SEER数据挖掘文章有哪些研究模式_数据库使用指南_实用技巧

SEER数据的大规模数据优势是无可比拟的。大规模的病例数还可以减轻病理学诊断的少数或随机错误分类的影响。SEER依靠实验室的质量规范来最大程度地减少此类错误

. 肿瘤发病率的研究

SEER能发现一些无法通过简单的估计病例数和频数分布得出的结论。率（rates）告诉我们的是某个地区个体的发病率。而百分比（Percentages）只是告诉我们特定时间点上特定癌症的数量占所有癌症的比例。即使在从人群中收集每种癌症的研究中，按亚型分类的癌症百分率也可能会产生误导，因为未考虑高危人群中癌症的发生率。例如：SEER数据显示，美国乳腺癌的总体患病率极高，这在很大程度上是因为老年女性中雌激素受体（ER）阳性癌症的发生率很高。举例说明：尽管马来西亚的三阴性阴性癌症的百分比或相对频率分布高于美国，但美国的三阴性阴性癌症的发病率也高于许多其他国家，例如马来西亚。相反，在SEER中进行的研究已经证实了流行病学研究的结果，这些研究表明，非洲裔美国人的人群中三阴性乳腺癌的发病率明显更高

. 罕见肿瘤的发病率

研究罕见肿瘤的发病率，由于SEER的大规模数据优势，使得研究多条件限制的较小群体成为可能。举例说明：有人利用SEER数据得出了这样的结论年龄标准化的非西班牙裔白人女性的乳腺癌发病率总体上比黑人女性高。其中的变量包括了人种族、肤色和年龄。

. 出生队列效应与周期效应

一段时间内癌症发病率的变化可能反映出重要危险因素（出生队列或暴露影响）的发生率和/或筛查的变化。对SEER数据的分析可以追溯到过去的40多年，为了解癌症发生率的时间趋势提供了重要的背景。举例说明：Ravdin等人报告说，与2002年相比，2003年美国按年龄校正的乳腺癌发病率急剧下降了6.7％。

. 肿瘤风险预测模型

这是一种比较常见的研究模式了，应用TCGA的基于分子构建预测模型有一个不足在于较小的样本量，这是一个先天的不足。反过来， SEER在构建模型这一点上具备先天的优势，这样的模型更具有推广的可能性。SEER 可以被看作是一个开放的队列或一群有共同经验的个人，可以随时进入或退出。在 SEER中，子队列可以通过出生年份，人口统计学，随访和/或诊断日期来定义。在许多风险预测模型中，特定年龄的SEER发生率数据会可以产生基线风险，该基线风险会因个人的其他风险因素而被修改，从而可以预测在特定时期内在特定年龄发生特定癌症的风险。最著名和广泛使用的工具之一是“乳腺癌风险评估工具”或“盖尔模型”，用于估计患乳腺癌的发生风险。该模型最初是为白人妇女开发的，然后扩展到适用于非白人妇女 www.cancer.gov.bcrisktool 。定期更新以反映乳腺癌发病率的变化.

. 肿瘤实践与生物标志物的利用

1单独的SEER数据或与生物标本，生物标志物和其他资源结合使用的SEER数据对理解病理诊断的临床意义具有重要意义。例如一个一份评估9基因标记的肺癌预后的研究报道，将结果与来自SEER的基本患者信息相结合，可以提高预测模型的预测效果。这表明与其他几种癌症类型相似，肿瘤分类法可能越来越多地将组织病理学分类，分子检测和临床因素共同纳入。其它研究还有很多，后续的推文，我可能会分享一些应用 **SEER**数据库的文献。

. SEER的局限性

SEER数据的最佳利用可利用有以下方面的优势：对美国人群的代表性和普遍性，较长的数据收集时间，大量的病例以及特定癌症结局的收集。

局限性包括

收集有关特定癌症风险和治疗的个人水平数据不完整，以及从源登记处收集的数据不准确和不完整。另外就是缺失降低风险的数据记录，目前尚未收集肿瘤复发数据，因此无法评估无进展生存期 PFS（Progression free survival)，局部，区域和远距离控制的相关性以及挽救疗法的有效性。
此外，由于收集的数据不能区分治疗的目的是治愈性的还是姑息性的，因此不能完全评估生存结果。
未收集有关化学疗法和放射疗法的类型，剂量和持续时间以及使用其他口服药物的具体细节。
当个体移入和移出SEER和非SEER地区时，会出现治疗和随访方面的信息空白，并且可能会偏重关于癌症行为的结论，尤其是在重新定位和结局相关的情况下。

. SEER的未来与机遇

SEER计划的未来计划包括扩大生物标志物和治疗的收集，自定义注释，与其他数据库的链接以完全捕获相关信息，随着时间的推移统一编码系统以及扩大生物标本资源。注释的使用可能会扩大，以提供关键变量来解决当前的癌症研究问题。电子记录与药房和商业生物标志物实验室数据库的链接为更详细，完整的治疗和生物标志物数据提供了前景。