť medzi rekurentnými udalosťami a terminálnou udalosťou. Obdive tieto náchylnosti sú nezávislé a majú gama rozloženie podľa (2.6) (Mazroui et al., 2012): E(v i ) = E(u i ) = 1, var(v i ) = θ, var(u i ) = η (2.6) potom pre rekurentné udalosti pracujeme s rizikovou funkciou: (2.7) a pre terminálnu udalosť pracujeme s rizikovou funkciou: (2.8) kde u i a v i sú náchylnosti i-tého pacienta, a sú opäť základné rizikové funkcie spoločné pre všetkých pacientov vychádzajúce z princípu Coxovho regresného modelu (Gellar et al., 2015), β 1 a β 2 sú regresné koeficienty a je vektor charakteristík i- tého pacienta v j-tej udalosti ( je vektor charakteristík pre i-tého pacienta v terminálnej udalosti). 23

36 Veľkosť rozptylu eta (η) predstavuje závislosť medzi rekurentnými udalosťami a veľkosť rozptylu theta (θ) predstavuje závislosť medzi rekurentnými udalosťami a terminálnom udalosťou. Vysoké hodnoty veľkosti η znamenajú, že rekurentné udalosti sú na sebe závislé. Naopak hodnoty blízke nule znamenajú, že tu nie je závislosť medzi rekurentnými udalosťami. Rovnako pre rozptyl θ, znamená jeho vysoká hodnota znamená koreláciu medzi rekurentnými udalosťami a terminálnou udalosťou a nulová hodnota značí, že tu neexistuje závislosť medzi rekurenciami a terminálnou udalosťou (Król et al., 2017). Pokiaľ budeme pracovať s časom uplynulým od začiatku sledovania pacienta do zahájenia príslušnej línie a s časom uplynulým od začiatku sledovania pacienta do konca príslušnej línie, a nie iba s časom medzi jednotlivými udalosťami, budú rizikové funkcie v tvare: Komentář [LB101]: Klára chtěla doplnit míru závislosti tím určitě nic nezkazíš, než tvrdit, že rozptyl = závislost úmrtie rekurentná udalosť (2.9) Komentář [LB102]: Držela bych se termimnologie a napsala terminální událost kde čas t, predstavujúci dobu od nastátia rekurentnej udalosti je v rovnici nahradený dobou medzi prechádzajúcou a aktuálnou udalosťou. Označme ako počet rekurentných udalostí pre i z intervalu (0, t], i = 1,, G. Je zrejmé, že kvôli cenzorovaniu nemôžeme pozorovať, ale pozorujeme iba, čo predstavuje pozorovaný počet rekurentných udalostí. teda predstavuje počet pozorovaných rekurentných udalostí do času t (mimo čas t). Finálne je čas nastátia poslednej pozorovanej rekurentnej udalosti pred časom t. Všimnime si tiež, že náchylnosti, vektory charakteristík a čas S ij = T ij T i(j - 1) sú na sebe nezávislé, pričom T i0 = 0 (Mazroui et al., 2012). Na základe týchto poznatkov môžeme konštatovať, že modelu pracujúcemu iba so sledovaním nezáleží na poradí línií ale iba ich dĺžke. Naopak výsledky modelu pracujúceho s časovom známkou môžeme naviac interpretovať tak, že nenulové hodnoty rozptylu η predstavujú, že čas medzi dvomi za sebou idúcimi rekurentnými udalosťami (relapsami/progresiami) závisí na čase medzi predchádzajúcimi rekurentnými udalosťami. Teda pracujeme s hypotézou, že sa mení riziko vzniku udalosti na základe vstupných parametrov. Toto pozorovanie pri modeli iba s časom medzi rekurentnými udalosťami nie je možné usúdiť (Duchateau et al., 2003). Teda testovaná hypotéza je, že sa mení čas medzi udalosťami na základe vstupných parametrov. Rizikové funkcie Joint frailty modelu sú odhadnuté prostredníctvom aproximácie polynomiálnymi funkciami, pričom ideálnym výsledkom je hladký priebeh týchto rizikových funkcií. Komentář [LB103]: Dala bych sem ty tabulky, jak jsi měla v prezentaci. Z tohoto textu asi nikdo moc nepochopí. Ideálně vysvětlovat na příkladech. 24

37 3. Opis dátového súboru Dátový súbor pochádza z Registra monoklonálnych gamapatií RMG ( Register of Monoclonal Gammaphaties ) (URL 9). Tento register vznikol pod záštitou Českej myelómovej skupiny CMG ( Czech Myeloma Group ) v roku Chod registra zabezpečuje Inštitút Bioštatistiky bioštatistiky a Analýz analýz, s.r.o. (dále IBA) (Obrázok č. 4). Register je určený na zber klinických dát týkajúcich sa diagnózy, liečby, výsledkov liečby a prežívania pacientov s monoklonálnymi gamapatiami starších ako 18 rokov. V registri sú zbierané dáta pacientov s monoklonálnymi gamapatiami nejasného významu (MGUS), Waldenströmovou makroglobulinémiou (WM), mnohopočetným myelómom (MM) a primárnou AL ( Amyloid Light-chain ) amyloidózou. V súčasnej dobe do registra prispieva 19 českých a 4 slovenské centrá. Evidovaných je viac než pacientov s MM, takmer pacientov s MGUS, 170 pacientov s WM a 26 pacientov s primárnou AL amyloidózou. Register teda disponuje s viac než pacientami s monoklonálnymi gamapatiami (Brozova et al., 2017). Komentář [LB104]: již jsme buďto LF nebo s.r.o. RMG teď běží pod s.r.o., tedy správně takto: Institut biostatistiky a analýz, s.r.o. a logo vlevo nahoře. Komentář [LB105]: Mělo by být uvedeno k jakému datu. Obrázok č. 4: Logo CMG, RMG a IBA V rámci analýzy pracujeme s údajmi pacientov (pacienti, ktorí spĺňajú vstupné kritéria do analýzy) zo zdravotných centier v Českej republike. Dátum exportu dát je Obrázok č. 5 znázorňuje zastúpenie pacientov zo 16 zúčastnených centier v dátovom súbore. Najviac pacientov bolo liečených vo Fakultnej nemocnici v Brne, potom vo Všeobecnej fakultnej nemocnici v Prahe, vo Fakultnej nemocnici v Hradci Králové a vo Fakultnej nemocnici v Olomouci. Komentář [LB106]: Doplnila bych raději ještě, že zástupci všech center odsouhlasili poskytnutí dat k analýze. 25

38 Obrázok č. 5: Počet pacientov podľa centier Definícia cieľových parametrov: Dátový súbor obsahuje liečebné línie pacientov, ktoré predstavujú rekurentné udalosti ochorenia mnohopočetného myelómu. Štartovací bod je zahájenie línie liečby pacienta s diagnózou MM. Udalosť predstavuje zahájenie ďalšej, nasledujúcej línie liečby. Pacientovi sa mohlo toto ochorenie viackrát vrátiť a každá ďalšia nová zahájená línia liečby reprezentuje rekurenciu. Jedna línia liečby predstavuje jeden riadok v dátovom súbore a keďže sa jeden pacient môže vyskytovať vo viacerých riadkoch (línie liečby) dáta nie sú nezávislé (Obrázok č. 6). Cieľom je pracovať s dátovým súborom na úrovni pacienta a nie na úrovni línie liečby. To znamená, zohľadniť závislosť jednotlivých pozorovaní. Komentář [LB107]: Toto bych přesunula do metodiky. Komentář [LB108]: V zadání je uvedeno, že se má hodnotit progrese onemocnění, takže bych při první zmínce čekala diskuzi, proč tomu tak není. Proto bych toto přesunula do té metodiky. Komentář [LB109]: Zase bych otočila díky tomu, že více linii je asociováno s jedním pacientem, pozorování nejsou nezávislá. Pacient Primoterapia 2. línia 3. línia n. línia Obrázok č. 6: Štruktúra dát Základné parametre v dátach sú demografické ukazovatele ako vek (dátum narodenia), pohlavie a takisto genetické vyšetrenie pacientov. Ďalej sú v dátach klinické ukazovatele a to najprv získané pri diagnóze (tieto údaje sú rovnaké v každej liečebnej línii pacienta), a potom tieto isté klinické parametre získané pri zahájení príslušnej línie liečby (hodnoty sú v rámci línií liečob jedného pacienta unikátne) ako tedy napríklad množstvo trombocytov je hodnoceno v čase diagnózy a dále při zahájení každé léčebné linie, albumínov, hemoglobínu a mnohé ďalšie. Takisto je uvedené štádium ochorenia podľa troch rôznych klasifikácií (Durie-Salmon, ECOG, ISS). Ďalšími parametrami sú údaje o poskytnutej liečbe. Medzi najdôležitejšie patria druh podaného liečiva, respektíve kombinácie liečiv (liečebný režim) a poskytnutie transplantácie. Takisto v dátach nechýba uvedená liečebná odpoveď na poskytnutú liečbu a toxicita liečby. V poslednom bode sú v dátach údaje dôležité z hľadiska sledovania pacientov v čase, a to okrem už spomenutého dátumu narodenia, dátum diagnózy, dátum zahájenia a ukončenia línie liečby, dátumu genetického vyšetrenia, dátum poskytnutia transplantácie pokiaľ bola aplikovaná, dátum parciálnej a maximálnej odpovede na liečbu, dátum poslednej kontroly, dátum relapsu/progresie a prípadne dátum úmrtia. Dáta obsahujú aj informácie o konsolidačnej a udržiavacej liečby, avšak tieto nie sú v rámci analýzy hodnotené. Dokopy teda skrátený export dát, s ktorým pracujeme v rámci diplomovej práce obsahuje 193 premenných, pričom kompletný výpis zbieraných parametrov v RMG je na stránke URL 10. Komentář [LB110]: V čase diagnózy MM Komentář [LB111]: Zmiňuješ dvakrát (už máš komentováno v závorce), už jsem komentovala minule Komentář [LB112]: Zde by se hodila bohatější interpretace k vyhodnocení úspěšnosti léčby. Obecně než jen vypisovat parametry by mohlo být více komentováno v celém odstavci parametry při zahájení léčby jsou sbírány, abychom věděli, v jakém stavu pacient zahajuje léčbu, pak charakteristiky týkající se léčby typ režimu, dávky, AT, a pak parametry pro vyhodnocení úspěšnosti léčby léčebná odpověď, léčebné intervaly, bezpečnost léčby toxicita. 26

