CN117727443A - 一种用于前列腺癌患者预后的预测系统及预测模型 - Google Patents
一种用于前列腺癌患者预后的预测系统及预测模型 Download PDFInfo
- Publication number
- CN117727443A CN117727443A CN202311719573.5A CN202311719573A CN117727443A CN 117727443 A CN117727443 A CN 117727443A CN 202311719573 A CN202311719573 A CN 202311719573A CN 117727443 A CN117727443 A CN 117727443A
- Authority
- CN
- China
- Prior art keywords
- scale
- prostate cancer
- cancer patient
- value
- prediction
- 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
Links
- 206010060862 Prostate cancer Diseases 0.000 title claims abstract description 171
- 208000000236 Prostatic Neoplasms Diseases 0.000 title claims abstract description 171
- 238000004393 prognosis Methods 0.000 title claims abstract description 50
- 230000002526 effect on cardiovascular system Effects 0.000 claims abstract description 79
- 238000003745 diagnosis Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 7
- 238000002360 preparation method Methods 0.000 claims description 3
- 206010028980 Neoplasm Diseases 0.000 abstract description 23
- 230000002860 competitive effect Effects 0.000 abstract description 9
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 230000007170 pathology Effects 0.000 abstract description 3
- 208000037998 chronic venous disease Diseases 0.000 abstract 1
- 238000002512 chemotherapy Methods 0.000 description 34
- 230000000875 corresponding effect Effects 0.000 description 33
- 238000001959 radiotherapy Methods 0.000 description 31
- 238000012549 training Methods 0.000 description 28
- 238000012795 verification Methods 0.000 description 23
- 108010072866 Prostate-Specific Antigen Proteins 0.000 description 22
- 102100038358 Prostate-specific antigen Human genes 0.000 description 22
- 201000011510 cancer Diseases 0.000 description 12
- 238000010200 validation analysis Methods 0.000 description 12
- 238000012502 risk assessment Methods 0.000 description 11
- 230000005855 radiation Effects 0.000 description 10
- 238000012216 screening Methods 0.000 description 9
- 230000004083 survival effect Effects 0.000 description 8
- 230000004069 differentiation Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000011088 calibration curve Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000000034 method Methods 0.000 description 3
- 230000001575 pathological effect Effects 0.000 description 3
- 238000013058 risk prediction model Methods 0.000 description 3
- 238000013517 stratification Methods 0.000 description 3
- 208000024172 Cardiovascular disease Diseases 0.000 description 2
- 206010009944 Colon cancer Diseases 0.000 description 2
- 208000001333 Colorectal Neoplasms Diseases 0.000 description 2
- 206010054949 Metaplasia Diseases 0.000 description 2
- 230000001093 anti-cancer Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007717 exclusion Effects 0.000 description 2
