CN114613502A - 鼻咽癌患者生存预测模型、构建方法、设备及存储介质 - Google Patents

鼻咽癌患者生存预测模型、构建方法、设备及存储介质 Download PDF

Info

Publication number
CN114613502A
CN114613502A CN202210181229.4A CN202210181229A CN114613502A CN 114613502 A CN114613502 A CN 114613502A CN 202210181229 A CN202210181229 A CN 202210181229A CN 114613502 A CN114613502 A CN 114613502A
Authority
CN
China
Prior art keywords
prediction model
survival
prognosis
nasopharyngeal carcinoma
risk
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210181229.4A
Other languages
English (en)
Inventor
朱小东
陈凯华
李龄
曲颂
江雨婷
梁忠国
潘信斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangxi Medical University Affiliated Tumour Hospital
Original Assignee
Guangxi Medical University Affiliated Tumour Hospital
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangxi Medical University Affiliated Tumour Hospital filed Critical Guangxi Medical University Affiliated Tumour Hospital
Priority to CN202210181229.4A priority Critical patent/CN114613502A/zh
Publication of CN114613502A publication Critical patent/CN114613502A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)

Abstract

本发明属于数据分析技术领域，公开了一种鼻咽癌患者生存预测模型、构建方法、设备及存储介质，所述鼻咽癌患者生存预测模型构建方法包括：分析诱导化疗后肿瘤早期反应及其他治疗前临床、病理、治疗因素在鼻咽癌患者总体生存率的预测价值；基于分析结果确定纳入预测模型的预后因素为年龄、N分期、治疗前EBV DNA、淋巴细胞/单核细胞比值及肿瘤早期反应，基于所述预后因素构建预测模型。本发明建立了以肿瘤早期反应为基础的预后模型，并利用验证队列验证了建立的预后模型的预测性能，且本发明构建的预测模型的预测性能优于鼻咽癌第八版AJCC TNM分期。本发明构建的预测模型能成功将鼻咽癌患者分为高、低风险组。

