文章快速检索     高级检索
   大连医科大学学报  2021, Vol. 43 Issue (2): 139-145      DOI: 10.11724/jdmu.2021.02.08
0
Contents            PDF            Abstract             Full text             Fig/Tab
基于多参数建立前列腺癌列线图预测模型及验证的研究
南力宾1, 李茹2, 霍红沙1, 李明敏3, 霍韶军1    
1. 邯郸市中心医院 泌尿外科, 河北 邯郸 056000;
2. 邯郸市中心医院 超声医学科, 河北 邯郸 056000;
3. 邯郸市中心医院 门诊部, 河北 邯郸 056000
摘要目的 基于单中心数据探讨前列腺癌相关预测因素,建立并验证前列腺癌列线图预测模型。方法 回顾性收集2014年1月至2020年1月邯郸市中心医院行前列腺穿刺活检患者的临床资料,包括年龄(Age)、总PSA(tPSA)、游离PSA(fPSA)和前列腺体积(PV)等。资料完整者纳入研究,共697例,中位年龄71岁(40~95岁),中位tPSA 13.6 ng/mL(0.2~100 ng/mL)。随机选取495例(70%)为建模组,余202例(30%)为验证组。在建模组中利用单因素和多因素logistic回归分析,构建多参数列线图预测模型,利用ROC曲线下面积(AUC)评估该模型对前列腺癌的诊断价值,与tPSA、% fPSA和PSAD相比较,并进行内部人群验证。结果 697例中非前列腺癌组504例,前列腺癌组193例。两组患者的Age、tPSA、fPSA、PV、% fPSA、PSAD、直肠指检(DRE)结节、TRUS低回声和体质指数(BMI)差异有统计学意义(P < 0.05)。单因素和多因素logistic回归分析显示建模组的年龄(OR=1.043)、tPSA(OR=1.025)、fPSA(OR=1.198)、PV(OR=0.971)、DRE结节(OR=3.195)、TRUS低回声(OR=4.288)及BMI(OR=1.703)是预测前列腺癌的独立预测变量(P < 0.05),据此建立列线图预测模型。建模组模型最佳临界值为0.36时ROC曲线下面积(AUC)为0.855,显著高于tPSA、% fPSA、PSAD;验证组模型AUC为0.810,显著高于国内模型。结论 本研究建立的前列腺癌列线图预测模型对前列腺癌具有较高的预测价值,预测概率>0.36时,建议行前列腺穿刺活检。
关键词前列腺癌    前列腺特异性抗原    穿刺    模型    列线图    
Establishment and validation of a multi-parameter model for predicting prostate cancer
NAN Libin1, LI Ru2, HUO Hongsha1, LI Mingmin3, HUO Shaojun1    
1. Department of Urology, Handan Central Hospital, Handan 056000, China;
2. Department of Medical Ultrasonic, Handan Central Hospital, Handan 056000, China;
3. Department of Outpatient, Handan Central Hospital, Handan 056000, China
Abstract: Objective To discuss the possible predicting factors related to prostate cancer and establish a validated nomogram that predicts prostate cancer based on a single-center date set. Methods Clinical data of patients who underwent prostate biopsy in Handan Central Hospital from January 2014 to January 2020 were retrospectively analyzed, including age, tPSA, fPSA and PV etc. A total of 697 cases were included with complete set of data. The median age was 71 (40-95), the median tPSA was 13.6 ng/mL(0.2-100 ng/mL). Out of all cases, 495 (70%) were randomly selected as the development group, and the rest 202 (30%) as the validation group. In the development group, univariate and multivariate logistic regression analysis were performed to establish a multivariate parameter nomogram predictive model for prostate cancer. The area under the ROC curve (AUC) was used to evaluate the diagnostic value of the model and compared with tPSA, %fPSA, and PSAD. The results were eventually verified by internal population. Results Out of the 697 randomized cases, 504 were diagnosed with non-prostate cancer, and 193 prostate cancer. The differences of age, tPSA, fPSA, PV, %fPSA, PSAD, DRE, TRUS and BMI between the two groups were statistical significant (P < 0.05). Univariate and multiple logistic regression analysis demonstrated that patients' age (OR=1.043), tPSA (OR=1.025), fPSA (OR=1.198), PV (OR=0.971), DRE (OR=3.195), TRUS (OR=4.288) and BMI (OR=1.703) were independent predictive factors for prostate cancer (P < 0.05); and a nomogram model was developed based on these factors. In the development group, AUC of the model was 0.855 when a cut-off value was 0.36, which was significant higher than those of tPSA, %fPSA, and PSAD (P < 0.05). In the validation group, AUC of the model was 0.810, significantly higher than those of domestic models (P < 0.05). Conclusions The prostate cancer nomogram prediction model established in this study has a high predictive value for prostate cancer. When the cancer prediction probability of a patient is above 0.36, prostate biopsy is recommended.
Keywords: prostate cancer    prostate-specific antigen    biopsy    model    nomogram    