- 230000015689 metaplastic ossification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- 108700043108 vasectrin III Proteins 0.000 description 2
- OCKGFTQIICXDQW-ZEQRLZLVSA-N 5-[(1r)-1-hydroxy-2-[4-[(2r)-2-hydroxy-2-(4-methyl-1-oxo-3h-2-benzofuran-5-yl)ethyl]piperazin-1-yl]ethyl]-4-methyl-3h-2-benzofuran-1-one Chemical compound C1=C2C(=O)OCC2=C(C)C([C@@H](O)CN2CCN(CC2)C[C@H](O)C2=CC=C3C(=O)OCC3=C2C)=C1 OCKGFTQIICXDQW-ZEQRLZLVSA-N 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 239000002246 antineoplastic agent Substances 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000007475 c-index Methods 0.000 description 1
- 231100000504 carcinogenesis Toxicity 0.000 description 1
- 230000003683 cardiac damage Effects 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 229940044683 chemotherapy drug Drugs 0.000 description 1
- 238000000546 chi-square test Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003090 exacerbative effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000001325 log-rank test Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- KKZJGLLVHKMTCM-UHFFFAOYSA-N mitoxantrone Chemical compound O=C1C2=C(O)C=CC(O)=C2C(=O)C2=C1C(NCCNCCO)=CC=C2NCCNCCO KKZJGLLVHKMTCM-UHFFFAOYSA-N 0.000 description 1
- 229960001156 mitoxantrone Drugs 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 208000016800 primary central nervous system lymphoma Diseases 0.000 description 1
- 210000002307 prostate Anatomy 0.000 description 1
- 238000011472 radical prostatectomy Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Landscapes
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种用于前列腺癌患者预后的预测系统。所述预测系统以前列腺癌患者确诊前列腺癌时的诊断年龄、婚姻状态、人种、PSA和Gleason评分作为预测指标对前列腺癌患者预后进行预测；针对前列腺癌患者，纳入了前列腺癌患者的人群特征(诊断年龄、婚姻状态和人种)和肿瘤病理特征(PSA和Gleason评分)，并利用竞争风险模型建立了所述预测系统以量化和可视化前列腺癌患者预后(心血管死亡)。所述预测系统能够精准预测前列腺癌患者心血管死亡风险，为前列腺癌患者CVD风险的定期监测和实施个体化精确治疗提供了依据。
Description
技术领域
本发明涉及生物技术领域，具体地，涉及一种用于前列腺癌患者预后的预测系统及预测模型。
背景技术
前列腺癌(Prostate cancer，PC)已成为男性第二大常见癌症和第五大癌症死亡原因，含所有新增恶性肿瘤病例的7.3％。值得注意的是，心血管死亡(Cardiovasculardeath，CVD)在癌症患者中受到了越来越多的关注，尤其是接受放疗或化疗的患者。
既往研究发现前列腺癌患者的心血管疾病的发病率很高，心血管死亡以及成为前列腺癌患者的第二位死因。有研究报道，前列腺癌化疗药物如米多蒽醌等会造成严重且永久性心脏损害；并且癌症患者接受的放射治疗也会进一步增加心血管死亡的风险。Giuseppe等人的研究指出，癌症治疗可能具有涉及心脏和循环的短期或长期副作用，以及加剧和掩盖现有的心脏病，但是癌症与心血管死亡之间未见直接联系。所以心血管疾病的发展可能会干扰挽救生命的癌症治疗的最佳用药剂量和时机，从而对癌症患者的生存和预后产生不利影响。并且临床上针对CVD风险不同的患者，临床上的CVD检测和用药预防方法也不完全相同，因此，对接受放疗或化疗的前列腺癌患者的CVD风险预测尤为重要，其预测结果是指导临床调整治疗方案并尽早采取预防措施的重要前提和依据。
目前，用于癌症患者CVD风险预测模型已经广泛应用于各类癌症患者的治疗中。复旦大学研究团队建立了第一个用于预测结直肠癌患者心血管死亡的1年、3年和5年竞争nomogram，能够帮助临床医生在临床实践中针对不同结直肠癌患者提供个性化管理；Guan等人采用竞争风险回归分析化疗对中枢神经系统淋巴瘤患者心血管死亡风险的独立影响。不同CVD风险预测模型因其选用指标的不同而无法适用于不同的癌症患者，针对前列腺癌患者，已有的CAPRA-S评分和Eggener风险模型可以评估根治性前列腺切除术后复发风险和预测癌症特异性死亡率，但尚未进行临床验证且对当代外科适用性有限。
因此目前缺乏适用于前列腺癌患者放疗或化疗的心血管风险预测模型，难以实现指导放疗或化疗后前列腺癌患者的个体化管理和CVD监测。
发明内容
本发明的目的是为了克服现有技术的上述不足，提供一种用于前列腺癌患者预后的预测系统及预测模型。
本发明的第一目的是提供一种用于前列腺癌患者预后的预测系统。