Description

鼻咽癌患者生存预测模型、构建方法、设备及存储介质
技术领域
本发明属于数据分析技术领域，尤其涉及一种鼻咽癌患者生存预测模型、构建方法、设备及存储介质。
背景技术
目前，鼻咽癌地域分布不均衡，我国华南地区发病率较高。近几十年来，随着影像学和放疗技术的显著进步，早期非转移性鼻咽癌已成为一种高治愈率的疾病。然而，在临床实践中，大约70％的新诊断病例被定义为局部晚期鼻咽癌(LA-NPC)，基于铂类方案的同步放化疗(CCRT)是标准的治疗方法。近十年来，在放疗前应用诱导化疗(IC)已被广泛证实是一种合理的新辅助治疗方法，疗效满意，且毒副反应可接受。之前的多项研究表明，IC显著改善了LA-NPC患者的生存结局。根据国家综合癌症网络(National Comprehensive CancerNetwork，NCCN)指南，II-IVa期的NPC患者均推荐使用IC。尽管随着现代治疗策略的进步，鼻咽癌生存率有所提高，但仍有相当数量的病例出现治疗失败。因此，有必要选择不同风险水平的患者，为个体化治疗提供证据。
目前，鼻咽癌患者的风险评估和治疗决策主要依据TNM分期系统。虽然该系统是国际公认的分期标准，但有时并不能非常满意地预测预后，因为一些TNM分期相同的患者在接受相同的治疗方案后，其临床结果并不完全相同。这一现象提示仅根据TNM分期来制定治疗方案可能是不够的。近年来，越来越多的血液生物标志物被证明对鼻咽癌患者有预后价值，包括EBV DNA，血红蛋白，白蛋白，以及一些系统性炎症指标(例如：中性粒细胞与淋巴细胞比值(NLR)，淋巴细胞与单核细胞比值(LMR)等)。这些因素均在临床中常规检测，是方便获取的。此外，在放疗前给予IC为评估肿瘤化疗敏感性提供了一个独特的机会，这可能有助于指导后续的个体化治疗。最近的研究表明，在IC后的早期肿瘤反应是预测鼻咽癌生存预后的一个强有力的指标。鉴于上述变量对患者的生存结果有不同程度的影响，建立一种方便、准确的模型，并对患者进行评估，并制定相应的治疗策略是有必要的。
通过上述分析，现有技术存在的问题及缺陷为：鼻咽癌TNM分期系统主要依靠解剖因素反应肿瘤情况，同一分期的患者接受相同治疗预后仍存在较大差异，可能是因为TNM分期系统没有考虑到肿瘤本身的生物学可变性，不能完全反映鼻咽癌患者的预后。。
解决以上问题及缺陷的难度为：由于影响鼻咽癌患者的预后因素众多，从中选出若干具有代表性的因素构建预测模型且要求该模型预测效能好而又便捷高效，这具有一定的挑战性。
解决以上问题及缺陷的意义为：在TNM分期系统的基础上建立一个以诱导化疗后肿瘤早期反应为特点的综合预测模型，不仅涵盖肿瘤基本负荷信息，还反应化疗敏感性，能更好的评估患者的预后并指导个体化治疗。
发明内容
针对现有技术存在的问题，本发明提供了一种鼻咽癌患者生存预测模型、构建方法、设备及存储介质。
本发明是这样实现的，一种鼻咽癌患者生存预测模型构建方法，所述鼻咽癌患者生存预测模型构建方法包括：
分析诱导化疗后肿瘤早期反应及其他临床、病理、治疗因素在鼻咽癌患者总体生存率的预测价值；基于分析结果确定纳入预测模型的预后因素，基于所述预后因素构建预测模型。
进一步，所述纳入预测模型的预后因素包括：年龄、N分期、淋巴细胞/单核细胞比值、治疗前EBV DNA及肿瘤早期反应。
进一步，所述预后模型为：风险评分＝年龄+N分期+治疗前EBV DNA+淋巴细胞/单核细胞比值+肿瘤早期反应。
进一步，所述鼻咽癌患者生存预测模型构建方法包括以下步骤：
步骤一：根据受试者工作特征(ROC)曲线分析确定连续变量的截断值，根据截断值将所有的连续变量转换为分类变量。通过Cox单因素回归分析，确定潜在的对预后有影响的因素；对Cox单因素回归分析中P<0.05的变量进行多因素分析。采用Akaike信息准则(AIC)的逆向逐步选择方法对多变量Cox比例风险回归模型中的变量进行识别，筛选得到独立的预后指标，并计算危险比(HRs)及95％的可惜区间；
步骤二，综合所有独立及重要预后因素被用来建立诺莫图(通过R语言软件的“rms”包)。
步骤三，评估所述预后预测模型的预测能力：通过一致性指数(C-index)及校正曲线来评估列线图的准确性。通过C指数、时间依赖性受试者工作特征曲线(tdROC)分析及曲线下面积(tdAUC)(通过R软件的“timeROC”包)、决策曲线(DCA)来比较列线图与第八版TNM分期系统的预测能力。
