黄坤, 章慧, 赵攀, 何运胜
目的 胰腺鳞状细胞癌（pancreatic squamous cell carcinoma,PSCC）预后差,缺乏个体化的预后预测工具。研究通过SEER数据库中的大样本真实世界数据,基于机器学习算法,构建PSCC病人预后列线图,旨在精准化、个体化评价PSCC病人的预后,为临床决策制定提供参考。方法 提取SEER数据库中2000~2019年期间经病理学确诊的PSCC病人的临床资料,以7∶3的比例随机划分为训练集和验证集,采用多因素Cox比例风险模型、LASSO回归模型和随机生存森林模型筛选变量,构建预测3、6、12个月肿瘤特异性生存期（cancer-specific survival, CSS）和总生存期（overall survival,OS）的Nomogram模型,利用一致性指数、受试者操作特征曲线操作、校准曲线、生存曲线、决策曲线分析对模型进行验证和评估。结果 本研究共纳入367例病人,其中训练集256例,验证集111例。训练集和验证集病人的中位随访时间分别为3（1,7）个月和2（1,8）个月。两组间的基线特征均衡（均P>0.05）。多因素Cox比例风险模型显示：肿瘤大小、T分期、M分期、手术、化疗是OS和CSS的独立影响因素（均P<0.05）。LASSO回归模型显示：M分期、手术、化疗和OS、CSS相关。随机生存森林模型显示,影响OS的重要性评分前4位变量分别为化疗、M分期、手术和年龄,而影响CSS的重要性评分前4位变量分别为化疗、M分期、手术和肿瘤大小。基于这些因素所构建的Nomogram用于预测病人3、6个月的OS和CSS。验证结果表明：对于OS,训练集和验证集中一致性指数分别为0.753（95%CI：0.720~0.790）和0.723（95%CI：0.660~0.780）;对于CSS,两者分别为0.749（95%CI：0.720~0.780）和0.721（95%CI：0.660~0.780）。受试者操作特征曲线操作显示：对于3个月OS,训练集和验证集的曲线下面积（AUC）分别为79.8%和75.9%;对于6个月OS,训练集和验证集的AUC为78.9%和76.8%;对于12个月OS,训练集和验证集的AUC为78.7%和77.5%;对于3个月CSS,训练集和验证集的AUC为79.3%和76.3%;对于6个月CSS,训练集和验证集的AUC为78.6%和76.9%;对于12个月CSS,训练集和验证集的AUC为77.8%和77.4%。校准曲线均靠近理想的45°参考线,表现出良好的一致性。结论 年龄、M分期、肿瘤部位、手术和化疗是病人预后的独立影响因素。研究构建的Nomogram预测模型具有良好的预测价值,有利于临床对PSCC病人选择个性化治疗。