39 Charakteristiky pacientov, ktoré budeme analyzovať teda môžeme rozdeliť do 3 hlavných bodov ako zobrazuje Obrázok č. 7: 1. diagnóza demografické a biochemické parametre spolu s typom ľahkých a ťažkých reťazcov M-proteínu, prítomnosť osteolytických ložisiek, prítomnosť extramedulárnych ložisiek, cytológia a histológia kostnej drene, štádium ochorenia a cytogenetika (translokácie: t(4;14), t(14;16), t(11;14), t(6;14); delécie: 13(q14), 17(p13); inzercia 1q21 a hyperdiploidia) Komentář [LB113]: Nevím, zda zas někdo nenamítne, že text přesně odpovídá tomu diagramu. V bodech 1., 2., 3. bych se více rozepsala (sloučila bych to i s textem na předešlé stránce je to zbytečně roztahané) a pod tím nechala ten diagram. Naformátováno: Angličtina (USA) 2. línie liečby okrem cytogenetiky sa hodnotia tie isté parametre ako pri diagnóze a pridané sú údaje k poskytnutej liečbe, jej úspešnosti, teda liečebnej odpovedi a toxicite liečby, súčasťou sú aj časové údaje pre vyhodnotenie liečebných intervalov 3. stav pacienta informácie o čase posledného sledovania pacienta, o počte liečebných línií pacienta, teda o relapsoch/progresiách, dôvode zahájenia línií liečob, informácie o prípadnom úmrtí pacienta, či je pacientovi aktuálne podávaná liečba a takisto časové údaje potrebné pre výpočet liečebných intervalov Komentář [LB114]: Toto patří k bodu 2. Komentář [LB115]: Jen OS, jinak jsou parametry spíše asociované s linií. diagnóza n-tá línia liečby stav pacienta demografia (pohlavie, vek) biochémia M-proteín (ťažké a ľahké reťazce) osteolytické ložiská extramedulárne ložiská cytológia kostnej drene histológia kostnej drene štádium ochorenia cytogenetika parametre ako pri diagnóze (okrem cytogenetiky) transplantácia liečebný režim (dávkování) liečebná odpoveď toxicita liečby časové údaje týkající se průběhu léčby relaps/progresia úmrtie aktuálny stav liečby časové údaje o jednotlivých udalostiach pacienta Obrázok č. 7: Charakteristiky pacientov s MM hodnocené v analýze Komentář [LB116]: Úpravy ve schématu jsem zvýraznila červeně, nešlo udělat v režimu úprav 27

40 3.1. Čistenie dátového súboru Pôvodný dátový súbor obsahoval celkom línií liečob, pacientov (jeden pacient môže byť liečený vo viac ako jednej línii liečby). Nasledujúca sekcia opisuje vyradenie pacientov, pri ktorých nie sú k dispozícii validné alebo dostatočne vyplnené dáta potrebné na analýzu. Proces výberu dát opisuje Obrázok č. 8. V prvom bode čistenia údajov sme vyradili všetky duplicitne založené línie liečby. V ďalšom bode sme sa zamerali na chýbajúce údaje bezprostredne dôležité pre vytvorenie modelu predikcie rizika relapsu/progresie a úmrtia. Vyradili sme 670 pacientov, ktorým chýbal dátum zahájenia alebo typ liečby. Následne sme vyradili pacientov, ktorí mali chybnú časovú sekvenciu dátumov, ako napríklad dátum zahájenia liečby skôr ako dátum diagnózy. Museli sme takisto vyradiť dáta, ktoré sú staršie ako z mája V tomto roku totiž vznikol register, a teda pred rokom 2007 boli do registru doplnení iba niektorí pacienti. Takisto boli v roku 2007 zavedené aj nové lieky, ktoré môžu byť významným faktorom v dĺžke prežívania pacientov. Vybrali sme preto toto obdobie, pretože chceme pracovať s reprezentatívnou skupinou pacientov, ktorá bude mať rovnaké šance na dobrú terapiu, a chceme tak získať skutočný pohľad na liečbu MM. Ďalej pracujeme iba s dátami z českých centier, o ktorých vieme, že boli rovnako získavané a zadávané do registra. Posledným bodom čistenia súboru údajov je vyradenie línií liečob, kde nie je uvedené ich poradie, a takisto vyradenie posledných línií liečob, ktorých dĺžka je nulová (aktuálne zahájené línie liečby v čase exportu dát). Informácia, že nová línia bola zahájená je v predchádzajúcej línii liečby (jako datum zahájení následující linie), takže by nám tieto línie liečby nepriniesli novú informáciu. Z dátového súboru sme vyradili aj pacientov, ktorým chýbala línia liečby (napr. pacient mal v dátach uvedenú iba 1. a 3. líniu liečby), pretože u nich nevieme koľko línií liečby naozaj podstúpili a či sú dáta k jednotlivým líniám liečby zadané správne. Na záver, ako je bližšie špecifikované v kapitole 5, vyradíme z dátového súboru pacientov s vyplnenosťou kľúčových parametrov menej ako 50 % z dôvodu nedostatočnej informácie pre imputácie chýbajúcich hodnôt. Finálne nám v dátovom súbore ostalo línií liečob, ktoré predstavujú pacientov. Priemerný počet línií liečob na pacienta sú 3. Komentář [LB117]: Nemělo by to být v kapitole o přípravě dat k analýze? Komentář [LB118]: Raěji bych komentovala, že jsme se rozhodli. Nebo takto Analýza byla omezena na soubor pacientů diagnostikovaných od května 2007, kdy byl založen registr a zadávána kompletní data k léčbě MM v ČR. Komentář [LB119]: Před 2007 nemohli být zadáni žádní pacienti, když registr neexistoval Komentář [LB120]: Proč pouze? Nedává smysl, když nezmiňuješ, co jsi vyřadila. Mohlo by být komentováno takto Analýza zpracovává pouza data z českých center, která byla zástupci center poskytnuta k analýze (data ze slovenských center byla z analýzy vyřazena). Komentář [LB121]: V alespoň jedné linii? Komentář [JJ122]: Hodila by se poznamka o tom kolik % souboru to je + lze neco rici o reprezentativnosti aspon vek a pohlavi? 28

41 Obrázok č. 8: Čistenie dátového súboru pacientov s MM Po základnom vyčistení dátového súboru sme museli zvážiť, či pacientov, ktorí majú iba jednu líniu liečby primoterapiu v dátach ponechať, alebo vyradiť. Cieľom diplomovej práce je vytvorenie modelu predikcie pravdepodobnosti relapsu/progresie ochorenia, či úmrtia pri zahájení novej línie liečby so zohľadnením klinických ukazovateľov pacientov a predošlého priebehu ochorenia. Na základe výsledkov modelu by teda nemalo byť stanovené riziko pre pacientov, ktorí nemali žiadnu rekurenciu, pretože títo pacienti nemajú žiadnu históriu ochorenia. Pre túto skupinu by bol z hľadiska interpretácie výsledkov vhodnejší jednorozmerný model, prípadne model zostavený iba z primoterapií všetkých pacientov, a nie Joint frailty model, ktorý je vytvorený v rámci práce. Keďže výsledky modelu by sme nemali interpretovať pre pacientov iba s primoterapiou, vzniká otázka, či by sme týchto pacientov iba s primoterapiou vôbec mali zahrnúť do modelu. Pacienti, ktorí zomreli v priebehu alebo po ukončení primoterapie ovplyvňujú rizikovú funkciu úmrtia (respektíve funkciu prežívania do úmrtia), ale takmer vôbec nezasahujú do rizikovej funkcie rekurencií (respektíve funkcie prežívania do rekurencie). Existujú pacienti, ktorí zomreli v primoterapii, a títo môžu mať nejakú štatisticky významnú spoločnú charakteristiku oproti tým, ktorí primoterapiu prekonali. Existencia takejto charakteristiky by mohla výrazne ovplyvniť model, aj v prípade, že by nebola pozorovateľná v dátach. Samozrejme podobná charakteristika môže zohrať úlohu aj pri prekonaní druhej, tretej, až n-tej línie. Ideálne by teda bolo vytvoriť zvlášť model pre riziko každej n-tej rekurencie a úmrtia so zahrnutím iba pacientov, ktorí mali práve príslušný počet línií. Avšak to už by bolo na hrane efektívnosti a možnosti dátového súboru. Rozdiel medzi pacientami, ktorí prekonali, a ktorí neprekonali rekurenciu môže byť intuitívne výraznejší, a hlavne je Komentář [JJ123]: Proc jednorozmerny? Komentář [LB124]: Tímto trochu zpochybňuješ své výsledky. Komentář [LB125]: Ale u těch tu interpretaci také chceme. Myšlenka byla taková, že chceme zvážit při výpočtu toho modelu všechny linie pacienta = pokud jich měl pacient více, tak zvážit všechny a to je vlastně ten předchozí průběh onemocnění. Ty to striktně chápeš tak, že na vstupu se musí zadat historie pacienta. Komentář [JJ126]: Myslim, ze ano, vzdyt jednu linii ma v kazdem pripade a model by u nej mel neco spocitat? Komentář [LB127]:? raději doba do úmrtí/rekurence? Komentář [b128]: To ale nechceme, proto vznikla tvá dp Namísto toho, aby jsi říkala, jak je tvoje db důležitá, to spíše zpochybňuješ 29