步骤四，利用每个因子的系数计算个体化的风险评分，通过X-tile软件确定风险评分的最佳截断值，根据截断值将所有病例分为高风险组与低风险组，采用log-rank检验比较不同危险组在训练和验证队列中的生存曲线(通过R软件的“survival”包)。
进一步，所述单因素分析中超出预设阈值的指标为p<0.05的指标。
进一步，所述步骤二之前还需进行：获取符号筛选标准的病例数据，将获取的所有病例数据按照3：1的比例随机分为训练队列以及验证队列。
进一步，所述通过风险评分将病例数据分为高风险组与低风险组包括：以21分为临界值，将病例数据分为高风险组与低风险组。
进一步，所述步骤三之后还需进行：利用验证队列中验证预后预测模型的预测性能，并将预后预测模型与第八版AJCC TNM分期作比较。
本发明的另一目的在于提供一种接收用户输入程序存储介质，所存储的计算机程序使电子设备执行所述鼻咽癌患者生存预测模型构建方法，包括下列步骤：
步骤一，通过单因素分析，确定潜在的对预后有影响的因素；将单因素分析中超出预设阈值的指标纳入多因素分析，筛选得到独立的预后指标；
步骤二，综合得到的独立预后指标在训练队列建立鼻咽癌患者的预后预测模型；
步骤三，计算所述预后预测模型的C指数、AUC，同时绘制校正曲线、ROC曲线、决策曲线评估所述预后预测模型的预测能力；
步骤四，利用每个因子的系数计算个体化的风险评分，并通过风险评分将病例数据分为高风险组与低风险组，比较两组数据生存预后的差异。
本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述鼻咽癌患者生存预测模型构建方法。
本发明的另一目的在于提供一种由所述鼻咽癌患者生存预测模型构建方法构建的鼻咽癌患者生存预测模型，可应用该模型在II-IVa期鼻咽癌患者完成诱导化疗后计算患者的风险评分，来定义患者的风险高低水平及预测患者的生存结局，最终指导患者后续放疗期间其他同步治疗方案的个体化制订。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明建立了以肿瘤早期反应为基础的预后模型，并利用验证队列验证了建立的预后模型的预测性能。该预测模型的预测性能优于第八版AJCC TNM分期，并能成功将鼻咽癌患者分为高、低风险组以指导后续治疗。现有的第八版AJCC TNM分期在临床实践中虽得到广泛应用，但指导预后及治疗的精确度是不够完美的，既往研究的一些模型仅包括治疗前预后信息，不能反映患者在治疗中的肿瘤信息。该模型不仅包含患者的分期及治疗前与预后相关的信息，还包含诱导化疗反应信息，不仅可反映肿瘤负荷，还可以反映个体的治疗敏感度，较现在的分期系统及其他模型更全面、准确。并且，在实施放疗前即可应用该模型进行患者风险及预后评估，可及时地指导后续的治疗。
本发明建立并检验一种基于肿瘤早期反应的预测模型，能够用于个体化风险评估。且本发明预测模型能够方便地在临床实践中应用。
附图说明
图1是本发明实施例提供的鼻咽癌患者生存预测模型构建方法流程图。
图2(a)是本发明实施例提供的不同肿瘤反应组总生存率(OS)的K-M生存曲线。
图2(b)是本发明实施例提供的不同肿瘤反应组无复发生存率(LRRFS)的K-M生存曲线。
图2(c)是本发明实施例提供的不同肿瘤反应组无远处转移生存率(DMFS)的K-M生存曲线。
图2(d)是本发明实施例提供的不同肿瘤反应组无进展生存率(PFS)的K-M生存曲线。
图3(a)是本发明实施例提供的1、3、5年总生存率(OS)的诺莫图。
图3(b)是本发明实施例提供的训练队列关于1、3、5年总生存率(OS)的校正曲线。
图3(c)是本发明实施例提供的验证队列关于1、3、5年总生存率(OS)的校正曲线。
图4(a)是本发明实施例提供的训练队列诺莫图与第八版TNM分期系统比较的时间依赖ROC曲线(td-ROC)。
图4(b)是本发明实施例提供的验证队列诺莫图与第八版TNM分期系统比较的时间依赖ROC曲线(td-ROC)。
图4(c)是本发明实施例提供的训练队列诺莫图与第八版TNM分期系统比较的决策曲线。
图4(d)是本发明实施例提供的验证队列诺莫图与第八版TNM分期系统比较的决策曲线
图5(a)是本发明实施例提供的训练队列中根据诺莫图定义的高、低风险组总生存率(OS)的K-M生存曲线。
图5(b)是本发明实施例提供的训练队列中根据诺莫图定义的高、低风险组无复发生存率(LRRFS)的K-M生存曲线。
