您好,欢迎您

在超早期肺腺癌患者中预测淋巴结转移状态

2018年05月19日
作者:广州医科大学附属肿瘤医院胸外科 郑于臻
来源:微信公众号“郑正有词”

1.jpg今天跟大家分享最近上线<Annals of Thoracic Surgery>的一项回顾性研究,来自上海肺科医院。

背景介绍

旨在了解临床评估cT1aN0M0腺癌,却出现淋巴结转移的高危因素。

目的:建立预测模型,来预测在这部分早期患者中出现淋巴结转移的几率。

研究对象:2015年在上海肺科医院接受诊治的851名cT1aN0M0腺癌患者。

方法学特点:既往研究往往基于个人评估的结果来研究早期肺癌淋巴结转移的高危因素,但在这项研究中,则将重点放在Texture results,也就是以电脑系统读取结节获取相关数据信息,这种数据一致性好,有效规避个人偏倚,因此更容易临床推广。

治疗手段:所有患者接受肺叶/亚肺叶切除+系统性淋巴结清扫/淋巴结采样。

数据特点:文章纳入变量包括常见临床病理学数据及结节的系统分析数据。其中,前者比较常见,包括了年龄、性别、吸烟状态、CEA及肿瘤部位;系统分析数据方面,作者先将所有纳入研究患者进行重建(medium sharp reconstruction algorithm),而后以系统进行分析并留取以下数据:

2.jpg

数据有三类:(1)关于结节密度直方图的首轮分析数据:均数、标准误、数据偏态性、数据峰度、熵、数据同质性,数据的10%位点和90%位点;(2)形状及大小:体积、毛体积(我理解为肺窗下的大小)、有效体积(我理解为纵隔窗下的大小)、表面积、圆球度、密度、光滑度;(3)关于灰度共显像矩阵的二次分析:逆差矩、对比度。

研究方法:作者将851名患者分为A组(n=501)和B组(n=310)。A组用于构建研究模型,B组用于验证该模型的有效性。

模型构建阶段——A组分析 n=501

1.发现高危因素

在临床因素方面,作者发现CEA水平及肿瘤部位(中央/外周)对淋巴结转移状态有潜在的提示意义。

3.jpg

在结节texture results方面,则发现所有的数据均对淋巴结转移状态有潜在的提示意义:

4.jpg

2. 寻找独立风险因素

作者将A组501患者分为5个亚组,以此为单位为潜在风险因素进行独立分析,并获得每个亚组人群中的独立风险因素。

5.jpg最后,将5个模型筛选的风险因素进行统计,并将其出现频率最高的5个变量,视为全组患者的潜在风险因素而纳入分析,最终得到A组的独立风险因素。

6.jpg

基于此构建Nomogram预测模型:

(90%位点的连续性数据进行简化,将100HU视为1单位,则200HU读取为2单位)

7.jpg

了解该模型的有效性与准确性:

在各个sub-model人群中进行calibration,发现系统预测值与实际值吻合度很好。

8.jpg

针对A组全部患者,以此系统绘制ROC曲线,发现曲线下面积达0.883,提示该模型对A组患者预测准确性好。

9.jpg

模型验证阶段——B组,n=310

以此模型在B组人群中绘制ROC曲线,发现曲线下面积达0.808,提示该模型在B组人群中同样具有很好的预测准确性。

10.jpg

结论:

这个基于CEA水平、结节密度直方图的数据偏态性、结节密度直方图的数据偏态性90%位点及结节密度构建的预测模型,可以有效预测临床评估超早期肺腺癌患者淋巴结转移状态。

小编寄语

大数据时代下的数据有其特点,规模大、流转快、类型多而价值密度低。针对同一组数据,如何开展有效挖掘,基于合理的临床假设、提出科学的试验方法、采取对应的统计分析,并得到独特的分析结果,是新时代下的一项很重要的本领。

该研究立意并不新,类似的研究许许多多。但其独特性正在于对临床忽略数据的深度挖掘,因此其研究思路值得借鉴。

在该研究结果方面,因为非人为因素,其偏倚更少,也适合临床推广。当然,前提是我们所在医院采取的CT检查仪、重建软件及参数设置和该研究一致。

12.jpg


评论
2019年09月06日
张庆民
胜利油田中心医院 | 肿瘤科
学习