42 takýchto pacientov najviac. Preto je vhodné zvážiť zahrnutie týchto pacientov v ďalšej analýze. Počet všetkých pacientov je 2 965, z toho (52,6 %) je takých, ktorí majú iba primoterapiu. Pri prevedení na línie liečby, je počet všetkých línií a línií iba pacientov v primoterapii (27,6 %) tieto hodnoty sú už priaznivejšie, ale podstatné je, že model pracuje na úrovni pacienta, nie línie liečby. Najdôležitejší údaj z hľadiska ovplyvnenia výsledkov modelu je počet pacientov, ktorí zomreli v primoterapii, teda nedošlo a ani nedôjde k žiadnej rekurencii, a to je 532 pacientov (34,1 % z počtu pacientov, ktorí majú iba primoterapiu). Možným riešením by mohlo byť vyradenie iba pacientov, ktorí zomreli v primoterapii, ale tento postup by bol zavádzajúci, keďže nevieme či u pacientov, ktorí nezomreli v primoterapii ešte dôjde k rekurencii, alebo či ešte nenastane úmrtie v rámci primoterapie, lebo liečba je zatiaľ iba krátka a nie je ukončená. Takisto by sme mohli zvoliť cestu výpočtu rizika zvlášť pre relaps/progresiu a úmrtie. To znamená, vytvoriť jeden model iba pre pacientov s viac ako 1 líniou liečby, ktorý bude hodnotiť iba rekurentnú udalosť a druhý model pre všetkých pacientov, ktorý bude hodnotiť iba úmrtie. Avšak v tomto prípade by sme nemohli hodnotiť vzťah medzi udalosťami a ani to, ktorá udalosť je rizikovejšia. Vyskúšaním aplikácie jednoduchého Joint frailty modelu zisťujeme, že výsledky modelov sa líšia. Jednorozmerný Joint frailty model vytvorený zvlášť pre dátový súbor so zahrnutím a bez zahrnutia pacientov iba s primoterapiou zobrazuje graficky Obrázok č. 9. Vysvetľujúcou premennou modelu je binárna premenná poskytnutie transplantácie s referenčnou skupinou bez poskytnutia transplantace. Získaný parameter modelu eta, ktorý predstavuje závislosť medzi rekurenciami je významnejší v modeli bez zahrnutia pacientov s primoterapiou (bez následné léčby). Takisto riziko úmrtia je vyššie v modeli so zahrnutím aj pacientov v primoterapii, ale aj riziko rekurencie je mierne vyššie z dôvodu prepojenia rizikových funkcií parametrom theta. V závere je teda zrejmé, že rozdiel medzi rizikom úmrtia a rekurencie je väčší pri zahrnutí pacientov v primoterapii, čo bol presne očakávaný výsledok. Úmrtie je rizikovejšie kvôli pacientom zomrelým už v primoterapii. Z grafickej interpretácie príkladu (Obrázok č. 9) môžeme vidieť, že základná funkcia prežívania má bez zahrnutia pacientov v primoterapii hladký priebeh pre obdive udalosti a krivky sa nekrížia. Zatiaľ čo pri zahrnutí týchto pacientov je riziko úmrtia zo začiatku väčšie ako riziko rekurencie toto predstavuje práve nemalé množstvo pacientov, ktorí zomreli v primoterapii, a následne sa krivky obrátia a priebeh rizika úmrtia je už lineárny s nejasným ubiehaním na konci, lebo je veľmi ovplyvnený skokom zo začiatku. V závere teda môžeme konštatovať, že vyradenie záleží na tom, či je cieľom modelovať priebeh ochorenia ako celok so všetkými možnosťami, ktoré prináša, alebo sa zameriame na pacientov, ktorí prekonajú prvý príchod ochorenia a opakovane sa im vrátilo. V rámci tejto práce sme pacientov iba s primoterapiou v dátach ponechali, pretože nechceme vyradiť cieľovú skupinu pacientov z hľadiska ochorenia práve pacienti v primoterapii majú najvyššiu šancu na úspešné potlačenie ochorenia na dlhú dobu. Zodpovedá to aj klinickej intuícii. Takisto by sme prišli o nemalé množstvo cenzorovaných dát, ktoré sú z hľadiska analýzy prežívania podstatnou súčasťou modelu, pretože u nich udalosť v budúcnosti môže nastať. Komentář [LB129]: Tuto větu nechápu. Co znamená překonat rekurentní událost? Komentář [b130]: Toto ale nemá smysl hodnotit, když model pracuje na úrovni pacienta? Smazala bych Komentář [LB131]: Toto určitě nadchne oponenta a bude se to muset diskutovat při obhajobě. Komentář [JJ132]: Nemuze mit ukoncenou primoterapii? Komentář [LB133]: Nemělo by být slovně? Komentář [b134]: Já se bojím, že až toto bude číst lékař, tak díky tomu, že je to tady takto rozebrané, to bude rozebírat i v posudku. Je samozřejmé, že se to bude hodně lišit. Dle mého by byl lepší jeden odstavec k tomu, kde naopak budeš argumentovat, proč tam ti pacienti být musí. Komentář [RV135]: Myslím, že je dobré uviesť, že som si všetkých týchto úskalí vedomá, a že pri interpretácii výsledkov na to budem myslieť. Určite by tento dotaz niekoho napadol, tak radšej tomu venujem pár odstavcov. Komentář [JJ136]: Tak co dat sekci limitace, ve vedeckych publikacich je bezna? Komentář [JJ137]: No ale proc to je spatne? Popisuje to lepe situaci v populaci pacientu, kdyz zahrneme i primoterapie. Komentář [JJ138]: Musim priznat, ze vzhledem k zaveru (se kterym souhlasim) mi cela debata o zahrnuti primoterapie prijde zbytecna a smazal bych ji, zbytecne praci snizuje a komplikuje 30

43 Bez pacientov iba s primoterapiou S pacientami iba s primoterapiou Prežívanie bez udalosti 100 % 80 % 60 % 40 % 20 % 0 % rekurencia úmrtie Čas (mesiace) Obrázok č. 9: Jednorozmerný Joint frailty model pre transplantáciu 3.2. Časová štruktúra dát Pre predstavu časovej štruktúry dát uveďme fiktívny príklad pacienta, ktorý obsahuje situácie, ktoré v dátach môžu nastať (Obrázok č. 10). Najprv je pacientovi diagnostikovaný mnohopočetný myelóm. Po krátkej dobe je zahájená 1. línia liečby (primoterapia), ktorá je po prebehnutí liečby ukončená. Avšak ako zobrazuje Obrázok č. 10, nie vždy je tento dátum ukončenia liečby v dátach uvedený. Dátum zahájenia liečby je však uvedený vždy, lebo na základe jeho prítomnosti prebehlo čistenie dát. Po nejakej dobe môže následne dôjsť k relapsu/progresii ochorenia, ale tento údaj je opäť častokrát chýbajúci v dátovom súbore. Línií liečby môže byť niekoľko (v dátach maximálne 12). Pri poslednej zaznamenanej línii liečby buď došlo alebo nedošlo k úmrtiu. V ďalšom bode je potrebné vybrať dobu sledovania pacienta, s ktorou pracuje model pre predikciu relapsu/progresie. Dátumy, ktoré sú dôležité z hľadiska sledovania môžeme rozdeliť na tie, ktoré pracujú s priebehom ochorenia (diagnóza a relapsy/progresie) a na tie, ktoré pracujú s priebehom liečby (zahájenia a ukončenia liečob). Pri vytvorení modelu sme teda uvažovali o 4 rôznych spôsoboch hodnotenia: Prežívanie bez udalosti 100 % 80 % 60 % 40 % 20 % 0 % 1. od diagnózy do relapsov/progresií 2. od zahájenia línie liečby do relapsu/progresie 3. od zahájenia do ukončenia línie liečby 4. od zahájenia jednej línie liečby do zahájenia ďalšej rekurencia úmrtie Čas (mesiace) Komentář [b139]: Zatímco jeden pacient měl jednu linii léčby, po které řekněme v druhém roce zemřel, jiný pacient mohl do těch dvou let zahájit již druhou linii léčby, to riziko úmrtí ale může být stejné jak pro prvního pacienta. Jestli můžeme chápat tu zelenou čáru jako OS z KM křivky = riziko úmrtí, tak právě obrázek vpravo je správně. Vlevo bys uměle snížila šanci na přežití tím, že by jsi pacienty s pouze s PT vyřadila. Komentář [RV140]: Čo by nebol problém, keby sa výsledky modelu interpretovali iba pre pacientov v 2 a vyššej línii liečby. Komentář [LB141]: Pak by se ale to OS muselo počítat od 2. linie. Představ si, že chceš reportovat medián přežití pacientů s MM. Nemůžeš přece vyloučit určitou skupinu pacientů, musíš počítat se všemi. Komentář [b142]: V textu argumentuješ, že je vykreslena riziková funkce, v obrázku spíše vypadá jako kaplan-meier (y=přežití bez události). Na ose x je doba od zahájení 1. linie? Komentář [RV143]: Nikde som v texte nenašla napísané, že tento obrázok predstavuje rizikovú funkciu, ale naopak, že je to základná funkcia prežívania. Áno. Komentář [LB144]: Mělo by být v textu specifikováno, že je to hodnocené od 1. linie (i v grafu). V textu popisuješ jako riziko úmrtí/rekurence, proto jsem se ptala. Jsou odhady v křivkách počítané z počtu pacientů v riziku? Mělo by být komentováno, jak byly křivky počítány. Komentář [LB145]: K tomu patří i odstavec na str. 24 Komentář [LB146]: Pod tento odstavec bych dala obrázek Komentář [LB147]: Opakuji se, ale toto bych sem vůbec nedávala, protože délka léčby ti nepopisuje její úspěšnost. Prvý spôsob, teda od diagnózy do relapsu/progresie do následného relapsu/progresie najlepšie odzrkadľuje priebeh ochorenia. Avšak keďže nie vždy je v dátach uvedené kedy nastal relaps/progresia, museli by sme niektoré línie liečby zlúčiť do jednej, čo by už nebolo reprezentatívne. Preto sa ponúka druhý spôsob, kde je vždy hodnotený čas od jednej línie liečby do relapsu/progresie, a potom opäť od ďalšej línie liečby do relapsu/progresie. Tento spôsob kombinuje časový priebeh liečby a ochorenia, avšak to nie je problém, pretože liečba je s relapsom/progresiou priamo asociovaná a podmienená. Takisto odber klinických parametrov, ktoré vstupujú do modelu prebieha bezprostredne pred zahájením línie liečby, 31