本发明的第二目的是提供一种用于前列腺癌患者预后的预测模型。
本发明的第三目的是提供上述预测系统和/或上述预测模型在制备用于预测前列腺癌患者预后的产品中的应用。
本发明的第四目的是提供一种预测前列腺癌患者预后的产品。
本发明的第五目的是提供一种预测前列腺癌患者预后的设备。
本发明的第六目的是提供一种信息数据处理终端。
为了实现上述目的，本发明是通过以下方案予以实现的：
一种用于前列腺癌患者预后的预测系统，所述预测系统以前列腺癌患者确诊前列腺癌时的诊断年龄、婚姻状态、人种、PSA和Gleason评分作为预测指标；
所述预测系统为列线图，列线图包括标尺1～标尺10，标尺1～标尺10依次排列且相互平行，每个标尺为一条线段且刻有刻度；
标尺1的刻度值为0～100，0和100分别设置于标尺1的两端，标尺1的刻度为等分刻度；标尺1表示标尺2～标尺6上的刻度对应的分值；
标尺2表示诊断年龄，刻度值为36～73和≥74；标尺2的刻度值为36～73，其在标尺1上对应的分值为0；标尺2的刻度值为≥74，其在标尺1上对应的分值为100；
标尺3表示婚姻状态，刻度值为已婚(Married)和未婚(Unmarried)；标尺3的刻度值为已婚，其在标尺1上对应的分值为0；标尺3的刻度值为未婚，其在标尺1上对应的分值为35；
标尺4表示人种，刻度值为其他(Other)、白种人(White)和黑种人(Black)；标尺4的刻度值为其他，其在标尺1上对应的分值为0；标尺4的刻度值为白种人，其在标尺1上对应的分值为44；标尺4的刻度值为黑种人，其在标尺1上对应的分值为65；
标尺5表示PSA，刻度值为＜10ng/mL、10～20ng/mL和＞20ng/mL；标尺5的刻度值为＜10ng/mL，其在标尺1上对应的分值为0；标尺5的刻度值为10～20ng/mL，其在标尺1上对应的分值为27；标尺5的刻度值为＞20ng/mL，其在标尺1上对应的分值为40；
标尺6表示Gleason评分，刻度值为＜7、7和＞7；标尺6的刻度值为＜7，其在标尺1上对应的分值为0；标尺6的刻度值为7，其在标尺1上对应的分值为20；标尺6的刻度值为＞7，其在标尺1上对应的分值为37；
标尺7表示总分值，总分值为标尺2～标尺6上刻度值对应的分值的总和；标尺7的刻度值为0～300，标尺7的刻度为等分刻度；
标尺8表示前列腺癌患者3年心血管死亡率，刻度范围为0.005～0.09；前列腺癌患者3年心血管死亡率＝标尺7的总分值在标尺8上对应的数值；
标尺9表示前列腺癌患者5年心血管死亡率，刻度范围为0.011～0.18；前列腺癌患者5年心血管死亡率＝标尺7的总分值在标尺9上对应的数值；
标尺10表示前列腺癌患者8年心血管死亡率，刻度范围为0.021～0.35；前列腺癌患者8年心血管死亡率＝标尺7的总分值在标尺10上对应的数值。
优选地，所述前列腺癌患者为治疗后的前列腺癌患者。
更优选地，所述前列腺癌患者为化疗和/或放疗后的前列腺癌患者。
优选地，所述前列腺癌患者预后为前列腺癌患者治疗后3年心血管死亡率、前列腺癌患者治疗后5年心血管死亡率和/或前列腺癌患者治疗后8年心血管死亡率。
更优选地，所述前列腺癌患者预后为前列腺癌患者化疗和/或放疗后3年心血管死亡率、前列腺癌患者化疗和/或放疗后5年心血管死亡率和/或前列腺癌患者化疗和/或放疗后8年心血管死亡率。
优选地，标尺4中所示其他具体为：美国印第安人、阿拉斯加原住民、亚洲人和/或太平洋岛民。
优选地，标尺7的总分值与标尺8～标尺10的对应关系如下表所示，
本发明针对治疗后的前列腺癌患者，纳入了人群特征和肿瘤病理特征，并利用竞争风险模型建立了上述预测系统(列线图)以量化和可视化前列腺癌患者预后(心血管死亡风险)，将肿瘤病理特征(PSA和Gleason评分)与前列腺癌患者心血管死亡(CVD)风险联系，提供精准的前列腺癌患者CVD风险预测。
本发明还请求保护一种用于前列腺癌患者预后的预测模型，包括获取模块、预测模块和结果输出模块；
所述获取模块用于获取前列腺癌患者的临床变量；所述临床变量包括诊断年龄、婚姻状态、人种、PSA和Gleason评分；
所述预测模块为上述预测系统，以获取模块获取的临床变量作为预测指标输入预测系统中，得到前列腺癌患者预后预测结果；所述前列腺癌患者预后预测结果包括前列腺癌患者治疗后3年心血管死亡率、前列腺癌患者治疗后5年心血管死亡率和/或前列腺癌患者治疗后8年心血管死亡率；
所述结果输出模块用于输出预测模块得到的前列腺癌患者预后预测结果。
优选地，所述前列腺癌患者预后为前列腺癌患者化疗和/或放疗后3年心血管死亡率、前列腺癌患者化疗和/或放疗后5年心血管死亡率和/或前列腺癌患者化疗和/或放疗后8年心血管死亡率。
本发明还请求保护上述任一所述预测系统和/或上述预测模型在制备用于预测前列腺癌患者预后的产品中的应用。
优选地，所述前列腺癌患者为治疗后的前列腺癌患者。
更优选地，所述前列腺癌患者为化疗和/或放疗后的前列腺癌患者。
优选地，所述前列腺癌患者预后为前列腺癌患者治疗后3年心血管死亡率、前列腺癌患者治疗后5年心血管死亡率和/或前列腺癌患者治疗后8年心血管死亡率。
更优选地，所述前列腺癌患者预后为前列腺癌患者化疗和/或放疗后3年心血管死亡率、前列腺癌患者化疗和/或放疗后5年心血管死亡率和/或前列腺癌患者化疗和/或放疗后8年心血管死亡率。
本发明还请求保护一种预测前列腺癌患者预后的产品，所述产品含有上述任一所述预测系统和/或上述预测模型。
一种预测前列腺癌患者预后的设备，包括获取单元、存储单元和处理单元，所述获取单元用于获取前列腺癌患者的数据，包括诊断年龄、婚姻状态、人种、PSA和Gleason评分；
所述存储单元存储有可被所述处理单元执行的程序指令；
所述处理单元包含上述任一所述预测系统和/或上述预测模型；
所述程序指令被所述处理单元执行，将获取单元得到的前列腺癌患者的数据输入所述处理单元中，得到前列腺癌患者预后结果。
一种信息数据处理终端，包括存储器和处理器，所述存储器上存储有在所述处理器上可被执行的计算机程序；
所述计算机程序被所述处理器执行，使得所述处理器执行如上述任一所述预测系统和/或上述预测模型。
一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行，实现如上述任一所述预测系统和/或上述预测模型。
一种用于预测前列腺癌患者预后的计算机程序产品，所述计算机程序产品包括上述计算机可读存储介质。
与现有技术相比，本发明具有以下有益效果：