图5(c)是本发明实施例提供的训练队列中根据诺莫图定义的高、低风险组无远处转移生存率(DMFS)的K-M生存曲线。
图5(d)是本发明实施例提供的训练队列中根据诺莫图定义的高、低风险组无进展生存率(PFS)的K-M生存曲线。
图5(e)是本发明实施例提供的验证队列中根据诺莫图定义的高、低风险组总生存率(OS)的K-M生存曲线。
图5(f)是本发明实施例提供的验证队列中根据诺莫图定义的高、低风险组无复发生存率(LRRFS)的K-M生存曲线。
图5(g)是本发明实施例提供的验证队列中根据诺莫图定义的高、低风险组无远处转移生存率(DMFS)的K-M生存曲线。
图5(h)是本发明实施例提供的验证队列中根据诺莫图定义的高、低风险组无进展生存率(PFS)的K-M生存曲线。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种鼻咽癌患者生存预测模型、构建方法、设备及存储介质，下面结合附图对本发明作详细的描述。
本发明实施例提供的鼻咽癌患者生存预测模型构建方法包括：
分析诱导化疗后肿瘤早期反应及其他临床、病理、治疗因素在鼻咽癌患者总体生存率的预测价值；基于分析结果确定纳入预测模型的预后因素，基于所述预后因素构建预测模型。
本发明实施例提供的纳入预测模型的预后因素包括：年龄、N分期、淋巴细胞/单核细胞比值、治疗前EBV DNA及肿瘤早期反应。
本发明实施例提供的预后模型为：风险评分＝年龄+N分期+治疗前EBV DNA+淋巴细胞/单核细胞比值+肿瘤早期反应。
如图1所示，本发明实施例提供的鼻咽癌患者生存预测模型构建方法包括以下步骤：
S101，根据受试者工作特征(ROC)曲线分析确定连续变量的截断值，根据截断值将所有的连续变量转换为分类变量。通过Cox单因素回归分析，确定潜在的对预后有影响的因素；对Cox单因素回归分析中P<0.05的变量进行多因素分析。采用Akaike信息准则(AIC)的逆向逐步选择方法对多变量Cox比例风险回归模型中的变量进行识别，筛选得到独立的预后指标，并计算危险比(HRs)及95％的可惜区间；
S102，综合所有独立及重要预后因素被用来建立诺莫图(通过R语言软件的“rms”包)；
S103，评估所述预后预测模型的预测能力：通过一致性指数(C-index)及校正曲线来评估列线图的准确性。通过C指数、时间依赖性受试者工作特征曲线(tdROC)分析及曲线下面积(tdAUC)(通过R软件的“timeROC”包)、决策曲线(DCA)来比较列线图与第八版TNM分期系统的预测能力；
S104，利用每个因子的系数计算个体化的风险评分，通过X-tile软件确定风险评分的最佳截断值，根据截断值将所有病例分为高风险组与低风险组，采用log-rank检验比较不同危险组在训练和验证队列中的生存曲线(通过R软件的“survival”包)。
本发明实施例提供的单因素分析中超出预设阈值的指标为p<0.05的指标。
本发明实施例提供的步骤S102之前还需进行：获取符号筛选标准的病例数据，将获取的所有病例数据按照3：1的比例随机分为训练队列以及验证队列。
本发明实施例提供的通过风险评分将病例数据分为高风险组与低风险组包括：以21分为临界值，将病例数据分为高风险组与低风险组。
本发明实施例提供的步骤S103之后还需进行：利用验证队列中验证预后预测模型的预测性能，并将预后预测模型与第八版AJCC TNM分期作比较。
下面结合具体实施例对本发明的技术方案做进一步说明。
实施例1：
本发明旨在建立预测患者生存预后的预测模型。本发明对525例II-IVa期鼻咽癌患者进行了回顾性研究，所有患者治疗方案均为诱导化疗加同步放化疗(训练队列，n＝393；验证队列，n＝132)。本发明建立了一个纳入年龄、N期、治疗前EBV DNA拷贝数、淋巴细胞/单核细胞比值和肿瘤早期反应的预后模型，并成功地将鼻咽癌患者分为高、低风险组。在训练队列中，该模型达到理想的C指数，为：0.736，95％可信区间，0.708–0.764。在训练队列中，该模型的预测性能优于第八版AJCC TNM分期(C指数：0.605，95％可信区间，0.574-0.636)。且该模型的预测性能在验证队列中得到验证。
具体步骤如下：
(1)患者的筛选：