44 takže hodnoty najlepšie korešpondujú práve s dátumom zahájenia línie liečby. Problém nastáva v tom, že týmto spôsobom umelo znížime sledovanie pacientov, keďže vo vyhodnotení nebude zahrnutý čas od relapsu/progresie do zahájenia ďalšej línie liečby. Tretí spôsob zase opisuje priebeh samotnej liečby. Opäť však nastáva problém v tom, že by v dátach existovalo časové obdobie, ktoré by vôbec nebolo v sledovaní (od ukončenia jednej línie liečby do zahájenia ďalšej línie liečby). Po vyradení tohto obdobia z časovej osi by sme teda skrátili prežitie fiktívneho pacienta (Obrázok č. 10) od zahájenia 1. línie liečby do úmrtia o čas medzi ukončeniami liečby a zahájeniami následujících liniíliečby. Okrem toho v prvom, druhom a treťom spôsobe dochádza k problému mnohých chýbajúcich hodnôt pri niektorých pacientoch. Museli by sme takúto hodnotu nahradiť dátumom zahájenia ďalšej línie liečby, čím by sme dospeli k nejednotnosti v dátach. Z tohto dôvodu je posledný, štvrtý spôsob hodnotenia sledovania, z hľadiska cieľov práce najlepší, pretože ponecháva jednotnosť v dátach. Je teda najreprezentatívnejší ako z hľadiska priebehu ochorenia, tak aj z hľadiska liečby pacienta, a preto s ním budeme v diplomovej práci ďalej pracovať. Jedná sa o štandardne používaný liečebný interval hodnotenia sledovania pacientov TTNT (Kumar et al., 2012). Komentář [LB148]: Úspěšnosti léčby Komentář [LB149]: Rozepsala bych zde Obrázok č. 10: Priebeh ochorenia fiktívneho pacienta Pre úplne pochopenie časovej štruktúry dát si predstavme aj to, ako dáta vznikajú. Povedzme, že pacient má nejakú liečbu, ktorá v istý časový bod skončí, odvtedy chodí iba na kontroly. To znamená, že sa nachádza v nejakom časovom bode na časovej osi pacienta (Obrázok č. 10) a vo všetkých záznamoch, teda predchádzajúcich líniách liečby vrátane tejto sa aktualizuje premenná udávajúca dátum posledného hodnotenia stavu pacienta. Rozdiel dátumu stanovenia diagnózy a tohoto dátumu teda predstavuje celkové prežívanie pacienta od prvého príchodu ochorenia. Po nejakej dobe môže dôjsť k relapsu/progresii, a vtedy sa do poslednej línie liečby zapíše dátum relapsu/progresie. Následne (podľa zváženia lekára) dochádza k zahájeniu novej línie liečby, avšak tento čas sa môže líšiť medzi pacientami. Niekedy dochádza k zahájeniu novej línie liečby aj po dvojročnej remisii ochorenia, no inokedy môže nová línia liečby začať bezprostredne po ukončení predchádzajúcej línie liečby z dôvodu nedostatočnej odpovede na liečbu. Pri vytváraní modelu budeme teda aj jav, kedy nastala nová línia liečby z dôvodu nedostatočnej odpovede v predchádzajúcej línii liečby interpretovať ako rekurentnú udalosť relaps/progresia. Pacienti v dátovom súbore sa dožívajú v mediáne 53,5 (IS: 49,7 57,2) mesiacov od diagnózy. Komentář [LB150]: Dle mého by toto zde vůbec nemuselo být, dostatečné je, že se uvádí datum posledního hodnocení/úmrtí, způsob jakým se data exportují, zde nemusí být rozebírán. Komentář [LB151]: raději diagnózy? Nebo prvních příznaků než příchodu Komentář [LB152]: toto je velmi důležité, právě toto by mělo být v odstavci s definicí cílových parametrů i by mělo být uvedeno, že důvod zahájení léčby je jedním z prediktorů Komentář [LB153]: to sem vůbec nepatří 32

45 33

46 Definícia časového intervalu: V modeli teda budeme rekurentné udalosti (zahájenia nových línií liečob) interpretovať ako progresie/relapsy ochorenia. Je však potrebné ešte raz zdôrazniť, že k progresii/relapsu ochorenia nemuselo, ale mohlo dôjsť skôr než pri zahájení ďalšej línie liečby. Vzhľadom na to, že v modeli chceme opísať kompletný priebeh ochorenia, a u časti pacientov nie je dátum relapsu/progresie známy, budeme teda tento dátum progresie/relapsu aproximovať dátumom zahájenia ďalšej línie liečby, a to u všetkých pacientoch, aby sme zachovali jednotnosť v dátach. Hodnotený liečebný interval zodpovedá definícii Time To Next Treatment (TTNT), ktorý je považovaný za kľúčový konečný bod pre vyhodnotenie priebehu ochorenia (Ragab et al., 2016). Takisto jedným z hodnotených parametrov v rámci modelu bude dôvod zahájenia línie liečby, kde sa vždy nemuselo jednať iba o relaps alebo progresiu ochorenia, ale línia liečby mohla byť zahájená aj z dôvodu nedostatočnej liečebnej odpovede v predchádzajúcej línii liečby. Tento parameter nám poslúži na lepšie priblíženie asociácií priebehu rekurentných línií liečob. Obrázok č. 11 zobrazuje základný náhľad na zastúpenie počtu línií pacientov vo finálnom dátovom súbore. Môžeme si všimnúť, že najväčší počet pacientov má záznam iba v primoterapii, zatiaľ čo s rastúcim počtom línií klesá počet pacientov. Tento trend v dátach je očakávaný, takisto ako fakt, že v priebehu alebo po primoterapii nastáva úmrtie pri najmenšom podiele pacientov, zatiaľ čo pri ostatných líniách liečby postupne podiel úmrtí stúpa. V tretej a vyššej línií liečby nastáva úmrtie u viac ako 50 percent pacientov. So vzrastajúcim počtom línií liečby teda stúpa percentuálne množstvo úmrtí. Komentář [LB154]: už je jednou na str. 24 Komentář [LB155]: už je i na předchozí straně, sjednoť Obrázok č. 11: Počty pacientov podľa absolvovaných línií liečby Komentář [LB156]: u těch 5 linií bych smazala i to šedé %, anebo ponechala jen % úmrtí z pacientů v dané linii, to je důležitější 34

47 4. Metodika Pre vytvorenie modelu predikcie rizika relapsu/progresie a úmrtia sme zvolili Joint frailty model. Tento model totiž ponúka možnosť použiť dve rozdielne rizikové funkcie, a to jednu pre opakujúce sa udalosti a jednu pre úmrtie. V našom prípade bude opakujúca sa udalosť predstavovať prechodné stavy relaps/progresiu a terminálna udalosť bude predstavovať koncový stav, teda úmrtie. Maximálny počet rekurentných udalostí v dátach je dvanásť a minimálny nula (Obrázok č. 12). Komentář [LB157]: terminální událost, pokud chceš popisovat obecně Komentář [LB158]: sem bych dala tu definici cílových parametrů uvedenou v předchozích kapitolách Obrázok č. 12: Štruktúra modelu 4.1. Použité hardvéry a softvéry Výpočet Joint frailty modelov je časovo aj výkonnostne pomerne náročný proces, a preto je súčasťou výsledkov nielen použitý softvér, ale aj špecifikácia výpočtových strojov, na ktorých boli jednotlivé výsledky získané. Komentář [LB159]: výsledků ne, součástí metodiky Hardvér Všetky základné výpočty a výpočetne nenáročné Joint frailty modely sme spracovali na výpočtovom stroji so špecifikáciou: CPU Intel Core 1,70 GHz 2,40 GHz; RAM 8 GB. Výpočtovo náročné (nezvládol spočítať predchádzajúci výpočtový stroj) Joint frailty modely sme spracovali pomocou vzdialeného prístupu na stroji so špecifikáciou: CPU Intel Xeon E312xx (Sandy 2,59 GHz; RAM 24 GB Softvér Pre čistenie a prípravu dát sme použili softvér SPSS, 2015, IBM Corporation and its licensors 1989, IBM SPSS Statistics for Windows Armonk, NY verzie Softvér nie je voľne dostupný. Spracovanie prebehlo prostredníctvom dostupných licencií pre študentov Masarykovej univerzity. Na imputáciu chýbajúcich hodnôt a pre výpočet Joint frailty modelov sme použili softvér R, 2014, The R Foundation for Statistical Computing verzie voľne dostupného na Konkrétne sme použili balíčky mice verzie (Buuren et al., Komentář [LB160]: takto ta citace nemá vypadat 35

48 2015), lattice (Sarkar, 2008) verzie a frailtypack verzie (Rondeau et al., 2016). Výsledné súbory boli formátované v Excel editor Microsoft Office, 2016, 2012 Microsoft corporation verzie Softvér je platený s voľne dostupnými alternatívami. V priebehu tvorby práce boli použité takisto Word a Powerpoint Microsoft Office 365 ProPlus verzie Komentář [JJ161]: kdyz byl pouzit nema smysl psat alternativy 4.2. Štruktúra dát vstupujúcich do modelu Na to, aby sme mohli aplikovať Joint frailty model, musíme dáta najprv previesť do príslušnej formy, ktorú je najlepšie predstaviť na ukážke fiktívnych dát (Tabuľka č. 9). Tabuľka opisuje dvoch pacientov, pričom prvý má tri línie liečby a druhý dve. Relaps/progresia musí nastať vždy vo všetkých líniách liečby okrem poslednej (nebola zahájená ďalšia línia liečby). Úmrtie mohlo nastať iba pri/po poslednej línii, ale nemuselo. Premenná sledovanie predstavuje čas v mesiacoch od zahájenia jednej línie liečby do zahájenia ďalšej. V tabuľke nasledujú premenné začiatok a koniec, ktoré predstavujú časovú známku dané linie. Začiatok v primoterapii je vždy nula, pretože nepracujeme s dátami, kde by relaps/progresia nastala ešte pred vstupom do štúdie. Koniec potom predstavuje hodnotu začiatku zväčšenú o dĺžku sledovania. V ďalšej línii liečby sa koniec predchádzajúcej stáva začiatkom nasledujúcej. Ďalšie parametre v dátach sú jednotlivé charakteristiky na základe ktorých budeme určovať predikcie rizika. Komentář [LB162]: nemusí, je to jen díky tomu, že bereš jako endpoint zahájení nové linie Komentář [LB163]: tím, že máš napsáno mohlo bych toto vynechala Tabuľka č. 9: Ukážka štruktúry dát vstupujúcich do výpočtu Joint frailty modelu Pacient Línia liečby Relaps/ progresia Sledovanie (mesiace) Začiatok (mesiac) Koniec (mesiac) Úmrtie Charakteristika (napr. štádium) ID_1 1. áno nie ID_1 2. áno nie I ID_1 3. nie áno II ID_2 1. áno nie I ID_2 2. nie nie III Joint frailty model môžeme zostaviť pomocou dvoch rôznych prístupov ako bolo opísané aj v kapitole (Rondeau et al., 2012): 1. Prostredníctvom času medzi rekurentnými udalosťami (sledovanie). V tomto prípade hypotéza znie: Čas medzi jednotlivými udalosťami sa mení na základe vstupných parametrov. 2. Prostredníctvom času vstupu do štúdie (= 0) alebo času poslednej udalosti, a času nasledujúcej udalosti (začiatok koniec). V tomto prípade hypotéza znie: Riziko vzniku ďalšej udalosti sa mení na základe vstupných parametrov. Obidva tieto prístupy majú svoje výhody a nevýhody. Model pracujúci s časom medzi rekurentnými udalosťami dokáže pracovať aj s chýbajúcimi hodnotami charakteristík. Komentář [LB164]: takový popis mohl být přímo v té kapitole Tam je to dost teoreticky a čtenář pravděpodobně nepochopí, jaké jsou důsledky těchto dvou přístupů. Zde, v metodice, mohlo být pouze komentováno, jaký přístup byl zvolen. Teď už klidně nech, ale do té kapitoly dej odkaz na tuto sekci. Komentář [LB165]: Nemělo by být spíše na základě předchozího průběhu onemocnění? Když model bere v potaz pořadí linií, tak by dávalo větší smysl, takto mi ty hypotézy přijdou v podstatě totožné. Jak jsem zmiňovala minule, text by byl přehlednější, kdyby byl text zakomponován přímo pod tyto dva body a pod těmito by mohlo být pouze shrnutí. 36

