基于SEER数据库的预测模型这么分析2020年依旧可以发5分+

大家好，这次给大家分享的文献是A nomogram for predicting overall survival in patients with low-grade endometrial stromal sarcoma: A population-based analysis，2020年5月发表在cancer communications杂志上，影响因子5.62。本文主要是寻找与低分级恶性子宫内膜间质肉瘤（LG-ESS）预后显著相关的临床特征并构建预测模型，以达到预测LG-ESS患者的总体生存率的目的。

术语

AIC：赤池信息量准则，是衡量统计模型拟合优良性的一种标准

Hys-BSO：子宫切除术不包括双侧输卵管切除术和卵巢切除术

Hys + BSO：子宫切除术伴双侧输卵管切除术和卵巢切除术

VIF：方差扩大因子，是表征自变量观察值之间复共线性程度的数值。

摘要

背景:低分级恶性子宫内膜间质肉瘤（LG-ESS）是一种罕见的肿瘤，缺乏预后预测模型。本研究旨在开发一个列线图来预测LG-ESS患者的总体生存率。

方法:从SEER数据库中选择1988年至2015年间确诊为LG-ESS的1172例患者并分为训练组和验证组。列线图的预测能力使用一致性指数(C指数)、ROC曲线、校准曲线和决策曲线分析（DCA）进行评估。

结果:共选取7个变量，建立了LG-ESS的列线图。C指数(训练组为0.814，验证组为0.837)和ROC曲线的AUC (> 0.7)表明了列线图的预测能力。校准曲线显示，在训练和验证队列中，诺谟图的预测和实际观察之间具有良好的一致性。NRI（净重新分类指数）值(训练队列:5年预测为0.271，10年预测为0.433；验证队列:5年为0.310，10年操作系统预测为0.383)和IDI（综合判别改善指数）(训练队列:5年为0.146，10年为0.185；验证队列:5年预测值为0.177，10年预测值为0.191)表明，所建立的列线图表现明显优于仅基于FIGO标准的肿瘤分期。此外，DCA显示列线图在临床上是有用的，并且比基于FIGO标准的肿瘤分期具有更好的识别高危患者的鉴别能力。

结论:一个预后列线图被开发和验证，以帮助临床医生评估患者的预后。

研究流程图

结果

1、患者和疾病的特征

共有1172名患者被确定患有LG-ESS，并以7:3的比例随机分为训练队列和验证队列。这些LG-ESS患者的人口统计学和临床特征总结如表1所示。

2、列线图变量筛选

根据迭代回归结果，包含年龄、婚姻状况、肿瘤大小、肿瘤分期、化疗、放疗和淋巴结切除术的模型在训练队列中具有最小AIC值。VIF值均< 4，表明筛选变量之间不存在共线性。在单变量回归分析中，八个变量(年龄、婚姻状况、肿瘤大小、肿瘤分期、手术类型、化疗、放疗和淋巴结清扫)与OS显著相关。在多变量Cox回归分析中，年龄、婚姻状况、肿瘤大小、肿瘤分期、化疗和淋巴结清扫被确定为LG-ESS的独立预后因素(表2)。

3、列线图的构建和验证

根据筛选出的变量，我们构建了LG-ESS的列线图。根据列线图模型排列的前四个因素是年龄、肿瘤大小、化疗和肿瘤分期。图1显示了一个使用列线图预测给定患者生存概率的例子。

在训练队列中，列线图的C指数值为0.814，在验证队列中为0.837。在训练和验证队列中，预测10年OS相关的依赖时间的AUC值大于0.7(图2)，表明列线图具有较强的区分能力。列线图的校准曲线显示，在训练和验证队列中，预测和观察到的存活概率之间具有高度一致性(图2)。总之，LG-ESS的列线图具有相当强的分辨和校准能力。

图1

图2

4、诺谟图与基于FIGO标准的肿瘤分期的临床价值比较

C指数、NRI和IDI的变化用于比较列线图和仅基于FIGO标准的肿瘤分期之间的准确性。在训练队列中使用列线图时，C指数为0.163，5年和10年OS的NRI值分别为0.271和0.433，5年和10年OS的IDI值为0.146。这些结果在验证队列中得到验证(表3)，表明列线图预测预后的准确性高于基于FIGO标准的肿瘤分期。

列线图的临床收益与基于FIGO标准的肿瘤分期进行了比较。DCA曲线显示，列线图可以更好地预测5年和10年的OS，因为与基于FIGO标准的肿瘤分期相比，它在训练和验证队列中的几乎所有阈值概率以及所有患者治疗方案和无治疗方案都增加了更多的净收益(图3)。

图3

结语

本篇文章研究的癌症是低分级恶性子宫内膜间质肉瘤，思路也很简单，就是想找出影响低分级恶性子宫内膜间质肉瘤预后的临床特征，并与基于FIGO的肿瘤分期进行比较，说明预测模型的优势。可以说这篇文章的分析思路不是亮点，但选择的疾病即低分级恶性子宫内膜间质肉瘤是前人很少研究的，因此我们在做基于SEER数据库的分析时可以选择一些比较罕见的疾病进行分析，这样才能使得文章有新意、有亮点。