本发明公开了一种用于前列腺癌患者预后的预测系统。所述预测系统以前列腺癌患者确诊前列腺癌时的诊断年龄、婚姻状态、人种、PSA和Gleason评分作为预测指标对前列腺癌患者预后进行预测；针对前列腺癌患者，纳入了前列腺癌患者的人群特征(诊断年龄、婚姻状态和人种)和肿瘤病理特征(PSA和Gleason评分)，并利用竞争风险模型建立了所述预测系统以量化和可视化前列腺癌患者预后(心血管死亡)。所述预测系统能够精准预测前列腺癌患者心血管死亡风险，为前列腺癌患者CVD风险的定期监测和实施个体化精确治疗提供了依据。
附图说明
图1为实施例2中所示用于预测前列腺癌患者预后的列线图；
图2为实施例3中的校准曲线多重验证结果图；A：训练队列3年内验证结果；B：内部验证队列3年外验证结果；C：训练队列5年内验证结果；D：内部验证队列5年外验证结果；E：训练队列8年内验证结果；F：内部验证队列8年外验证结果；
图3为3个风险组之间的统计学差异图。
具体实施方式
下面结合说明书附图及具体实施例对本发明作出进一步地详细阐述，所述实施例只用于解释本发明，并非用于限定本发明的范围。下述实施例中所使用的试验方法如无特殊说明，均为常规方法；所使用的材料、试剂等，如无特殊说明，为可从商业途径得到的试剂和材料。
实施例1前列腺癌患者心血管死亡预测指标的筛选
1、实验方法
(1)样本筛选
基于SEER数据库，筛选2004～2016年间接受了放疗或化疗的局限期前列腺癌患者的数据作为实验对象；
局限期前列腺癌患者的纳入标准为：1)确诊为普通型前列腺腺癌，且前列腺为肿瘤唯一原发部位；2)在2004～2016年间有完整的临床病理资料；3)随访时间大于等于1个月；4)患者有接受放疗或化疗历史；5)肿瘤分期为局限期；6)男性患者。
前列腺癌患者的排除标准为：1)随访信息不完整；2)多源性肿瘤；3)女性患者；4)分化程度、人种、婚姻信息、手术、前列腺特异性抗原(Prostate specific antigen，PSA)和Gleason评分未知。
筛选得到同时符合纳入标准且不符合排除标准的前列腺癌患者120908例(整体队列)，120908例前列腺癌患者均为接受放疗或化疗后的前列腺癌患者且120908例患者的CVD生存状态均已知(分别死于CVD和非死于CVD)，分别收集各实验样本的临床变量指标(人群特征和肿瘤病理特征)；临床变量指标包括患者诊断年龄、婚姻状态、人种、分化程度、肿瘤偏侧性、手术状态、PSA和Gleason评分；各项临床变量指标均为患者确诊前列腺癌时对应的指标。
患者诊断年龄使用X-tile软件，基于KM生存分析(死于CVD和非死于CVD)确定最佳截点值，将诊断年龄分为“36～73岁”和“≥74岁”；
婚姻状态分为“已婚(Married)”和“未婚(Unmarried)”；
人种分为“白种人(White)”、“黑种人(Black)”和“其他人种(Other)”，其他人种包括美国印第安人、阿拉斯加原住民、亚洲人和太平洋岛民；
分化程度分为“I级”、“II级”、“III级”和“IV级”；
肿瘤偏侧性分为“左侧”、“右侧”、“单侧”和“双侧”；
手术状态分为“已做”和“未做”，“已做”代表患者接受过抗癌相关手术，“未做”代表患者未接受过抗癌相关手术；
PSA分为“＜10ng/mL”、“10～20ng/mL”和“＞20ng/mL”；
Gleason评分分为“＜7”、“7”和“＞7”。
(2)指标筛选
将步骤(1)筛选得到的120908例前列腺癌患者按照7：3的比例随机分为训练队列(84636例)和内部验证队列(36272例)，分别收集各个前列腺癌患者的临床变量指标，通过卡方检验(x2检验)分析训练队列和内部验证队列中各项临床变量指标的差异，确保不同分组的相同临床变量指标之间的差异没有统计学意义。
以训练队列作为测试样本，使用cmprsk包对训练队列中各前列腺癌患者的临床变量指标(诊断年龄、婚姻状态、人种、分化程度、肿瘤偏侧性、手术状态、PSA和Gleason评分)结合CVD生存状态进行单因素竞争风险分析，筛选得到具有统计学差异(P＜0.05)的临床变量指标。
以训练队列作为测试样本，使用cmprsk包对训练队列中筛选得到的具有统计学差异(P＜0.05)的临床变量指标结合CVD生存状态进行多因素竞争风险分析，得到多因素风险分析结果；将多因素风险分析结果中具有统计学差异(P＜0.05)的临床变量指标确定为与前列腺癌患者心血管死亡预测相关的指标。
其中，进行单因素竞争风险分析和多因素竞争风险分析时，分别以“36～73”、“已婚”、“其他”、“I级”、“右侧”、“是”、“＜10”和“＜7”作为各项临床变量指标的哑变量，计算各个变量的风险比。
2、实验结果
整体队列、训练队列和内部验证队列中各项临床变量指标的及x2检验结果如表1所示；
表1各项临床变量指标及x2检验结果
结果显示：训练队列和内部验证队列中各个前列腺癌患者的临床变量指标之间的差异均没有统计学意义，P值均大于0.05。
训练队列中的各项临床变量指标的单因素竞争风险分析结果和多因素竞争风险分析结果如表2所示。
表2单因素竞争风险分析结果和多因素竞争风险分析结果
注：HR为风险函数值比值，简称风险比；95％CI为95％置信区间。
根据表2结果显示：在单因素竞争风险分析中，前列腺癌患者的诊断年龄、婚姻状态、人种、分化程度、PSA和Gleason评分均与接受放疗或化疗后的前列腺癌患者的心血管死亡(CVD)相关，P值均小于0.01；
进一步地，在多因素竞争风险分析中，前列腺癌患者的诊断年龄、婚姻状态、人种、PSA和Gleason评分均与接受放疗或化疗后的前列腺癌患者的心血管死亡(CVD)显著相关，P值均小于0.05。
其中，诊断年龄≥74岁、未婚状态、黑种人、PSA＞20ng/mL和Gleason评分＞7的放疗或化疗后前列腺癌患者的心血管死亡风险更高；而肿瘤偏侧性、分化程度以及是否进行手术与放疗或化疗后前列腺癌患者的心血管死亡之间没有显著相关性，P值均＞0.05。
因此，将接受放疗或化疗后的前列腺癌患者的诊断年龄、婚姻状态、人种、PSA和Gleason评分确定为与前列腺癌患者心血管死亡风险相关的临床变量指标。
实施例2一种用于前列腺癌患者预后的预测系统
1、预测系统的建立
用于前列腺癌患者预后的预测系统为列线图，具体如下所示：
基于实施例1筛选得到的与前列腺癌患者心血管死亡风险相关的临床变量指标(诊断年龄、婚姻状态、人种、PSA和Gleason评分)，使用regplot包结合实施例1的多因素竞争风险分析结果绘制得到如图1所示列线图；实施例1筛选得到的与前列腺癌患者心血管死亡风险相关的临床变量指标在列线图中对应的分值如表3所示。
表3临床变量指标在列线图中对应分值
图1所示列线图包括10个标尺，标尺1～标尺10依次排列且互相平行，每个标尺为一条可有刻度的线段。
其中标尺1的刻度值为0～100，0和100分别设置在标尺1的两端，标尺1的刻度为等分刻度；标尺1用于表示标尺2～标尺6上的刻度对应的分值。