49 Vyplýva to z toho, že nepracuje s poradím línií liečob, ale iba s dĺžkou ich trvania. Pokiaľ je teda vo vysvetľujúcej charakteristike chýbajúca hodnota, líniu liečby vyradí a pracuje bez nej. Model pracujúci s časovou sekvenciou (bod 2) berie do úvahy poradie línií liečob a teda s chýbajúcimi údajmi charakteristík ho nie je možné vytvoriť. Dáta, ktoré vstupujú do modelu nesmú obsahovať chýbajúce hodnoty, avšak vynechanie línie (okrem primoterapie) nie je problémom pokiaľ je zachovaná časová známka. Je však ale aj časovo náročnejší na výpočet (Rondeau et al., 2012). Voľná interpretácia výsledkov modelov je, že pri prvom modeli riešime otázku, či sa mení čas medzi jednotlivými udalosťami avšak bez ohľadu na trend, zatiaľ čo druhý model rieši otázku, či sa čas medzi udalosťami skracuje alebo predlžuje. Keďže v našom prípade chceme interpretovať riziko vzniku novej udalosti a chceme skúmať aj trend, čo je kľúčové z hľadiska ochorenia MM doba do ďalšej línie liečby má tendenciu sa skracovať (Šálek, 2008), budeme pracovať s druhým variantom modelu. Komentář [LB166]: Mohlo by být komentované, jak to ovlivní výsledky. Co když je jeden parametr významným prediktorem v primoterapii a druhý až ve vyšších liniích léčeb? Jak to vyjde? Tohle by bylo super, kdyby se dalo okomentovat v diskuzi Výber parametrov Čas odberov a získania hodnôt jednotlivých parametrov zobrazuje Obrázok č. 13. Klinické parametre sú pacientovi odobraté pred zahájením línie liečby. V rámci času zahájenia línie liečby je stanovený režim liečby a to, či bude poskytnutá transplantácia. Po ukončení liečby je vyhodnotená finálna liečebná odpoveď a stanovená celková toxicita liečby. Časový okamžik, v ktorom sa nachádzame je zahájenie novej línie liečby. Potrebujeme predikovať riziko nastátia nasledujúcej udalosti či už relapsu/progresie (čas od zahájenia jednej línie liečby do zahájenia nasledujúcej línie liečby) alebo úmrtia pričom dĺžku jednotlivých rekurentných udalostí hodnotíme ako čas od zahájenia jednej línie liečby do zahájenia nasledujúcej línie liečby. Predikciu rizika pre jednotlivých pacientov vyhodnotíme z výsledkov finálneho modelu, tak, že okrem parametrov pri diagnóze (nemenných v rámci línií liečob) zahrnieme do výpočtu modelu aj aktuálne klinické parametre pri zahájení línie liečby, a takisto liečebný režim a poskytnutie transplantácie v súčasnej aj predchádzajúcej línie liečby. Z predchádzajúcej línie liečby zahrnieme aj finálnu liečebnú odpoveď a toxicitu liečby. V rámci liečby linie však môže dôjsť k zmene léčby v závislosti na tom ako pacient reaguje. Pokiaľ sa objavia závažné nežiadúce účinky, môže dôjsť k zmene režimu ( switch ) alebo pri zhoršení celkového stavu pacienta transplantácia nemusí prebehnúť. Riziko vzniku ďalšej udalosti pre aktuálnu líniu liečby bude preto interpretované podľa najnovších údajov, teda najprv podľa plánovanej liečby, a keď dôjde k zmene, zmení sa aj interpretácia modelu tak, aby predikovala riziko udalosti podľa najaktuálnejších hodnôt parametrov. To znamená, že pokiaľ by došlo k zmene liečebného režimu, zadá sa do výpočtu rizika tento nový druh režimu. Pri transplantácii sa bude uvažovať riziko bez transplantácie až do doby pokiaľ pacient transplantáciu nepodstúpi. Týmto spôsobom môžeme aktualizovať akýkoľvek z parametrov a porovnať tak jednotlivé rizikovosti pacientov. Takýto postup interpretácie modelu je korektný, pretože keď nastane čas (n+1). udalosti už bude liečba z predchádzajúcej línie (n-tej) ukončená, takže môžeme zahrnúť charakteristiky aktuálnej línie liečby ako napríklad režim liečby, ktorý síce ešte v okamžiku Komentář [LB167]: Toxicita se hodnotí vždy v průběhu léčby, pokud je vysokého stupně, provede se switch na jiný režim. Mělo by zde být někde specifikováno, jak pracuješ se switch. Komentář [LB168]: Predikujeme obojí? Takže by spíše mělo být A? Komentář [LB169]: Zde by mohlo být kratké odůvodnění očekáváme, že reakce na předchozí terapii významně ovlivní úspěšnost léčby v následujícíéch liniích. Komentář [LB170]: Čeho? Komentář [LB171]: Musíš změnit vstup, aby se změnila predikce Komentář [LB172]: A ostatní parametry budou ponechány beze změny? U AT je to v poho, pacient je bez AT až do doby, kdy ji podstoupí. U režimu je to komplikovanější, protože pacient dostane určitou dávku z té kombinace a pak přejde k něčemu jinému. Otázkou je, jak jsi ve vstupních datech počítala se switch (mělo by být v té předchozí kapitole specifikováno) a jak se při případném switch bude model využívat. 37

50 hodnotenia neprebehol celý, ale v čase udalosti, ktorú predikujeme už áno. V prípade, že by existoval druh liečby, ktorý je taký významný, že po jeho aplikácii nenastane ďalšia rekurencia, prípadne naopak, nastane úmrtie, tak by sme ho bez zahrnutia aktuálnej liečby do výpočtu modelu neobjavili. Navrhnuté zostavenie modelu môže pomôcť pri rozhodovaní, aký režim zvoliť, alebo či poskytnúť transplantáciu. Jednoducho sa porovná riziko pre všetky zvažované možnosti liečby a zvolí sa tá s najmenšou rizikovosťou. Je dôležité si uvedomiť, že druh liečiva a aj poskytnutie transplantácie je pacientovi stanovené na základe jeho kondície. To znamená, že pacient v zlom stave nemôže podstúpiť transplantáciu. Otázkou teda ostáva, či dobré prežívanie v danej línii liečby skutočne zabezpečila transplantácia alebo je to iba dôsledok toho, že iba pacienti v dobrej kondícii, u ktorých je vyššia pravdepodobnosť dobrého prežívania, transplantáciu podstúpili. Podobná situácia nastáva pri výbere liečiva, kde napr. Talidomid a Pomalidomid oproti ostatným liečivám sú predpísané pacientom v horšej zdravotnej kondícii (Kumar et al., 2017). Do modelu zahŕňame finálnu liečebnú odpoveď a toxicitu liečby aj z predchádzajúcej liečby a to z toho dôvodu, že reakcia na predchádzajúcu liečbu môže byť z hľadiska rizika progresie/relapsu kriticky dôležitý parameter (Palumbo et al., 2006). Pri interpretácii modelu tak môžeme rozlíšiť dvoch pacientov, ktorí majú aktuálne síce rovnaké klinické parametre a aktuálnu liečbu, ale ich rizikovosť bude rozdielna práve z dôvodu rôznej reakcie na predchádzajúcu terapiu. sledovanie n. línia sledovanie (n+1). línia Komentář [LB173]: Toto bych asi klidně dala spíše do diskuze Komentář [LB174]: Opakuješ se. Komentář [LB175]: Toto bych vůbec nepsala.. dva typy pacientů být nemusí relaps /progresia n. línia liečby (n+1). línia liečby relaps/progresia;? úmrtie klinické parametre liečebný režim, transplantácia liečebná odpoveď, toxicita liečby bod predikcie časová os fiktívneho pacienta získanie parametrov Obrázok č. 13: Čas vyhodnotenia parametrov Na základe poznatkov o rizikových faktoroch priebehu ochorenia mnohopočetného myelómu z kapitoly č. 1 sme vybrali parametre, ktoré budeme v modeli hodnotiť. Vybrané parametre a ich vyplnenosť v dátovom súbore znázorňuje Tabuľka č. 10. Premenné sú buď spojité (jednotka v zátvorkách), ordinálne kategoriálne, nominálne alebo binárne. V prvej časti sú základné klinické parametre hodnotiace stav pacienta najprv pri diagnóze, a potom pri zahájení príslušnej línie liečby. Štádium ochorenia podľa ECOG nadobúda hodnoty 1 až 4. Binárna premenná extramedulárne ložisko hovorí o prítomnosti alebo neprítomnosti týchto ložisiek. Osteolytické postihnutie je premenná vyhodnotená pomocou röntgenu kostí, a má 3 kategórie podľa miery postihnutia, teda množstva osteolytických ložisiek: bez osteolytických ložisiek, 1 2 ložiská a viac ako 2 ložiská. Ťažké reťazce M-proteínu sú rozdelené do 4 kategórií: IgG, IgA, bez ťažkých reťazcov a kategória ostatné, do ktorej patria: IgD, IgM, Komentář [LB176]: Toto už ale není metodika ale výsledky Komentář [LB177]: Je to popsané jako kdyby pouze ordinální typ patřil mezi kategoriální parametry, zbytečně to komplikuješ, stačí napsat spojité nebo kategoriální. Komentář [LB178]: Toto bych komentovala v té sekci, kde popisuješ jaká data máš k dispozici. 38