随着我国人口寿命的延长、饮食结构的改变等因素,前列腺癌的发病率呈逐年上升趋势[1],因此对前列腺癌进行早期筛查尤为重要。临床实践中,前列腺穿刺活检是目前公认的确诊前列腺癌的金标准,是否进行穿刺主要取决于前列腺特异性抗原(prostate specific antigen, PSA)以及相关参数、直肠指检(digital rectal examination, DRE)及影像学结果。然而,目前前列腺癌筛查方式造成了许多不必要的前列腺穿刺活检。前列腺穿刺为有创检查且费用较高,为了避免不必要的穿刺,近年来国内学者已提出基于多个临床参数构建的前列腺癌预测模型,如Tang等[2](国内模型1)、Huang等[3](国内模型2)以及李方龙等[4](国内模型3)。但预测模型所纳入的观察变量仍需进一步探索,同时现有的预测模型需更多地区数据分析和验证。本研究旨在基于邯郸市中心医院单中心数据,构建前列腺癌列线图预测模型,为早期发现前列腺癌患者提供线索。

1 资料与方法 1.1 研究对象

回顾性收集2014年1月至2020年1月在邯郸市中心医院行超声引导下经直肠前列腺穿刺(12针)初筛患者,共计789例。将病例初筛后,排除(1)有前列腺癌病史、前列腺手术史者18例;(2)服用5-α还原酶抑制和(或)前列腺癌内分泌治疗药物者35例;(3)tPSA>100 ng/mL者15例;(4)临床数据不完整者24例。最终697例纳入研究,中位年龄71岁(40~95岁),中位tPSA 13.6 ng/mL(0.2~100 ng/mL)。采用电脑随机分组法选取495例(70%)患者为建模组,202例(30%)患者为验证组。本次研究获得邯郸市中心医院伦理委员会批准,纳入患者均签署经直肠前列腺穿刺活检知情同意书。

1.2 临床特征

收集患者临床数据:年龄(Age)、总前列腺特异性抗原(total prostate-specific antigen, tPSA)、游离前列腺特异性抗原(free prostate-specific antigen, fPSA)、前列腺体积(prostate volume,PV)、游离前列腺特异性抗原百分比(percentage of free prostate specific antigen, %fPSA)、前列腺特异性抗原密度(prostate specific antigen density, PSAD)、直肠指检(digital rectal examination, DRE)有无结节、经直肠超声(transrectal ultrasonography, TRUS)有无低回声(hypoechoic)、体质指数(body mass index, BMI)、高血压及糖尿病病史。

前列腺穿刺指征:(1)tPSA>10 ng/mL;(2)tPSA介于4~10 ng/mL时,%fPSA<0.16或PSAD>0.15;(3)DRE、TRUS及其他影像学检查发现前列腺占位。

1.3 计算公式

PV=左右径(cm)×前后径(cm)×上下径(cm)×0.52,单位为mL;%fPSA=fPSA/tPSA,PSAD=tPSA/PV,单位为ng/mL2;BMI=体质量/身高2,单位为kg/m2。根据WHO对亚太地区人群BMI分级[5],将BMI分成4组,消瘦(BMI<18.5 kg/m2)56例,正常(BMI 18.5~22.9 kg/m2)255例,超重(BMI 23~27.4 kg/m2)266例,肥胖(BMI≥27.5 kg/m2)120例。由于消瘦组人数较少,将其归为正常组进行分析。

1.4 预测前列腺癌概率公式

国内模型1[2]

e-1.163+0.33Age+1.032DRE-2.821LogPV+2.292LogPSA/(1+e-1.163+0.033Age+1.032DRE-2.821LogPV+2.292LogPSA)