标尺2表示诊断年龄，刻度值为36～73和≥74；标尺2的刻度值为36～73，其在标尺1上对应的分值为0；标尺2的刻度值为≥74，其在标尺1上对应的分值为100。
标尺3表示婚姻状态，刻度值为已婚和未婚；标尺3的刻度值为已婚，其在标尺1上对应的分值为0；标尺3的刻度值为未婚，其在标尺1上对应的分值为35。
标尺4表示人种，刻度值为其他、白种人和黑种人；标尺4的刻度值为其他，其在标尺1上对应的分值为0；标尺4的刻度值为白种人，其在标尺1上对应的分值为44；标尺4的刻度值为黑种人，其在标尺1上对应的分值为65；其中“其他”具体为：美国印第安人、阿拉斯加原住民、亚洲人和太平洋岛民。
标尺5表示PSA，刻度值为＜10ng/mL、10～20ng/mL和＞20ng/mL；标尺5的刻度值为＜10ng/mL，其在标尺1上对应的分值为0；标尺5的刻度值为10～20ng/mL，其在标尺1上对应的分值为27；标尺5的刻度值为＞20ng/mL，其在标尺1上对应的分值为40。
标尺6表示Gleason评分，刻度值为＜7、7和＞7；标尺6的刻度值为＜7，其在标尺1上对应的分值为0；标尺6的刻度值为7，其在标尺1上对应的分值为20；标尺6的刻度值为＞7，其在标尺1上对应的分值为37。
标尺7表示总分值，总分值为标尺2～标尺6上刻度值对应的分值的总和；标尺7的刻度值为0～300，标尺7的0刻度值对应标尺1的0刻度值，标尺7的300刻度值对应标尺1的100刻度值，标尺7的刻度为等分刻度。
标尺8表示前列腺癌患者化疗或放疗后3年心血管死亡率，刻度范围为0.005～0.09；前列腺癌患者化疗或放疗后3年心血管死亡率＝标尺7的分值在标尺8上对应的数值。
标尺9表示前列腺癌患者化疗或放疗后5年心血管死亡率，刻度范围为0.011～0.18；前列腺癌患者化疗或放疗后5年心血管死亡率＝标尺7的分值在标尺9上对应的数值。
标尺10表示前列腺癌患者化疗或放疗后8年心血管死亡率，刻度范围为0.021～0.35；前列腺癌患者化疗或放疗后8年心血管死亡率＝标尺7的分值在标尺10上对应的数值。
标尺1～标尺10共同组成用于预测前列腺癌患者预后的列线图(图1)，即用于预测前列腺癌患者预后的预测系统。
标尺7所示分值(总分值)与标尺8～标尺10的对应关系如表5所示。
表5标尺7所示分值与标尺8～标尺10的对应关系
/>
/>
2、预测系统的使用方法
获取前列腺癌患者的诊断年龄、婚姻状态、人种、PSA和Gleason评分作为预测指标数据，将预测指标数据结合步骤1构建的预测系统(列线图)，得到前列腺癌患者放疗或化疗后的3年心血管死亡率、前列腺癌患者放疗或化疗后的5年心血管死亡率和前列腺癌患者放疗或化疗后的8年心血管死亡率。
实施例3一种用于前列腺癌患者预后的预测系统的验证
1、实验方法
分别以实施例1中的训练队列(84636例)和内部验证队列(36272例)作为测试对象，获取训练队列(84636例)和内部验证队列(36272例)中各个前列腺癌患者的指标，包括诊断年龄、婚姻状态、人种、PSA和Gleason评分；并分别记录训练队列和内部验证队列中各个患者CVD生存状态(死于CVD和非死于CVD)，将患者CVD生存状态结合患者随访信息(放疗或化疗后第3年随访信息、第5年随访信息和第8年随访信息)结合，通过生存分析计算训练队列和内部验证队列的实际CVD死亡率(实际3年CVD死亡率、实际5年CVD死亡率和实际8年CVD死亡率)。
分别将训练队列(84636例)和内部验证队列(36272例)中各个前列腺癌患者的诊断年龄、婚姻状态、人种、PSA和Gleason评分，按照实施例2步骤1构建得到的用于前列腺癌患者预后的预测系统，结合实施例1步骤2所示使用方法，得到训练队列和内部验证队列中各个样本的3年心血管死亡率、5年心血管死亡率和8年心血管死亡率(即预测结果)。
利用cmprsk包和dplyr包，结合预测结果与训练队列和内部验证队列中患者的实际CVD死亡率进行一致性指数(concordance index，C-index)分析和校准曲线多重验证。
其中，基于训练队列进行的预测为内部验证，记为内验证；基于内部验证队列进行的预测为外部验证，记为外验证。
2、实验结果
使用实施例2所示预测系统对训练队列中各样本的心血管死亡率进行预测时，一致性指数(C-index)为0.664，95％置信区间(CI)为[0.655，0.672]；对内部验证队列中各样本的心血管死亡率进行预测时，一致性指数为0.666，95％置信区间为[0.653，0.679]；无论是针对训练队列或是内部验证队列，一致性指数均＞0.5。
校准曲线多重验证结果图如图2所示，图2中y轴代表前列腺癌患者实际CVD死亡率，x轴代表前列腺癌患者基于实施例2所示预测系统预测的CVD死亡率；其中A为训练队列3年内验证结果；B为内部验证队列3年外验证结果；C为训练队列5年内验证结果；D为内部验证队列5年外验证结果；E为训练队列8年内验证结果；F为内部验证队列8年外验证结果。
图2中所示灰色线上的点代表“x＝y”，说明实施例2所示预测系统预测的CVD死亡率与前列腺癌患者实际CVD死亡率相同；黑色折线代表前列腺癌患者基于实施例2所示预测系统预测的CVD死亡率，为多次重复抽样结果连接而成。
图2结果显示：实施例2所示预测系统对前列腺癌患者进行CVD死亡率预测的结果与前列腺癌患者实际的CVD死亡率结果具有较高的重合度，说明实施例2所示预测系统(列线图)对于前列腺癌患者的CVD死亡具有优异的预测效能。
实施例4一种用于前列腺癌患者预后的预测系统的风险分层建立
1、实验方法
将实施例1中所示训练队列(84636例)中各个患者分别使用实施例2所示预测系统进行预测，得到各个患者的总得分、3年心血管死亡率、5年心血管死亡率和8年心血管死亡率。
将训练队列中各个患者的总得分、3年心血管死亡率、5年心血管死亡率和8年心血管死亡率通过X-tile3.6.1软件结合KM生存分析确定列线图总得分的最佳截值点为47分和129分，依据总得分将风险分层划分为低风险组0～47分、中风险组55～129分和高风险组＞135分。
将训练队列中各个患者的总得分结合风险分层结果采用Log Rank检验和KM生存分析对比3个风险组(低风险组、中风险组和高风险组)之间的统计学差异。
2、实验结果
3个风险组之间的统计学差异图如图3所示，图注中“I vs II”表示低风险组和中风险组相比，“I vs III”表示低风险组和高风险组相比，“II vs III”表示中风险组和高风险组相比。