51 biklonálne, triklonálne a nesekrečné ťažké reťazce. Ľahké reťazce M-proteínu nadobúdajú kategórie kappa, lambda alebo oboje (biklonálny typ). Ordinálna premenná Cytológia kostnej drene má 3 kategórie, kde prvá predstavuje postihnutie kostnej drene pacienta menej ako 10 %, druhá kategória % a tretia viac ako 20 %. Medzi klinicky významné parametre sme zaradili aj finálnu liečebnú odpoveď z predchádzajúcej línie liečby. Premennú sme binarizovali na dve hodnoty a to podľa toho, či bola dosiahnutá aspoň parciálna remisia ochorenia. Pri primoterapiách sme vytvorili novú hodnotu premennej, pretože prvé línie liečby nemali predchádzajúcu liečbu, a teda tu nemohla byť história liečebnej odpovede. Takisto pri toxicite predchádzajúcej liečby sme vytvorili unikátnu kategóriu pre primoterapie. Toxicita liečby v našich dátach nadobúda okrem kategórie pre prvú liečbu ďalšie 3 kategórie, a to toxicita stupňa 0 až 1, stupňa 2 a stupňa 3 až 4. Pričom vždy uvažujeme najvyšší dosiahnutý stupeň, z 13-tich rôznych toxicít: trombocytopénia (znížené množstvo trombocytov) pred a po liečbe, neuropatia pred a po liečbe, anémia, neutropenia (poruchy periférnych nervov), únava a slabosť, infekčné komplikácie, nechutenstvo, zvracanie, hnačka, zápcha, trombóza či embólia (krvné zrazeniny). V modeli budeme takisto uvažovať parametre hodnotiace nielen predchádzajúcu ale aj aktuálnu líniu liečby a to konkrétne binárnu premennú poskytnutie/neposkytnutie transplantácie a podaný režim. Kategórie režimu sú liečba Bortezomibom bez kombinácie s inými novými liečivami, liečba Lenalidomidom bez iných nových liekov, liečba Talidomidom bez iných nových liekov, liečba inými novými liekmi alebo ich kombináciami a liečba bez použitia nových liekov. Ako nové lieky označujeme Bortezomib, Lenalidomid, Talidomid, Karfilzomib, Pomalidomid a Ixazomib. Tieto lieky v Českej republike začali postupne prichádzať na trh od mája 2007 (URL 10). Do analýzy sme takisto zaradili parameter dôvod zahájenia línie liečby s kategóriami relaps/progresia a nedostatočná odpoveď ako je uvedené v kapitole 3.2. Do hodnotenia zahrnieme aj parameter čas od diagnózy do zahájenia línie liečby, ktorý sa tiež môže javiť ako významný prediktor rovnako ako premennú línia liečby, ktorá nadobúda hodnoty 1 až 12. Tabuľka č. 10 farebne vyznačuje premenné, ktoré majú viac ako 50 % chýbajúcich dát. Môžeme konštatovať, že genetické vyšetrenie má oproti ostatným veľmi zlú vyplnenosť a je teda ťažko interpretovateľné. Takisto prípadné doplnenie chýbajúcich hodnôt pri takomto množstve chýbajúcich dát by mohlo byť zavádzajúce. Ďalej v modeli genetiku pacientov uvažovať nebudeme. Môžeme si všimnúť, že zlú vyplnenosť majú aj niektoré parametre pri zahájení línie liečby ako napríklad Cytológia kostnej drene, Osteolytické postihnutie alebo β2 mikroglobulín. Avšak množstvo chýbajúcich hodnôt je ešte v rámci únosnej miery, a takisto môžeme predpokladať, že tieto chýbajúce hodnoty by mohli byť dobre predikovateľné ostatnými charakteristikami v dátach, čo využijeme pri imputácii chýbajúcich hodnôt. V rámci ďalšieho postupu analýzy teda práve tieto chýbajúce hodnoty imputujeme pomocou softvéru R, aby sme nestratili podstatné informácie, nakoľko pre vstup do Joint frailty modelu musíme vyradiť celé línie liečob s chýbajúcou hodnotou parametra. Podrobný opis imputácie chýbajúcich hodnôt opisuje kapitola 5.1. Takto získaný finálny dátový súbor reprezentatívne rozdelíme na dve časti na základe kľúčových parametrov pomocou softvéru SPSS. Jeden súbor bude trénovací, ktorý bude slúžiť na vytvorenie Joint frailty modelu Komentář [LB179]: Proč velké? Komentář [LB180]: Nedělitelná mezera Komentář [LB181]: Toto je zbytečné nabobtnávání textu když to je v tabulce, tak netřeba detailně komentovat. Komentář [LB182]: Partial Response = PR parciální léčebná odpověď Komentář [LB183]: Nepočítala jsi jenom z toxicit hodnocených během léčby? Komentář [LB184]: Určitě? Není to datum založení registru? Bortezomib byl v roce 2006 registrován v České republice pro léčbu relapsu onemocnění a v roce 2009 pro primoléčbu. Komentář [LB185]: V rámci linie? Mělo by být specifikováno Komentář [LB186]: Nemůžu si pomoci, ale celý tento popis má být ve výsledkové části, metodika má popisovat jen jak jsme postupovali tzn. vybrali jsme klinicky významné prediktory a u nich navíc zvažovali vyplněnost. Výběr parametrů i pacientů by měl být v úvodní části sekce s výsledky. Ta praktická část je pořád trochu zmatená, pokud bys přeskládala, tak by ta práce byla významně přehlednější a srozumitelnější. 39

52 a druhý súbor bude testovací, ktorý poslúži na otestovanie získaných výsledkov ako opisuje kapitola 5.2. Podrobný proces implementácie modelu, vytvorenia najprv jednorozmerných Joint frailty modelov, ich porovnanie so štandardne používaným Coxovým regresným modelom a následnú tvorbu viacrozmerného Joint frailty modelu opisuje kapitola 6. V závere vytvoríme 4 rizikové skupiny pacientov, ktoré pomocou Kaplan-Meireových odhadov rizikových funkcii validujeme práve na testovacom súbore. Komentář [LB187]: Mixuješ tady hodně odlišné věci. Správně toto patří do metodiky, je to dobře popsané, ale proč v kapitole k výběru parametrů. Pak se v textu ztratí to úplně nejdůležitější. O tomto by ta metodika měla být, Joint frailty model by si určitě zasloužil víc než jednu větu. Čekala bych tu i konkrétní funkce z r využité k analýze Komentář [LB188]: Právě zde by mělo být popsáno, jak jsi ty 4 skupiny nadefinovala, má tu být stručně výstižně postup celé analýzy. 40