本发明对2014-2018年在广西医科大学肿瘤医院收治的525例新发鼻咽癌患者进行了研究。入选标准为:(1)活检确诊的原发性鼻咽癌患者；(2)临床II-IVa期疾病(根据第八版UICC/AJCC分期系统)；(3)接收2-3个周期的IC+CCRT；(4)具备治疗前和2个周期IC后的MRI资料；(5)无其他恶性疾病；(6)充分的血液学及随访资料。本回顾性研究经我中心临床研究伦理委员会批准，由于本发明的回顾性性质，无需知情同意。
(2)肿瘤早期反应的评估
所有患者在初诊时及两个周期IC后均行鼻咽及颈部MRI检查。2名独立的鼻咽癌临床医师根据实体肿瘤疗效评价标准(RECIST)中的疗效评价标准1.1标准对图像进行评价肿瘤疗效。所有直径或短轴均在横断面上测量。该系统只考虑短轴大于15mm的颈部淋巴结，最多可评估5个靶病灶。将鼻咽癌病灶最大直径和符合条件的淋巴结短轴加在一起，评价早期肿瘤对IC的反应。IC的总体生物学反应包括完全缓解(complete response,CR)、部分缓解(partial response,PR)、病情稳定(stable disease,SD)和病情进展(progressivedisease,PD)。本发明将肿瘤反应分为两个水平:“有反应”(CR/PR)和“无反应”(SD/PD)。
(3)治疗方案
根据TNM分期及患者一般情况，根据鼻咽癌的治疗原则确定治疗策略。IC方案包括：TPF、TP、PF和GP方案的IC治疗。诱导化疗每3周为一周期，共治疗2-3周期。同期化疗以顺铂方案(80-100mg/m2)为主，每3周为一周期，共治疗2-3周期。所有患者均接受调强放疗。
(4)结局终点
治疗结束后，患者前2年每3个月复查一次，后3年每6个月复查一次，之后每年复查一次。常规检查包括影像学检查和鼻咽镜检查。任何可疑的复发或转移通过活检或影像学技术确定。本发明将总生存期(OS，定义为从诊断到任何原因的死亡的时间)作为主要终点，并为其建立诺莫图。其他评估终点包括无远处转移生存期(DMFS)、局部区域无复发生存期(LRRFS)和无进展生存期(PFS)，其定义为从诊断到首次远处转移、首次局部区域复发以及任何失败或死亡的时间。
(5)统计分析
采用R软件(3.4.6)、SPSS软件(25.0)、X-tile软件(3.6.1)进行统计分析。根据受试者操作特征(ROC)曲线的截止点将连续变量分为2个亚组。组间卡方检验或确切概率法进行比较患者间的基线资料。采用Kaplan-Meier法生成时间-事件生存曲线。采用Cox回归模型计算危险比(HRs)和95％置信区间，评估独立危险因素的显著性。将单因素分析中p<0.05的变量纳入多因素分析。多变量Cox中p<0.05的变量被认为是生存的独立预后因素。通过合并候选变量，建立了预测OS的诺莫图。
为了最大化模型的预测价值，本发明在训练队列中开发了一个诺莫图，并在验证队列中进行了测试。并将该模型与TNM分期系统进行了比较。利用校正曲线、Harrell’sconcorindex(C-index)和时间依赖ROC(td-ROC)曲线对诺莫图进行验证。采用决策曲线(DCA)评价模型的临床应用价值。根据X-tile软件确定的诺莫图定义评分的截止值，将患者分为低危亚组和高危亚组。双边p<0.05认为有统计学意义。
结果
(1)患者特点
本发明纳入525例II-IVa期鼻咽癌患者。整个队列的中位年龄为45岁(范围16-73岁)。病理检查显示，绝大多数患者(479,91.2％)为WHO III型(非角化未分化鼻咽癌)，为流行地区的主要病理类型。本发明应用计算机生成的随机数将患者分类为训练队列(n＝393)和验证队列(n＝132)。除N期、临床分期外，两组间差异无统计学意义(p＝0.031、0.038)。
全组中位随访时间为49.1个月(3.8-93.5个月)，局部复发35例(6.7％)，远处复发90例(17.1％)，死亡107例(20.4％)。
(2)肿瘤对IC的早期反应与生存预后的关系