结果显示：3个风险组之间相比较，P值均＜0.001，具有显著差异，即本发明实施例2构建的列线图结合本实施例建立的风险分层结果，能够准确区分前列腺癌患者的CVD风险等级；针对高风险等级的患者，能够更加注重CVD监测以及用药预防。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案而非对本发明保护范围的限制，对于本领域的普通技术人员来说，在上述说明及思路的基础上还可以做出其它不同形式的变化或变动，这里无需也无法对所有的实施方式予以穷举。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，均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种用于前列腺癌患者预后的预测系统，其特征在于，所述预测系统以前列腺癌患者确诊前列腺癌时的诊断年龄、婚姻状态、人种、PSA和Gleason评分作为预测指标；
所述预测系统为列线图，列线图包括标尺1～标尺10，标尺1～标尺10依次排列且相互平行，每个标尺为一条线段且刻有刻度；
标尺1的刻度值为0～100，0和100分别设置在标尺1的两端，标尺1的刻度为等分刻度；标尺1表示标尺2～标尺6上的刻度对应的分值；
标尺2表示诊断年龄，刻度值为36～73和≥74；标尺2的刻度值为36～73，其在标尺1上对应的分值为0；标尺2的刻度值为≥74，其在标尺1上对应的分值为100；
标尺3表示婚姻状态，刻度值为已婚和未婚；标尺3的刻度值为已婚，其在标尺1上对应的分值为0；标尺3的刻度值为未婚，其在标尺1上对应的分值为35；
标尺4表示人种，刻度值为其他、白种人和黑种人；标尺4的刻度值为其他，其在标尺1上对应的分值为0；标尺4的刻度值为白种人，其在标尺1上对应的分值为44；标尺4的刻度值为黑种人，其在标尺1上对应的分值为65；
标尺5表示PSA，刻度值为＜10ng/mL、10～20ng/mL和＞20ng/mL；标尺5的刻度值为＜10ng/mL，其在标尺1上对应的分值为0；标尺5的刻度值为10～20ng/mL，其在标尺1上对应的分值为27；标尺5的刻度值为＞20ng/mL，其在标尺1上对应的分值为40；
标尺6表示Gleason评分，刻度值为＜7、7和＞7；标尺6的刻度值为＜7，其在标尺1上对应的分值为0；标尺6的刻度值为7，其在标尺1上对应的分值为20；标尺6的刻度值为＞7，其在标尺1上对应的分值为37；
标尺7表示总分值，总分值为标尺2～标尺6上刻度值对应的分值的总和；标尺7的刻度值为0～300，标尺7的刻度为等分刻度；
标尺8表示前列腺癌患者3年心血管死亡率，刻度范围为0.005～0.09；前列腺癌患者3年心血管死亡率＝标尺7的总分值在标尺8上对应的数值；
标尺9表示前列腺癌患者5年心血管死亡率，刻度范围为0.011～0.18；前列腺癌患者5年心血管死亡率＝标尺7的总分值在标尺9上对应的数值；
标尺10表示前列腺癌患者8年心血管死亡率，刻度范围为0.021～0.35；前列腺癌患者8年心血管死亡率＝标尺7的总分值在标尺10上对应的数值。
2.根据权利要求1所述的预测系统，其特征在于，标尺4中所示其他具体为：美国印第安人、阿拉斯加原住民、亚洲人和/或大平洋岛民。
3.根据权利要求1所述的预测系统，其特征在于，标尺7的总分值与标尺8～标尺10的对应关系如下表所示，
。
4.一种用于前列腺癌患者预后的预测模型，其特征在于，包括获取模块、预测模块和结果输出模块；
所述获取模块用于获取前列腺癌患者的临床变量；所述临床变量包括诊断年龄、婚姻状态、人种、PSA和Gleason评分；
所述预测模块为权利要求1～3任一所述预测系统，以获取模块获取的临床变量作为预测指标输入预测系统中，得到前列腺癌患者预后预测结果；所述前列腺癌患者预后预测结果包括前列腺癌患者治疗后3年心血管死亡率、前列腺癌患者治疗后5年心血管死亡率和/或前列腺癌患者治疗后8年心血管死亡率；
所述结果输出模块用于输出预测模块得到的前列腺癌患者预后预测结果。
5.权利要求1～3任一所述预测系统和/或权利要求4所述预测模型在制备用于预测前列腺癌患者预后的产品中的应用。
6.根据权利要求5所述的应用，其特征在于，所述前列腺癌患者为治疗后的前列腺癌患者。
7.根据权利要求5所述的应用，其特征在于，所述前列腺癌患者预后为前列腺癌患者治疗后3年心血管死亡率、前列腺癌患者治疗后5年心血管死亡率和/或前列腺癌患者治疗后8年心血管死亡率。
8.一种预测前列腺癌患者预后的产品，其特征在于，所述产品含有权利要求1～3任一所述预测系统和/或权利要求4所述预测模型。
9.一种预测前列腺癌患者预后的设备，包括获取单元、存储单元和处理单元，其特征在于，所述获取单元用于获取前列腺癌患者的数据，包括诊断年龄、婚姻状态、人种、PSA和Gleason评分；
所述存储单元存储有可被处理单元执行的程序指令；
所述处理单元包含权利要求1～3任一所述预测系统和/或权利要求4所述预测模型；
所述程序指令被所述处理单元执行，将获取单元得到的前列腺癌患者的数据输入所述处理单元中，得到前列腺癌患者预后结果。
10.一种信息数据处理终端，包括存储器和处理器，其特征在于，所述存储器上存储有在所述处理器上可被执行的计算机程序；
所述计算机程序被所述处理器执行，使得所述处理器执行如权利要求1～3任一所述预测系统和/或权利要求4所述预测模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311719573.5A CN117727443A (zh) | 2023-12-13 | 2023-12-13 | 一种用于前列腺癌患者预后的预测系统及预测模型 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311719573.5A CN117727443A (zh) | 2023-12-13 | 2023-12-13 | 一种用于前列腺癌患者预后的预测系统及预测模型 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117727443A true CN117727443A (zh) | 2024-03-19 |
Family
ID=90206461
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311719573.5A Pending CN117727443A (zh) | 2023-12-13 | 2023-12-13 | 一种用于前列腺癌患者预后的预测系统及预测模型 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117727443A (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5993388A (en) * | 1997-07-01 | 1999-11-30 | Kattan; Michael W. | Nomograms to aid in the treatment of prostatic cancer |