53 Tabuľka č. 10: Štatistika vyplnenosti parametrov z registra RMG Počet chýbajúcich hodnôt Línia liečby (N = 5 654) (% z počtu pacientov v línii) 1. (N = 2 965) 2. (N = 1 406) 3. (N = 714) 4. (N = 332) 5. (N = 237) Základné parametre pri diagnóze Pohlavie 0 (0,0 %) 0 (0,0 %) 0 (0,0 %) 0 (0,0 %) 0 (0,0 %) Vek (roky) 0 (0,0 %) 0 (0,0 %) 0 (0,0 %) 0 (0,0 %) 0 (0,0 %) Hemoglobín (g/l) 28 (0,9 %) 21 (1,5 %) 9 (1,3 %) 5 (1,5 %) 1 (0,4 %) Trombocyty (10 e 9 /l) 43 (1,4 %) 31 (2,2 %) 15 (2,1 %) 6 (1,8 %) 2 (0,8 %) Vápnik (mmol/l) 57 (1,9 %) 37 (2,6 %) 19 (2,7 %) 7 (2,1 %) 3 (1,3 %) Albumíny (g/l) 96 (3,2 %) 58 (4,1 %) 26 (3,6 %) 9 (2,7 %) 3 (1,3 %) Kreatinín (µmol/l) 43 (1,4 %) 31 (2,2 %) 14 (2,0 %) 6 (1,8 %) 3 (1,3 %) β2 mikroglobulín (mg/l) 258 (8,7 %) 134 (9,5 %) 63 (8,8 %) 28 (8,4 %) 8 (3,4 %) Laktátdehydrogenáza (µkat/l) 259 (8,7 %) 133 (9,5 %) 66 (9,2 %) 26 (7,8 %) 15 (6,4 %) C-reaktívny proteín (mg/l) 158 (5,3 %) 91 (6,5 %) 52 (7,3 %) 25 (7,5 %) 26 (11,0 %) M-proteín (g/l) 123 (4,1 %) 47 (3,3 %) 14 (2,0 %) 5 (1,5 %) 1 (0,4 %) ECOG štádium 85 (2,9 %) 34 (2,4 %) 17 (2,4 %) 6 (1,8 %) 2 (0,8 %) Extramedulárne ložisko 48 (1,6 %) 13 (0,9 %) 4 (0,6 %) 2 (0,6 %) 1 (0,4 %) Osteolytické postihnutie 319 (10,8 %) 113 (8,0 %) 34 (4,8 %) 16 (4,8 %) 12 (5,1 %) Ťažké reťazce 12 (0,4 %) 3 (0,2 %) 1 (0,1 %) 0 (0,0 %) 0 (0,0 %) Ľahké reťazce 54 (1,8 %) 28 (2,0 %) 14 (2,0 %) 4 (1,2 %) 4 (1,7 %) Cytológia kostnej drene (%) 213 (7,2 %) 93 (6,6 %) 50 (7,0 %) 24 (7,2 %) 10 (4,2 %) Základné parametre pri zahájení línie liečby Vek (roky) 0 (0,0 %) 0 (0,0 %) 0 (0,0 %) 0 (0,0 %) 0 (0,0 %) Hemoglobín (g/l) 693 (23,4 %) 203 (14,4 %) 173 (24,2 %) 124 (37,3 %) 111 (47,0 %) Trombocyty (10 e 9 /l) 698 (23,5 %) 203 (14,4 %) 173 (24,2 %) 124 (37,3 %) 111 (47,0 %) Vápnik (mmol/l) 705 (23,8 %) 216 (15,4 %) 181 (25,4 %) 127 (38,3 %) 111 (47,0 %) Albumíny (g/l) 737 (24,8 %) 295 (21,0 %) 231 (32,4 %) 139 (41,9 %) 116 (49,2 %) Kreatinín (µmol/l) 698 (23,5 %) 210 (14,9 %) 173 (24,2 %) 124 (37,3 %) 111 (47,0 %) β2 mikroglobulín (mg/l) 861 (29,0 %) 457 (32,5 %) 314 (44,0 %) 168 (50,6 %) 136 (57,6 %) Laktátdehydrogenáza (µkat/l) 857 (28,9 %) 368 (26,2 %) 262 (36,7 %) 150 (45,2 %) 122 (51,7 %) C-reaktívny proteín (mg/l) 763 (25,7 %) 327 (23,3 %) 228 (31,9 %) 142 (42,8 %) 117 (49,6 %) M-proteín (g/l) 209 (7,0 %) 254 (18,1 %) 194 (27,2 %) 132 (39,8 %) 115 (48,7 %) ECOG štádium 763 (25,7 %) 246 (17,5 %) 198 (27,7 %) 132 (39,8 %) 119 (50,4 %) Extramedulárne ložisko 717 (24,2 %) 34 (2,4 %) 18 (2,5 %) 7 (2,1 %) 4 (1,7 %) Osteolytické postihnutie 978 (33,0 %) 579 (41,2 %) 373 (52,2 %) 220 (66,3 %) 186 (78,8 %) Ťažké reťazce 688 (23,2 %) 198 (14,1 %) 174 (24,4 %) 124 (37,3 %) 112 (47,5 %) Ľahké reťazce 721 (24,3 %) 221 (15,7 %) 181 (25,4 %) 126 (38,0 %) 114 (48,3 %) Cytológia kostnej drene (%) 874 (29,5 %) 765 (54,4 %) 459 (64,3 %) 259 (78,0 %) 209 (88,6 %) Parametre hodnotiace predchádzajúcu líniu liečby Liečebná odpoveď 0 (0,0 %) 86 (6,1 %) 10 (1,4 %) 5 (1,5 %) 6 (2,5 %) Toxicita liečby 0 (0,0 %) 384 (27,3 %) 77 (10,8 %) 67 (20,2 %) 81 (34,3 %) Poskytnutie transplantácie 0 (0,0 %) 0 (0,0 %) 0 (0,0 %) 0 (0,0 %) 0 (0,0 %) Liečebný režim 0 (0,0 %) 0 (0,0 %) 0 (0,0 %) 0 (0,0 %) 0 (0,0 %) Parametre hodnotiace aktuálnu líniu liečby Čas od diagnózy do zahájenia línie liečby (mesiace) 0 (0,0 %) 0 (0,0 %) 0 (0,0 %) 0 (0,0 %) 0 (0,0 %) Línia liečby 0 (0,0 %) 0 (0,0 %) 0 (0,0 %) 0 (0,0 %) 0 (0,0 %) Poskytnutie transplantácie 0 (0,0 %) 0 (0,0 %) 0 (0,0 %) 0 (0,0 %) 0 (0,0 %) Liečebný režim 0 (0,0 %) 0 (0,0 %) 0 (0,0 %) 0 (0,0 %) 0 (0,0 %) Dôvod zahájenia línie liečby 0 (0,0 %) 19 (1,4 %) 12 (1,7 %) 5 (1,5 %) 4 (1,7 %) Genetické vyšetrenie (hodnotené pri diagnóze) Translokácia t(4;14) 2298 (77,5 %) 1052 (74,8 %) 522 (73,1 %) 243 (73,2 %) 170 (72,0 %) Translokácia t(14;16) 2618 (88,3 %) 1244 (88,5 %) 630 (88,2 %) 298 (89,8 %) 218 (92,4 %) Translokácia t(11;14) 2576 (86,9 %) 1220 (86,8 %) 623 (87,3 %) 287 (86,4 %) 200 (84,7 %) Translokácia t(6;14) 2835 (95,6 %) 1357 (96,5 %) 697 (97,6 %) 324 (97,6 %) 230 (97,5 %) Delécia (13) (q14) 1726 (58,2 %) 791 (56,3 %) 383 (53,6 %) 179 (53,9 %) 112 (47,5 %) Delécia (17) (p13) 1898 (64,0 %) 900 (64,0 %) 450 (63,0 %) 208 (62,7 %) 141 (59,7 %) Inzercia 1q (58,4 %) 788 (56,0 %) 387 (54,2 %) 176 (53,0 %) 115 (48,7 %) Hyperdiploidia 1969 (66,4 %) 923 (65,6 %) 452 (63,3 %) 204 (61,4 %) 141 (59,7 %) Komentář [LB189]: Pod tabulkou by měla být vysvětlivka, co znamená šedivé obarvení Komentář [LB190]: Nevím, zda tyto sloupečky v sekci k diagnóze nesmazat, model počítá při zvážení stavu při diagnóze s N 2965 ne? Komentář [LB191]: 13q14 Komentář [LB192]: 17p13 41

54 5. Príprava dát a postup Model, ktorý pracuje s poradím línií liečob nemôže pracovať s parametrami, pri ktorých chýba hodnota parametru. Pri vyradení všetkých takýchto línií liečob by sme však prišli o cenné informácie z hľadiska postupu liečby pacientov. Takisto vyselektovaní pacienti, ktorí majú kompletne vyplnené dáta, by tiež nemuseli byť reprezentatívnym súborom pacientov v porovnaní s celkovou populáciu pacientov s MM. Preto sme sa rozhodli najprv dátový súbor vhodne upraviť a využili sme imputačné metódy pre doplnenie týchto chýbajúcich dát. V prvom rade je potrebné vyradiť línie liečby, ktoré majú príliš nízku vyplnenosť, kde by imputácie neposkytovali vierohodné odhady. V ďalšom bode je možné implementovať chýbajúce hodnoty v líniách liečby, pri ktorých sú dobre odhadnuteľné, teda je u pacienta uvedených dostatok informácií nato, aby mohli byť chýbajúce hodnoty imputované. Pred samotnou imputáciou sme museli najprv skontrolovať rozloženie všetkých spojitých parametrov. 10 extrémne odľahlých hodnôt v parametroch: Vápnik, Albumíny, β2 mikroglobulín a M-proteín sme museli nahradiliť za chýbajúcu hodnotu. Kritérium pre vyradenie línie liečby s nedostatočnou vyplnenosťou sme si stanovili ako minimálny počet vyplnených parametrov 20 z celkových 40 (50,0 %). V prípade, že by nedostatočne vyplnená bola primoterapia, vyradíme celého pacienta, pretože model s ktorým pracujeme nevie pracovať so zľava orezanými dátami, a teda potrebujeme dostatočne vyplnenú prvú líniu liečby. Pokiaľ by posledná línia liečby bola nedostatočne vyplnená, predĺžime trvanie predposlednej línie liečby o dĺžku sledovania v poslednej línii liečby. Takisto, pokiaľ by nastalo úmrtie v poslednej línii, tak pridáme aj túto informáciu do predposlednej línie. Týmto postupom prídeme teda o jednu rekurentnú udalosť. Pokiaľ by nedostatočne vyplnená línia liečby bola uprostred, teda by sa nejednalo ani o prvú ani o poslednú líniu liečby pacienta, tak líniu liečby vyradíme a časová známka ostatných línii liečby ostane zachovaná. Dáta by v takomto prípade obsahovali časové obdobia, ktoré sú bez informácií o niektorých líniách liečby pacienta, ale nezmeníme týmto postupom celkové prežívanie pacientov. Teda by sme v dátach mali záznam n-tej línie liečby a následne až (n+2). línii liečby. Pri aplikovaní pravidla zisťujeme, že počet línií, ktoré nespĺňajú vopred stanovené pravidlo vyplnenosti aspoň 20 z 40 parametrov je 44. Z toho 31 línií liečby predstavuje primoterapiu, takže musíme vyradiť aj všetky ostatné línie týchto pacientov (ďalších 43 línií). Zvyšných 13 línií, ktoré nemajú dostatočnú vyplnenosť a nepredstavujú primoterapiu sú však všetko línie tých istých pacientov, ktorí majú nedostatočnú vyplnenosť primoterapie. Vo výsledku teda zisťujeme, že z dátového súboru nemusíme vyradiť žiadnu líniu liečby uprostred sledovania pacientov, a ani nemusíme zlučovať posledné a predposledné línie liečby. Na základe kritéria sme teda vo finále vyradili 74 línií liečby (31 pacientov). Finálny dátový súbor obsahuje línií liečob, čo predstavuje pacientov. Komentář [LB193]: Raději příprava dat pro analýzu? Postup = metodika je v předchozí kapitole vidím, že se týká jen imputací, proč to tedy nenazvat imputace chybějících dat? Nadpis by měl být maximálně specifický. Po přečtení bych toto dala spíše jako podkapitolu metodiky Komentář [LB194]: Důležité, může být i součástí diskuze Komentář [LB195]: Nezačínat číslovkou Komentář [LB196]: Jen pro vyhodnocení úmrtí ale? Komentář [LB197]: Nedělitelná mezera Komentář [LB198]: Doplnila bych % z celkových xx linií 42