基于RECIST 1.1标准,359名(68.4％)的患者被认为是治疗有效组(CR/PR,166,31.6％)。根据RECIST 1.1标准的肿瘤反应的AUC值对OS、LRFFS、DMFS和PFS分别是0.652,0.635,0.629,和0.634。在整组患者中，肿瘤早期反应与临床结果显著相关，5年OS、LRFFS、DMFS和PFS率(SD/PD vs.CR/PR)分别为62.2％和84.6％(P<0.001,HR：2.721,95％CI:1.861-3.979),83.8％vs.94.7％(P<0.001,HR:3.419,95％CI:1.749-6.685),69.0％vs.85.9％(P<0.001,HR:2.498,95％CI:1.652-3.779)和52.0％vs.77.4％(P<0.001,HR:2.712,95％CI:1.961-3.750)。多变量分析也表明肿瘤早期反应是OS的独立预后因素(SD/PD vs.CR/PR:HR 2.867,95％CI:1.938-4.241,P<0.001)。
(3)诺莫图的构建与验证
单变量和多变量分析表明，年龄、N期、治疗前EBV DNA、LMR和肿瘤反应是OS的独立预后变量。因此，本发明使用上述训练队列中的因素构建诺莫图预测1-，3-，5-年OS。诺莫图中每个变量都定义了一个评分，通过计算总分放在评分量表上，可以估计出1年、3年或5年OS。
校准图显示，在培训队列中，1年、3年和5年OS的诺莫图的观察值与预测值之间具有理想的一致性，这些数据在验证队列中进行了检验。建立的诺莫图的C-index在训练队列中为0.736(95％CI,0.708-0.764)，在验证队列中为0.711(95％CI,0.665-0.757)。
(4)诺莫图与第八版TNM分期系统的比较
在训练队列中，诺莫图(C-index,0.736；95％CI,0.708-0.764)比第八版TNM分期系统获得更好的OS预后能力(C指数，0.605；95％CI,0.574-0.636)。这一发现也在验证队列中进行了检验(诺莫图:C-index,0.722；95％CI,0.652-0.792；TNM分期:：C-index,0.669；95％CI,0.622-0.712)。并利用td-ROC曲线进一步评估上述两种模型的预后表现。这一步证明了诺莫图的AUC优于TNM分期。此外，决策曲线显示，无论是在训练集还是验证集，诺莫图预测OS的能力都更高。
(5)风险分层
本发明进一步根据诺莫图计算每个患者的风险评分。通过X-tile软件确定最佳的风险分界点。以21分为最佳临界值，将患者分为低危组和高危组。因此，评分为>21的训练队列196例(49.9％)和验证队列83例(62.9％)被归为高危组。在训练队列和验证队列中，高风险组患者的生存结果均更差。在训练队列的高风险组和低风险组之间，5年OS率为67.5％vs.90.1％(HR,3.713；95％CI,2.160-6.384；P<0.001)，验证队列：67.2％vs.86.5％(HR,2.897；95％CI,1.195-7.019；P＝0.014)。同样，高危患者的LRRFS、DMFS和PFS也较差(P均<0.05)。
表1训练队列及验证队列的基线资料
Figure BDA0003520732670000121
Figure BDA0003520732670000131
Figure BDA0003520732670000141
表2 OS的单多因素分析
Figure BDA0003520732670000142
Figure BDA0003520732670000151
Figure BDA0003520732670000161
本发明建立了以肿瘤早期反应的预后模型，并利用验证队列验证了建立的预后模型的预测性能，通过分别计算训练及验证队列模型的C指数，可发现该模型能具备较理想的预测价值。并且，本发明通过C指数、td-ROC曲线及决策曲线证明该预测模型的预测性能优于第八版AJCC TNM分期。最终，本发明证明该模型并能成功将鼻咽癌患者分为高、低风险组，从而有助于指导后续治疗。
表3
Figure BDA0003520732670000162
现有的第八版AJCC TNM分期在临床实践中虽得到广泛应用，但指导预后及治疗的精确度是不够完美的，既往研究的一些模型仅包括治疗前预后信息，不能反映患者在治疗中的肿瘤信息。该模型不仅包含患者的分期及治疗前与预后相关的信息，还包含诱导化疗反应信息，不仅可反映肿瘤负荷，还可以反映个体的治疗敏感度，较现在的分期系统及其他模型更全面、准确。并且，在实施放疗前即可应用该模型进行患者风险及预后评估，可及时地指导后续的治疗。
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种鼻咽癌患者生存预测模型构建方法，其特征在于，所述鼻咽癌患者生存预测模型构建方法包括：分析诱导化疗后肿瘤早期反应及其他临床、病理、治疗因素在鼻咽癌患者总体生存率的预测价值；基于分析结果确定纳入预测模型的预后因素，基于所述预后因素构建预测模型。