| US6409664B1 (en) * | 1997-07-01 | 2002-06-25 | Michael W. Kattan | Nomograms to aid in the treatment of prostatic cancer |
| US20030235816A1 (en) * | 2002-03-14 | 2003-12-25 | Baylor College Of Medicine (By Slawin And Shariat) | Method to determine outcome for patients with prostatic disease |
| US20090298082A1 (en) * | 2008-05-30 | 2009-12-03 | Klee George G | Biomarker panels for predicting prostate cancer outcomes |
| US20130260384A1 (en) * | 2012-03-30 | 2013-10-03 | University Of Southern California | Method for determining cancer prognosis and prediction with cancer stem cell associated genes |
| CN112466464A (zh) * | 2020-12-17 | 2021-03-09 | 四川大学华西医院 | 初诊转移性前列腺癌患者的预后预测模型及其建立方法和应用 |
| CN112687394A (zh) * | 2021-01-05 | 2021-04-20 | 四川大学华西医院 | 转移性去势抵抗性前列腺癌患者在阿比特龙治疗中的预后预测模型及其建立方法和应用 |
| CN113355419A (zh) * | 2021-06-28 | 2021-09-07 | 广州中医药大学(广州中医药研究院) | 一种乳腺癌预后风险预测标志组合物及应用 |
| WO2022099309A1 (en) * | 2020-11-06 | 2022-05-12 | Verily Life Sciences Llc | Artificial intelligence prediction of prostate cancer outcomes |
| CN115527685A (zh) * | 2022-10-17 | 2022-12-27 | 广州医科大学附属第二医院 | 乳腺癌心血管死亡风险预测方法、装置、设备及存储介质 |
| CN116978582A (zh) * | 2023-06-25 | 2023-10-31 | 中南大学湘雅医院 | 一种前列腺癌预测模型的建模方法及预测系统 |
-
2023
- 2023-12-13 CN CN202311719573.5A patent/CN117727443A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5993388A (en) * | 1997-07-01 | 1999-11-30 | Kattan; Michael W. | Nomograms to aid in the treatment of prostatic cancer |
| US6409664B1 (en) * | 1997-07-01 | 2002-06-25 | Michael W. Kattan | Nomograms to aid in the treatment of prostatic cancer |
| US20030235816A1 (en) * | 2002-03-14 | 2003-12-25 | Baylor College Of Medicine (By Slawin And Shariat) | Method to determine outcome for patients with prostatic disease |
| US20090298082A1 (en) * | 2008-05-30 | 2009-12-03 | Klee George G | Biomarker panels for predicting prostate cancer outcomes |
| US20130260384A1 (en) * | 2012-03-30 | 2013-10-03 | University Of Southern California | Method for determining cancer prognosis and prediction with cancer stem cell associated genes |
| WO2022099309A1 (en) * | 2020-11-06 | 2022-05-12 | Verily Life Sciences Llc | Artificial intelligence prediction of prostate cancer outcomes |
| CN112466464A (zh) * | 2020-12-17 | 2021-03-09 | 四川大学华西医院 | 初诊转移性前列腺癌患者的预后预测模型及其建立方法和应用 |
| CN112687394A (zh) * | 2021-01-05 | 2021-04-20 | 四川大学华西医院 | 转移性去势抵抗性前列腺癌患者在阿比特龙治疗中的预后预测模型及其建立方法和应用 |
| CN113355419A (zh) * | 2021-06-28 | 2021-09-07 | 广州中医药大学(广州中医药研究院) | 一种乳腺癌预后风险预测标志组合物及应用 |
| CN115527685A (zh) * | 2022-10-17 | 2022-12-27 | 广州医科大学附属第二医院 | 乳腺癌心血管死亡风险预测方法、装置、设备及存储介质 |
| CN116978582A (zh) * | 2023-06-25 | 2023-10-31 | 中南大学湘雅医院 | 一种前列腺癌预测模型的建模方法及预测系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mikhaeel et al. | Proposed new dynamic prognostic index for diffuse large B-cell lymphoma: international metabolic prognostic index | |