55 5.1. Odhad chýbajúcich hodnôt Imputácia chýbajúcich hodnôt môže byť aplikovaná iba v prípade, že chýbajúce pozorovania v dátach chýbajú náhodne. Teda to, že hodnota chýba, nie je závislé na žiadnom ďalšom faktore nepozorovanom v dátach (Donders et al., 2006). Príkladom závislých chýbajúcich hodnôt alebo dát chýbajúcich nenáhodne (MNAR Missing Not At Random ) môže byť pozorovanie premennej hmotnosť respondenta. Pacienti s vyššou hmotnosťou majú väčšiu tendenciu neuviesť hodnotu, a teda tieto chýbajúce údaje sú informatívne mohli by sme zvažovať hypotézu, že pokiaľ hodnota chýba, bude mať pacient nadváhu. Avšak tento fakt nemôžeme bez intuície z dát zistiť, pokiaľ všetci respondenti s vyššou hmotnosťou údaj nebudú mať vyplnený, takže takéto dáta nemôžeme imputovať. Predstavme si dáta, kde máme hodnoty inteligenčného kvocientu (IQ) respondentov s niekoľkými chýbajúcimi hodnotami, a takisto je súčasťou dát informácia o pohlaví a veku. Takúto skupinu chýbajúcich dát môžeme považovať za chýbajúce úplne náhodne (MCAR Missing Completely At Random ), ktoré sa nedajú vysvetliť ostatnými charakteristikami v dátach. Pohlavie ani vek pravdepodobne nebude rozhodujúci faktor, ktorý by súvisel s prítomnosťou alebo neprítomnosťou hodnoty IQ respondenta. Dáta, ktoré má zmysel imputovať by teda nemali byť ani nenáhodné ani chýbajúce úplne náhodne. Uvažujme respondentov, ktorých sa pýtame na dosiahnuté vzdelanie, roky praxe a plat, pričom pri hodnotách platu sa vyskytujú chýbajúce hodnoty. Môžeme predpokladať, že respondenti s vyšším vzdelaním a viac rokmi praxe budú mať aj vyšší plat. Chýbajúce hodnoty síce nie sú informatívne, ale predpokladáme, že sú vysvetliteľné ostatnými charakteristikami respondenta (MAR Missing At Random ). Na tomto princípe pracuje implementácia chýbajúcich hodnôt (Buuren a Groothuis-Oudshoorn, 2011), ktorá pomocou uvedených charakteristík pacienta imputuje chýbajúce hodnoty daného parametru. Pre odhad chýbajúcich hodnôt sme použili softvér R, konkrétne sme pracovali s balíčkom mice Multivariate Imputation by Chained Equations (Buuren et al., 2015), a pre vytvorenie grafických výstupov sme pracovali s balíkom lattice (Sarkar, 2008). Komentář [JJ199]: Implementace? Ne imputace? Princípom implementácie chýbajúcich hodnôt je regresná analýza, ktorá na základe ostatných charakteristík pacienta vyhodnotí najpravdepodobnejšiu hodnotu chýbajúcej premennej (Buuren a Groothuis-Oudshoorn, 2011). Pre binárne premenné sme aplikovali metódu LogReg, ktorá je založená na logistickej regresii. Pre spojité premenné sme aplikovali metódu PMM (z anglického Predictive Mean Matching ), ktorá je založená na predikovaní priemerom. Pre kategoriálne, ordinálne premenné sme použili metódu PolR, ktorá pracuje na princípe ordinálneho logistického regresného modelu a pre kategoriálne, ale neordinálne (nominálne) premenné sme použili metódu PolyReg, ktorej princípom je multinomický logitový model (Buuren et al., 2015). Odhad chýbajúcich hodnôt je založený na myšlienke, že každý subjekt v dátach je náhodne vybratý jedinec z populácie, ktorého je možné nahradiť novým jedincom, ktorý bude takisto náhodne vybratý z tej istej populácie ako pôvodný jedinec. Imputáciou chýbajúcich hodnôt teda vytvoríme nového jedinca, ktorého údaje budú dostatočne reprezentatívne na to, aby takisto patril do tej istej populácie odkiaľ pochádza jedinec 43

56 s chýbajúcimi hodnotami (Donders et al., 2006). Ako ukazuje Eisemann et al., (2011) vyplnenosť parametrov aspoň z 50 %, ktorú sme pri čistení dátového súboru aplikovali je postačujúca pre kvalitné a relevantné imputácie založené na regresnej analýze. V rámci algoritmu môžeme nastaviť počet iterácií pre každú jednu imputáciu hodnoty, čo slúži na overenie kvality imputovaných hodnôt a takisto počet, koľkokrát sa majú hodnoty imputovať. Výsledky imputácií zobrazuje Príloha č. 1. Počet iterácií algoritmu sme nastavili na hodnotu 50 a vytvorili sme 5 rôznych dátových súborov s imputovanými hodnotami. Hárok Metóda obsahuje údaje o tom, ktoré premenné sme imputovali a akou metódou. Kvalitu získaných výsledkov môžeme zhodnotiť jednoduchým porovnaním frekvenčným charakteristík. Pri spojitých premenných sme porovnali minimum, 5. percentil, medián, priemer, 95. percentil a maximum. Výsledky v prílohe znázorňuje hárok Spojité premenné. Hodnoty charakteristík sú v jednotlivých imputáciách veľmi podobné pôvodným dátam, takže môžeme predpokladať, že sme vytvorili dostatočne reprezentatívne vzorky. Pre kategoriálne premenné sa zase pozrieme na to, či sa pomerovo nezmenilo zastúpenie jednotlivých kategórií. Hárok Kategoriálne premenné obsahuje zhrnuté výsledky pre všetky imputácie. Z výsledkov pozorujeme, že imputácie si sú navzájom takisto veľmi podobné a dobre odzrkadľujú pôvodné dáta Grafy rozloženia dát Komentář [LB200]: Výsledné srovnání se může lišit může to být tím, že právě chybějící hodnoty jsou např. ty vyšší. Neznamená to, že výsledek imputace je špatný. Komentář [LB201]: Která z 5 imputací byla nakonec využita k analýze? Ďalším nástrojom pre rozhodnutie o kvalite imputácii je graf zobrazujúci hustotu rozloženia 4 náhodnej veličiny (nejedná sa o matematickú definíciu hustoty pravdepodobnosti náhodnej veličiny pre spojité premenné, ale iba o bezjednotkovú mieru zastúpenia jednotlivých hodnôt premenných). Obrázok č. 14 znázorňuje výsledok pre spojitú premennú Vápnik (mmol/l) pri diagnóze a kategoriálnu premennú Osteolytické postihnutie (počet ložisiek) pri zahájení línie liečby. Na osi x sú hodnoty príslušnej premennej a na osi y hustota rozloženia. V grafe sú znázornené výsledky 5 imputácií spolu s rozložením pôvodných dát. Ideálnym výsledkom teda je, že rozloženie imputovaných dát zodpovedá rozloženiu pôvodných dát. Výsledky pre všetky premenné sú uvedené v hárku s názvom Grafy rozloženia a môžeme konštatovať, že imputácie sú dostatočne reprezentatívne. pôvodné dáta imputácie pôvodné dáta imputácie Obrázok č. 14: Hustota rozloženia imputovaných a pôvodných dát 4 zobrazenie, ktoré každému elementárnemu javu priraďuje určité reálne číslo, ktoré charakterizuje mieru zastúpenia tohoto javu 44

57 Grafy prekrytia údajov Okrem grafu hustoty rozloženia sa pozrime aj na prekrytie jednotlivých imputovaných hodnôt s pôvodnými dátami. Takýto graf zobrazuje Obrázok č. 15 pre spojitú premennú Vápnik, kategoriálnu premennú ECOG štádium a takisto kategoriálnu premennú Dôvod zahájenia liečby. Všetky výsledky sú uvedené v hárku Grafy prekrytia údajov. V nultej kolónke sú zobrazené hodnoty z pôvodného súboru a postupne v 1 až 5 je zobrazené ich prekrytie s jednotlivými imputáciami. Na osi x je zobrazená podmienená pravdepodobnosť: p(x) = P(M = 1 X = x) (5.1) kde X je vektor charakteristík identifikujúcich skupiny podobných pacientov, x je konkrétna hodnota u príslušného pacienta a M je binárna premenná identifikujúca, či daná premenná chýba alebo nie. Os y predstavuje hodnoty príslušnej imputovanej premennej. Z obrázku vidíme, že pri premennej Vápnik sa imputované hodnoty pomerne dobre prekrývajú s pôvodnými hodnotami, a predpokladáme, že sa jedná o dáta MAR. Avšak pri štádiu ECOG vidíme, že imputované hodnoty sa neprekrývajú v pravej časti grafu s pôvodnými dátami. Príčinou by mohlo byť, že dáta sú MCAR, a teda že v dátach neexistuje súbor premenných, ktoré by dostatočne vysvetľovali túto premennú a imputované sú náhodne. Z dôvodu demonštrácie výsledkov imputácie premenných chýbajúcich nenáhodne, teda MNAR, sme skúsili pre ukážku imputovať premennú Dôvod zahájenia liečby aj pre primoterapiu. Dôvod zahájenia liečby je vyplnený iba pre opakujúce sa línie liečby, pretože obsahuje iba kategórie z dôvodu relapsu/progresie ochorenia alebo nedostatočnej odpovede na predchádzajúcu liečbu. Keďže primoterapia je prvá línia liečby pacienta bez histórie ochorenia, nemohla tu byť vyplnená žiadna z týchto dvoch hodnôt. Napriek tomu, že vo vysvetľujúcich premenných je premenná Línia liečby, ktorá presne identifikuje skupinu línií liečob (primoterapie), ktoré všetky mali chýbajúcu hodnotu pri Dôvode zahájenia liečby, nedokážeme usúdiť, ktorú kategóriu máme imputovať. Dôvodom je fakt, že v dátach nemáme ani jeden údaj pri línii liečby s primoterapiou, ktorá by mala priradenú nejakú hodnotu v premennej Dôvod zahájenia liečby. Preto sú kategórie priradené náhodne do oboch možností zelený obdĺžnik na obrázku. Tento problém je v našom prípade jednoducho riešiteľný pridaním novej kategórie Primoterapia, avšak jav môže nastať pri komplikovanejších a nespozorovateľných dátach, na ktorých odhalenie je nápomocná aj táto grafická interpretácia. Rovnako sme problém vyriešili aj pri charakteristikách z predchádzajúcej línie liečby, teda finálnej liečebnej odpovedi, toxicite liečby, poskytnutí transplantácie a liečebnom režime. Komentář [LB202]: Toto by mělo být v jiném formátu než zbylý text (jak máš v teoretické části u popisu modelů). Stejně X, M. 45

58 pôvodné dáta imputácie Obrázok č. 15: Prekrytie údajov imputovaných a pôvodných dát Grafy konvergencie imputácií Obrázok č. 16 znázorňuje priemer a smerodajnú odchýlku (SD) pre imputované hodnoty parametru Vápnik pre všetkých pacientov v jednotlivých 5 imputáciách, postupne vo všetkých 50 iteráciách. Aby sme dosiahli požadovanú konvergenciu modelu, musia si jednotlivé reťazce náhodne vymieňať miesta a nemali by sme tu pozorovať žiadny trend jedného reťazca. Znamenalo by to, že sa v každej imputácii implementovala iná, ale stále rovnaká, rastúca alebo klesajúca hodnota. Vytvorené imputácie by teda nepredstavovali vzorky z tej istej populácie. Konvergenciu môžeme definovať tak, že rozptyl priemeru (respektíve smerodajnej odchýlky) medzi reťazcami (imputačnými pokusmi) nie je väčší ako rozptyl každého reťazca samostatne. Všetky výsledky sú uvedené v prílohe na hárku Grafy priemer a SD a môžeme konštatovať, že výsledky sú dostatočne reprezentatívne aj na základe tohto zhodnotenia kvality imputácií. Vápnik priemer smerodajná odchýlka iterácie iterácie 46