2.如权利要求1所述鼻咽癌患者生存预测模型构建方法，其特征在于，所述纳入预测模型的预后因素包括：年龄、N分期、治疗前EBV DNA、淋巴细胞/单核细胞比值及肿瘤早期反应。
3.如权利要求1所述鼻咽癌患者生存预测模型构建方法，其特征在于，所述预后模型为：风险评分＝年龄+N分期+治疗前EBV DNA+淋巴细胞/单核细胞比值+肿瘤早期反应。
4.如权利要求1所述鼻咽癌患者生存预测模型构建方法，其特征在于所述鼻咽癌患者生存预测模型构建方法包括以下步骤：
步骤一：根据受试者工作特征ROC曲线分析确定连续变量的截断值，根据截断值将所有的连续变量转换为分类变量；通过Cox单因素回归分析，确定潜在的对预后有影响的因素；对Cox单因素回归分析中P<0.05的变量进行多因素分析；采用Akaike信息准则AIC的逆向逐步选择方法对多变量Cox比例风险回归模型中的变量进行识别，筛选得到独立的预后指标，并计算危险比HRs及95％的可惜区间；
步骤二，综合所有独立及重要预后因素被用来建立诺莫图，通过R语言软件的rms包；
步骤三，评估所述预后预测模型的预测能力：通过一致性指数C-index及校正曲线来评估列线图的准确性；通过C指数、时间依赖性受试者工作特征曲线tdROC分析及曲线下面积tdAUC，通过R软件的timeROC包、决策曲线DCA来比较列线图与第八版TNM分期系统的预测能力；
步骤四，利用每个因子的系数计算个体化的风险评分，通过X-tile软件确定风险评分的最佳截断值，根据截断值将所有病例分为高风险组与低风险组，采用log-rank检验比较不同危险组在训练和验证队列中的生存曲线，通过R软件的survival包。
5.如权利要求4所述鼻咽癌患者生存预测模型构建方法，其特征在于，所述单因素分析中超出预设阈值的指标为p<0.05的指标。
6.如权利要求4所述鼻咽癌患者生存预测模型构建方法，其特征在于，所述步骤二之前还需进行：获取符号筛选标准的病例数据，将获取的所有病例数据按照3：1的比例随机分为训练队列以及验证队列。
7.如权利要求4所述鼻咽癌患者生存预测模型构建方法，其特征在于，所述通过风险评分将病例数据分为高风险组与低风险组包括：以21分为临界值，将病例数据分为高风险组与低风险组；
所述步骤三之后还需进行：利用验证队列中验证预后预测模型的预测性能，并将预后预测模型与第八版AJCC TNM分期作比较。
8.一种接收用户输入程序存储介质，所存储的计算机程序使电子设备执行如权利要求1-7任意一项所述鼻咽癌患者生存预测模型构建方法，包括下列步骤：
步骤一，通过单因素分析，确定潜在的对预后有影响的因素；将单因素分析中超出预设阈值的指标纳入多因素分析，筛选得到独立的预后指标；
步骤二，综合得到的独立预后指标在训练队列建立鼻咽癌患者的预后预测模型；
步骤三，计算所述预后预测模型的C指数、AUC，同时绘制校正曲线、ROC曲线、决策曲线评估所述预后预测模型的预测能力；
步骤四，利用每个因子的系数计算个体化的风险评分，并通过风险评分将病例数据分为高风险组与低风险组，比较两组数据生存预后的差异。
9.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1-7任意一项所述鼻咽癌患者生存预测模型构建方法。
10.一种由权利要求1-7任意一项所述鼻咽癌患者生存预测模型构建方法构建的鼻咽癌患者生存预测模型。
CN202210181229.4A 2022-02-25 2022-02-25 鼻咽癌患者生存预测模型、构建方法、设备及存储介质 Pending CN114613502A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210181229.4A CN114613502A (zh) 2022-02-25 2022-02-25 鼻咽癌患者生存预测模型、构建方法、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210181229.4A CN114613502A (zh) 2022-02-25 2022-02-25 鼻咽癌患者生存预测模型、构建方法、设备及存储介质