| Yang et al. | Nomogram for predicting central lymph node metastasis in papillary thyroid cancer: a retrospective cohort study of two clinical centers | |
| Park et al. | Low testosterone level is an independent risk factor for high‐grade prostate cancer detection at biopsy | |
| CN105229471A (zh) | 用于基于生物化学标记分析确定先兆子痫风险的系统和方法 | |
| Chen et al. | Establishment and validation of a prognostic nomogram for patients with resectable perihilar cholangiocarcinoma | |
| Douglas et al. | A novel approach to improving the reliability of manual semen analysis: a paradigm shift in the workup of infertile men | |
| CN116030880A (zh) | 用于结直肠癌预后风险预测的生物标志物、模型及其应用 | |
| US9892229B2 (en) | Diagnosis and risk stratification of bladder cancer | |
| CN115527685A (zh) | 乳腺癌心血管死亡风险预测方法、装置、设备及存储介质 | |
| CN114613502A (zh) | 鼻咽癌患者生存预测模型、构建方法、设备及存储介质 | |
| Kamer et al. | Predicting brain metastasis in early stage non-small cell lung cancer patients by gene expression profiling | |
| Chuang et al. | Impact of preeclampsia/eclampsia on hemorrhagic and ischemic stroke risk: A 17 years follow-up nationwide cohort study | |
| Luchristt et al. | Risk of obstetric anal sphincter injuries at the time of admission for delivery: a clinical prediction model | |
| Rodriguez-Lopez et al. | Impaired immune reaction and increased lactate and C-reactive protein for early prediction of severe morbidity and pancreatic fistula after pancreatoduodenectomy | |
| Men et al. | A prognostic 11 genes expression model for ovarian cancer | |
| Huang et al. | Radiomics for prediction of intracerebral hemorrhage outcomes: A retrospective multicenter study | |
| Koskas et al. | Independent external validation of radiotherapy and its impact on the accuracy of a nomogram for predicting survival of women with endometrial cancer | |
| CN117727443A (zh) | 一种用于前列腺癌患者预后的预测系统及预测模型 | |
| Peddi et al. | Serial peripheral blood gene expression profiling to assess immune quiescence in kidney transplant recipients with stable renal function | |
| Zeng et al. | Development and validation of survival prediction model for gastric adenocarcinoma patients using deep learning: A SEER-based study | |
| Wang et al. | Increased expression of glycolytic enzymes in prostate cancer tissues and association with Gleason scores | |
| Chen et al. | A novel strategy for predicting 72-h mortality after admission in patients with polytrauma: a study on the development and validation of a web-based calculator | |
| Cacciatori et al. | Outcomes prediction score for acute abdomen: a proposal. | |
| CN114141376A (zh) | 基于vegfa的her2阴性晚期胃癌患者一线化疗疗效预测模型及其应用 | |
| CN113284619A (zh) | 预测前列腺癌患者术后出现生化复发的方法及设备 |
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 |