论文部分内容阅读
第一部分基于临床变量构建小细胞肺癌2年生存预测模型目的:探讨影响小细胞肺癌(SCLC)预后的临床危险因素并构建基于临床变量的SCLC预后预测模型。方法:回顾性分析2015年1月到2018年12月山西省肿瘤医院经病理证实为SCLC的722例患者的临床资料,通过单因素和多因素COX回归分析影响SCLC患者预后的危险因素,构建Nomogram预测模型。使用ROC曲线下面积(AUC)、校准曲线、整合布莱尔评分(IBS)和决策曲线(DCA)评估模型的预测性能并与第8版TNM分期进行比较。基于该模型建立Nomogram-风险指数评分(NRI),对患者进行风险分层。结果:性别、单核粒细胞计数(MON)、神经元特异性烯醇化酶(NSE)、细胞角蛋白19片段(Cyfra211)、M分期、是否放疗、化疗周期数和脑预防照射(PCI)是SCLC预后的显著影响因素。基于此建立的Nomogram模型,在训练组和验证组中的2年AUC分别为0.814(95%CI:0.765-0.862)和0.787(95%CI:0.725-0.849),高于第8版TNM分期(0.616,95%CI:0.558-0.674)和(0.648,95%CI:0.581-0.715);校准曲线表明其预测2年生存(OS)率与实际观测概率一致性良好;IBS表明其具有更小的预测误差值(训练组:0.132 vs 0.169;验证组:0.138 vs 0.169);DCA表明其较TNM分期有更宽的阈值范围(训练组:0.01~0.96 vs 0.01~0.85,验证组:0.01~0.94 vs 0.01~0.86)和更高的临床净获益(训练组:列线图在0.19~0.96阈值范围内获益高于TNM分期;验证组:列线图在0.19~0.94阈值范围内获益高于TNM分期)。Kaplan-Meier曲线和log-rank检验显示NRI不同风险组间差异有统计学意义。结论:性别、MON、NSE、Cyfra211、M分期、是否放疗、化疗周期和PCI是SCLC预后的显著影响因素,基于临床变量的SCLC 2年OS预测模型,能够为SCLC患者提供准确的预后评估。第二部分融合CT征象提高了小细胞肺癌预后模型的预测准确性目的:评估CT影像特征对SCLC预后的预测价值,并联合CT征象进一步构建Nomogram风险指数+CT影像特征(NRI-CT)模型。方法:从722例SCLC患者中筛选有本院完整治疗前胸部CT影像资料的患者313例,对其CT征象进行统计分析,使用单因素COX回归及最小绝对收缩算法(LASSO)-COX回归建立CT-RISK评分。将CT-RISK纳入原有的NRI模型中,构建NRI-CT,通过AUC、时间依赖AUC(t AUC)、IBS、DCA对NRI、CT-RISK和NRI-CT模型进行评估比较,并通过净重新分类指数(NRI*)和综合判别指数(IDI)评估NRI-CT对NRI的提升程度。结果:毛刺、液化坏死、淋巴结融合与SCLC的预后相关。基于以上三个变量建立CT-RISK并且以0.203为临界值将SCLC患者分为高危组和低危组。CT-RISK高危组患者的中位OS显著低于低危组(13.3个月vs18.4个月,P<0.001)。NRI-CT预测2年OS的AUC(0.773,95%CI:0.716-0.829)高于NRI(0.738,95%CI:0.679-0.797)和CT-RISK(0.587,95%CI:0.524-0.650)。t AUC、IBS和DCA均表明NRI-CT较NRI和CT-RISK有更好的区分能力、校准度和临床净获益。此外,与NRI相比,NRI-CT的2年NRI*为14.8%(95%Cl:3.64%-29.65%,P=0.028),IDI为4.00%(95%Cl:0.4%-7.24%,P=0.012)。结论:部分CT征象(毛刺、液化坏死、淋巴结融合)对SCLC的预后也有一定预测价值,融合CT影像特征和临床因素的NRI-CT模型,能够有效改善预测效能,进一步提高对SCLC患者预后的预测准确性。