Publications (1)

Publication Number Publication Date
CN114613502A true CN114613502A (zh) 2022-06-10

Family

ID=81859432

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210181229.4A Pending CN114613502A (zh) 2022-02-25 2022-02-25 鼻咽癌患者生存预测模型、构建方法、设备及存储介质

Country Status (1)

Country Link
CN (1) CN114613502A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115954046A (zh) * 2022-12-02 2023-04-11 上海爱谱蒂康生物科技有限公司 一种胃癌个性化治疗决策方法、系统及含其的存储介质
CN117524486A (zh) * 2024-01-04 2024-02-06 北京市肿瘤防治研究所 用于预测术后患者无进展生存概率的tte模型建立方法
CN117877730A (zh) * 2024-01-15 2024-04-12 中山大学附属第一医院 一种基于Nomogram模型的HFpEF预后风险预测方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115954046A (zh) * 2022-12-02 2023-04-11 上海爱谱蒂康生物科技有限公司 一种胃癌个性化治疗决策方法、系统及含其的存储介质
CN117524486A (zh) * 2024-01-04 2024-02-06 北京市肿瘤防治研究所 用于预测术后患者无进展生存概率的tte模型建立方法
CN117524486B (zh) * 2024-01-04 2024-04-05 北京市肿瘤防治研究所 用于预测术后患者无进展生存概率的tte模型建立方法
CN117877730A (zh) * 2024-01-15 2024-04-12 中山大学附属第一医院 一种基于Nomogram模型的HFpEF预后风险预测方法及系统

Similar Documents

Publication Publication Date Title
Győrffy et al. Multigene prognostic tests in breast cancer: past, present, future
Sun et al. Pretreatment hematologic markers as prognostic factors in patients with nasopharyngeal carcinoma: neutrophil‐lymphocyte ratio and platelet‐lymphocyte ratio
CN114613502A (zh) 鼻咽癌患者生存预测模型、构建方法、设备及存储介质
Chan Plasma Epstein-Barr virus DNA as a biomarker for nasopharyngeal carcinoma
Wang et al. Circulating tumor cells as a new predictive and prognostic factor in patients with small cell lung cancer
Zhao et al. Levels of plasma Epstein-Barr virus DNA prior and subsequent to treatment predicts the prognosis of nasopharyngeal carcinoma
JP6625061B2 (ja) 固形腫瘍癌を検出する方法
Mao et al. Albumin-bilirubin (ALBI) and monocyte to lymphocyte ratio (MLR)-based nomogram model to predict tumor recurrence of AFP-negative hepatocellular carcinoma
Li et al. Patient specific circulating tumor DNA fingerprints to monitor treatment response across multiple tumors
He et al. Development and validation of a nomogram to predict liver metastasis in patients with pancreatic ductal adenocarcinoma: a large cohort study
Peng et al. The mSHOX2 is capable of assessing the therapeutic effect and predicting the prognosis of stage IV lung cancer
CA3198479A1 (en) Panel of mirna biomarkers for diagnosis of ovarian cancer, method for in vitro diagnosis of ovarian cancer, uses of panel of mirna biomarkers for in vitro diagnosis of ovarian cancer and test for in vitro diagnosis of ovarian cancer
Tian et al. A novel risk prediction model for patients with combined hepatocellular-cholangiocarcinoma
Zhang et al. Prognostic nomogram for hepatocellular carcinoma in adolescent and young adult patients after hepatectomy
Liao et al. Preoperative high-sensitivity C-reactive protein to lymphocyte ratio index plays a vital role in the prognosis of hepatocellular carcinoma after surgical resection
Gao et al. High preoperative fibrinogen and systemic inflammation response index (F-SIRI) predict unfavorable survival of resectable gastric cancer patients
Mu et al. Application value of nomogram and prognostic factors of gastric cancer patients who underwent D2 radical lymphadenectomy
Lv et al. Modified glasgow prognostic score at recurrence predicts poor survival in resected non-small cell lung cancer (NSCLC) patients
Ergasti et al. BRCA status and platinum sensitivity in advanced ovarian cancer according to Chemotherapy Response Score
Suzuki et al. Preoperative serum microRNAs as potential prognostic biomarkers in ovarian clear cell carcinoma
Sun et al. Establishment and validation of two nomograms to predict the benefit of concurrent chemotherapy in stage II‐IVa nasopharyngeal carcinoma patients with different risk factors: Analysis based on a large cohort
Zhang et al. Clinical and morpho-molecular classifiers for prediction of hepatocellular carcinoma prognosis and recurrence after surgical resection
Rubinstein et al. Cancer screening with multicancer detection tests: A translational science review
Song et al. The predictive value of pre-and post-induction chemotherapy plasma EBV DNA level and tumor volume for the radiosensitivity of locally advanced nasopharyngeal carcinoma
Wang et al. Indications of neoadjuvant chemotherapy for locally advanced gastric cancer patients based on pre-treatment clinicalpathological and laboratory parameters

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination