2024年1月，中国学者在《International Journal of Surgery》（二区，IF=15.3）发表题为："Combined the surgery, radiation, and chemotherapy for predicting overall survival in patients with gastroenteropancreatic neuroendocrine tumors" 的研究论文。
本文基于美国SEER数据库中胃肠胰腺神经内分泌肿瘤(GEP-NETs)患者的基线数据以及预后数据，通过多变量Cox回归分析研究影响GEP-NETs患者预后总生存期（OS）的危险因素，并建立更为准确的预测总生存(OS)的治疗数据的预测图。结果表明，联合治疗数据的列线图预测总生存优于AJCC分期，使用列线图评估个体风险可获得更多的临床净获益。
展开剩余85%摘要与主要结果
一、摘要
标题：联合手术、放疗和化疗预测胃肠胰神经内分泌肿瘤患者的总生存期
背景：在过去的几十年里，胃肠胰腺神经内分泌肿瘤(GEP-NETs)的全球年发病率稳步上升。由于GEP-NETs治疗复杂且不一致，因此仍难以评估GEP-NETs患者的预后。该研究旨在构建和验证包括GEP-NETs患者预测总生存(OS)的治疗数据的列线图。
数据来源：从监测、流行病学和最终结果(SEER)-13注册数据库(1992-2018)中确定GEP-NETs患者，并从SEER-18注册数据库(1975-2016)中获得额外的治疗数据。
方法：从监测、流行病学和最终结果(SEER)-13注册数据库(1992-2018)中确定GEP-NETs患者，并从SEER-18注册数据库(1975-2016)中获得额外的治疗数据。为选择对患者生存有显著影响且可纳入列线图的独立预后因素，采用AIC最小值进行多变量Cox回归分析，通过计算风险比(HRs)和95% CIs分析各变量与OS的关系。此外，我们还将用于预测OS的列线图与目前美国癌症联合委员会(AJCC)第7版分期系统进行了综合比较。
结果：2004年至2015年，从SEER数据库中共确定了42,662例诊断年的GEP-NETs患者。结果表明，GEP-NETs的发病率逐年增加，其中50-54岁的发病率最高。在剔除缺乏足够临床病理特征的病例后，剩余的符合条件的患者(n= 7564)被随机分为训练组(3782例)和测试组(3782例)。在单因素分析中，发现性别、年龄、种族、肿瘤位置、SEER历史分期、病理类型、TNM、分期、手术、放疗、化疗、CS肿瘤大小与OS显著相关。最终，确定了预测OS的关键因素，包括性别、年龄、种族、肿瘤位置、SEER历史分期、M、N、分级、手术、放疗和化疗。在内部验证中，列线图用于估计训练集OS的C-index为0.816(0.804 ~ 0.828)。外部验证显示，列线图预测OS的一致性指数(C-index)为0.822(0.812 ~ 0.832)。在训练集和测试集中，与AJCC分期相比，我们的列线图产生了最小的AIC值和OS的C-index。决策曲线分析(DCA)提示列线图较AJCC分期系统在更宽的阈值概率范围内获得更多的临床净获益。
结论：联合治疗数据的列线图预测总生存优于AJCC分期。我们强烈建议根据GEP-NETs的不同临床特征，使用列线图评估个体风险，以改善GEP-NETs患者的诊疗结局，改善其生活质量。
二、研究结果
1.基线数据华盈策略
（1）2004年至2015年，从SEER数据库共纳入42 662名符合条件的GEP NETs患者。
（2）结果表明，GEP NETs的发病率每年都在增加，发病率最高的是50-54岁的患者。
2.纳入治疗数据的预后列线图
（1）单因素分析结果显示，性别、年龄、种族、肿瘤位置、SEER历史分期、病理类型、TNM、分期、手术、放疗、化疗和CS肿瘤大小与OS显著相关。
（2）多变量Cox回归分析结果显示，预测OS的关键因素包括性别、年龄、种族、肿瘤位置、SEER历史分期、M、N、分级、手术、放疗和化疗。
图A GEP-NETs3年和5年总生存率的预测列线图
3.列线图的内部和外部验证
在训练集和测试集中，与AJCC分期相比，我们的列线图产生了最小的AIC值和OS的C-index。
注：在内部验证中，列线图用于估计训练集OS的C-index为0.816(0.804 ~ 0.828)。外部验证显示，列线图预测OS的一致性指数(C-index)为0.822(0.812 ~ 0.832)。
图B 训练集中总体生存列线图的校准曲线
图C 测试集中总体生存列线图的校准曲线
结果表明，与传统的AJCC分期系统相比，我们的列线图具有稳健和更准确的预测能力。
4.决策曲线分析
决策曲线分析(DCA)提示列线图较AJCC分期系统在更宽的阈值概率范围内获得更多的临床净获益。
设计与统计学方法
一、研究设计
P（Population）参与者：2004年至2015年，SEER数据库中符合条件的42,662例诊断年的GEP-NETs患者。
研究因素：
主要因素：治疗数据，包括手术、放疗和化疗的预后数据 协变量：性别、年龄、种族、肿瘤位置、SEER历史分期、M、N、分级研究结局：总生存期（OS）
研究类型：横断面研究
二、统计方法
1、多变量Cox回归
为选择对患者生存有显著影响且可纳入列线图的独立预后因素，采用AIC最小值进行多变量Cox回归分析，通过计算风险比(HRs)和95% CIs分析各变量与OS的关系。
2.决策曲线分析（DCA）
采用决策曲线分析（DCA）比较临床效益。
3.统计描述
采用描述性统计学t检验或χ2检验来比较患者的基本临床特征。
4.统计分析软件
Cox多变量回归分析采用SPSS，版本23（IBM Corp）进行，OS分析采用GraphPad Prism 8 XML项目进行。基于“rms”R包进行列线图和校准曲线，基于“ggDCA”R包进行DCA分析。对于每项分析，设置为P<0.05。
发布于：浙江省网眼查提示：文章来自网络，不代表本站观点。
相关文章
沪深京指数
热点资讯
