206:肿瘤项目系列(一)---TU的编写

应一位前同事的要求,要我讲讲至事件时间相关方面的东西,放在肿瘤项目中,主要就是涉及TU-TR-RS,ADRS,ADTTE等,所以这次准备详细的介绍一下,并用《SAS PRO Project》里面的数据进行相关的说明.

顺便说一下,《SAS PRO Project》里面的数据最近更新了一下,纳入了肿瘤相关的数据,可以进行TU-TR-RS的编写,有需要的可以去简书查看详细说明

在讲TU之前,我想先跟大家讲一下受试者接受抗肿瘤治疗的整个过程,了解了这些,你写起肿瘤项目可能就不是那么迷糊,我感觉了解这些,比你直接去写数据集更重要。

①:受试者参与肿瘤项目的临床研究,他本身身体上是带有肿瘤或者说是病灶的。在接受研究药物的治疗前,研究者会根据相关标准(比如说RECISIT1.1)判定出靶病灶、非靶病灶,这就是基线评估(注意这跟后面的什么CR,PR,SD,PD这些评估不一样,后者是疗效评估,在基线期一般不会直接就进行疗效评估),做这些基线评估就是为了跟给药后的评估结果进行比较。你们能想象,我写下下面这篇文章的时候,连肿瘤项目都没写过吗

肿瘤相关临床知识(一)---靶病灶和非靶病灶

②:当进行研究药物的治疗后,根据方案规定的时间,进行一次肿瘤评估,这时候受试者会进行靶病灶的评估、非靶病灶的评估、以及是否有新病灶的出现,研究者根据上面的这些靶病灶的评估,非靶病灶的评估,以及新病灶评估,得到一个总体评估的结果,这就是我们后面写ADRS,ADTTE要用到结果。

③:正是有一系列的总体评估的结果,比如某个受试者各个周期的总体评估结果是PR-SD-SD-PD,这时候就衍生出一系列的至事件时间,比如PFS,DOR,TTR等,就是根据这些结果,影像扫描时间综合推导出的。

上面就是我个人对这些概念的理解,如果有不合适的地方,欢迎指出。

TU domain网上也有很多人讲过了,我也不再太过详细的描述了,就拿数据来解释一下吧。

下面这一张是靶病灶的RAW数据


下面是非靶病灶的RAW数据,


TU domain记录的就是每个受试者,有几个肿瘤,然后给每个肿瘤编上号,需要注意的是,我在做项目的过程中,会碰上同一个编号对应两个或者多个病灶部位,这是不对的,要反馈给DM,一般一个病灶只会对应一个编号(除非病灶分裂了)。

data tu;

set tutar(in=a) tutrn(in=b) tunew(in=c) ;

TUEVAL='研究者';

TUTESTCD='TUMIDENT';

TUTEST='肿瘤识别';

if a then do;

  /*靶病灶页面*/

TULNKID='T'||strip(TRNUM);

TUORRES='靶病灶鉴定';

output ;

end;

if b then do;

/*非靶病灶页面*/

if TRNYN='是';

TULNKID='NT'||strip(TRNNUM);

TUORRES='非靶病灶鉴定';

output ;

end;

if c then do;

/*新病灶页面*/

if NEWYN='是';

if NEWTYN ne '' then do;TULNKID='NEWT'||strip(put(input(NEWNUM,best.),z2.));TUORRES='新靶病灶';output ;end;

if NEWTRN ne '' then do;TULNKID='NEWNT'||strip(put(input(NEWNUM,best.),z2.));TUORRES='新非靶病灶';output ;end;

end;

run;


对于新病灶,我们可能还会区分是新的靶病灶还是新的非靶病灶。这时候的TULNKID病灶病号也是不一样的。

这个编号我们会用TU domain的TULNKID变量来标识靶病灶和非靶病灶,因为CRF上不管是靶病灶还是非靶病灶,编号可能都是从01开始,所以在做TULNKID的时候,我们一般会在前面拼上“T”表明这是靶病灶的编号,“NT”表明这是非靶病灶的编号,“NEW”表明这是新病灶的编号,当然还有其他方式,只要你能区分开来就可以了。

TULNKID生成之后,这个编号就伴随着受试者进行接下来多个周期的肿瘤评估,直到PD出组。

TULNKID和TRLNKID一般是取一样的值,这两个一一对应,因为一个病灶被标识出来后,对于病灶本身,比如实体瘤,它有非淋巴结靶病灶最长径或者淋巴结靶病灶最短径,对病灶的测量,我们放在TR数据集里面,然后对于同一个受试者同一个病灶在TR中的多个检测项,这个TRLNKID就一直跟着这个病灶,这个我们在TR中再讲。

对于病灶的分裂和融合,你们看IG的例子就可以了。

最后多讲IG中TU domain提到的这两个变量,有时候我们不仅会用到EDC中的数据,对于肿瘤评估,有的还会多增加IRC(独立影像评估)进行评估结果的双重确认,然后IRC中可能还会好几个独立影像评估人,但是一般都会有最终的被采纳的评估结果(直接在IRC外部文件中会出现这个变量),那么我们后面做ADRS或者ADTTE,用的都是这个为Y的数据去衍生相关数据。后面看下会不会具体讲到。

TU-TR-RS跟其他finding类的domain不太一样,可以说有时候是完全独立的两个体系,比如说有时候肿瘤评估的数据没有访视,只有一个日期;TULNKID你也可以加上访视,这样每个访视都有一个新的TULNKID(但还是要和TRLNKID对应上)

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 214,100评论 6 493
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 91,308评论 3 388
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 159,718评论 0 349
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 57,275评论 1 287
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 66,376评论 6 386
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 50,454评论 1 292
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 39,464评论 3 412
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 38,248评论 0 269
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,686评论 1 306
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 36,974评论 2 328
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,150评论 1 342
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,817评论 4 337
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,484评论 3 322
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,140评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,374评论 1 267
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 47,012评论 2 365
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 44,041评论 2 351

推荐阅读更多精彩内容