国内模型2[3]

e-3.577+0.054(Age)-3.714(f/t)-1.324(Ln(PV))+0.977(Ln(PSA))+1.698(DRE findings)+0.458(hypoechoic)/(1+e-3.577+0.054(Age)-3.714(f/t)-1.324[Ln(PV)]+0.977[Ln(PSA)]+1.698(DRE findings)+0.458(hypoechoic))

国内模型3[4]

e[-5.348+0.09×(Age)-0.043×(tPSA)+0.439×(fPSA)-0.015×(PV)-8.718×(f/tPSA)+2.614×(PSAD)]/(1+e[-5.348+0.09×(Age)-0.043×(tPSA)+0.439×(fPSA)-0.015×(PV)-8.718×(f/tPSA)+2.614×(PSAD)])

1.5 列线图使用方法

根据图中线段可得出各预测变量所对应的分值(points),各项分值相加后记为总分(total points),总分对应的预测风险值(diagnostic possibility)即穿刺结果为前列腺癌的概率。

1.6 诊断设备和方法

血清PSA检测:在DRE、TRUS、膀胱镜检查等影响血清PSA水平的操作前抽取静脉血,采用罗氏E602全自动化学发光免疫分析仪(德国Roche公司)测定tPSA和fPSA浓度。

影像学检查:由我院超声科具有副高级职称以上的医师进行操作,TRUS选用GE-LOGIQ-E9超声诊断仪检查前列腺,变频探头为端式,EV8.C4端扫式直肠腔内探头,配以专用穿刺架,18G、自动活检针和活检枪均长为20 cm(Trucut)。

1.7 统计学方法

采用SPSS 22.0、MedCalc 19.0.7及R语言4.0.0统计软件处理数据,以P < 0.05为差异有统计学意义。符合正态分布的计量资料用均值±标准差表示,组间比较采用t检验,不符合正态分布的计量资料用中位数(P25, P75)表示,组间比较采用Mann-Whitney U检验,计数资料采用例数(百分比)表示,组间比较采用Chi-square检验。对各变量进行单因素logistic回归分析,将有统计学意义的变量纳入多因素logistic回归分析(向前逐步法),得出PCa的独立预测因素。使用R语言整合所有独立预测因素,绘制列线图。利用受试者工作特征曲线(receiver operating characteristic, ROC)下面积(area under curve,AUC)和决策曲线分别评估tPSA、%fPSA、PSAD以及模型的区分度和临床净获益,利用约登指数最大时确定最佳临界值,以DeLong方法比较AUC的差异。绘制校准曲线以观察预测结果与实际情况的符合程度,利用Hosmer-Lemeshow检验评价模型的拟合度,以P>0.05为差异有统计学意义。

2 结果 2.1 总体情况

以病理结果作为诊断的金标准,697例检查者中非前列腺癌组504例(72.3%),前列腺癌组193例(27.7%)。非前列腺癌组中包括:前列腺增生者454例,前列腺上皮内瘤变者36例,前列腺炎者14例。两组患者的Age、tPSA、fPSA、PV、%fPSA、PSAD、DRE结节、TRUS低回声和BMI差异有统计学意义(P < 0.05);高血压及糖尿病病史差异无统计学意义(P>0.05)。见表 1

表 1 非前列腺癌组与前列腺癌组各项数据比较 Tab 1 Comparison of general data between non-prostate cancer group and prostate cancer group
临床指标非前列腺癌组(n=504)前列腺癌组(n=193)Z/t/χ2P
Age(y)70(66, 76)73(68, 79)-3.681< 0.001
tPSA(ng/mL)9.81(4.43, 23.6)28.9(10.7, 52.16)-8.243< 0.001
fPSA(ng/mL)1.40(0.50, 3.08)4.26(1.70, 8.35)-9.284< 0.001
PV(mL)49.2(36.70, 71.48)43.68(30.23, 60.27)-3.384< 0.001
%fPSA0.13(0.10, 0.16)0.16(0.11, 0.25)-5.155< 0.001
PSAD(ng/mL2)0.21(0.08, 0.39)0.67(0.25, 1.07)-9.871< 0.001
DRE结节[n(%)])72(14)68(35)49.305< 0.001
TRUS低回声[n(%)]117(23)105(54)62.546< 0.001
BMI(kg/m2)23.11±3.3924.56±3.78-4.893< 0.001
高血压[n(%)]277(55)98(51)0.9830.322
糖尿病[n(%)]83(16)29(15)0.2150.643
Age(y)为年龄(岁); tPSA为总前列腺特异性抗原; fPSA为游离前列腺特异性抗原; PV为前列腺体积; %fPSA为游离前列腺特异性抗原百分比; PSAD为前列腺特异性抗原密度; DRE为直肠指检; TRUS为经直肠超声; BMI为体质指数

BMI正常组、超重组及肥胖组的前列腺癌检出率分别为22.5%(70/311)、29.3%(78/266)及37.5%(45/120), 差异有统计学意义(χ2=10.293, P < 0.05)。

2.2 前列腺癌的独立预测因素

建模组中非前列腺癌组363例,前列腺癌组132例。以连续性变量(Age、tPSA、fPSA、PV)和二分类变量(DRE、TRUS、BMI、高血压、糖尿病)作为自变量,穿刺结果是否为前列腺癌作为因变量,分别进行单因素logistic回归分析,将有统计学意义的变量纳入多因素logistic回归分析(表 2)。前列腺癌多参数预测模型纳入7项临床变量,包括Age、tPSA、fPSA、PV、DRE、TRUS和BMI(P < 0.05)。

表 2 建模组各变量的单因素与多因素回归分析 Tab 2 Univariate and multivariate logistic regression models in the development group
临床指标单因素分析多因素分析
OR(95%CI)POR(95%CI)P
Age1.035(1.007~1.064)0.0131.043(1.007~1.080)0.018
tPSA1.036(1.026~1.047)< 0.0011.025(1.009~1.042)0.002
fPSA1.222(1.153~1.294)< 0.0011.198(1.090~1.318)< 0.001
PV0.984(0.976~0.992)0.0010.971(0.960~0.982)< 0.001
DRE3.272(2.056~5.207)< 0.0013.195(1.771~5.763)< 0.001
TRUS3.750(2.464~5.707)< 0.0014.288(2.525~7.079)< 0.001
BMI1.489(1.143~1.939)0.0031.703(1.216~2.386)0.002
高血压0.829(0.556~1.235)0.357
糖尿病0.752(0.427~1.325)0.324
Age为年龄,tPSA为总前列腺特异性抗原,fPSA为游离前列腺特异性抗原,PV为前列腺体积,DRE为直肠指检,TRUS为经直肠超声,BMI为体质指数
2.3 列线图预测模型的建立与举例说明

本研究利用上述独立性变量构建预测前列腺癌logistic回归模型: logit(1/1-P)=4.988+0.042×Age+0.025×tPSA+0.181×fPSA-0.029×PV+1.162×DRE+1.442×TRUS+0.532×BMI

根据上述变量在logistic回归模型中的回归系数,建立预测前列腺癌的列线图预测模型(图 1)。

Age为年龄, tPSA为总前列腺特异性抗原, fPSA为游离前列腺特异性抗原, PV为前列腺体积, DRE为直肠指检, TRUS为经直肠超声, BMI为体质指数 图 1 预测前列腺癌列线图 Fig 1 Nomogram for prediction of prostate cancer

例如,65岁初诊患者,tPSA为20 ng/mL,fPSA为8 ng/mL,PV为60 mL,DRE为阴性,TRUS为阳性,BMI≤22.9 kg/m2,则其对应积分分别为16、7.5、22.5、73、0、22、0,总分141分,对应的穿刺活检结果为前列腺癌的概率约为35%。

2.4 预测模型的评估

预测模型、tPSA、%fPSA、PSAD的AUC分别为0.855、0.704、0.615、0.760,预测模型与其他变量比较差异有统计学意义(P < 0.05),本研究利用约登指数最大时确定预测模型最佳临界值为0.36,其敏感度、特异度、阳性预测值及阴性预测值分别为70.5%、89.5%、71.0%、89.3%(表 3图 2)。Hosmer-Lemeshow检验结果拟合度良好(χ2=12.318, P=0.138), 校准曲线图显示预测模型的校准曲线(logistic calibration)与理想曲线(ideal)基本拟合(图 3)。决策曲线图显示预测模型的临床净获益均高于tPSA、%fPSA、PSAD(图 4)。

表 3 建模组中预测模型与各临床指标对前列腺癌的诊断价值 Tab 3 Diagnostic value of the prediction model and clinical indicators in the development group for prostate cancer
变量临界值约登指数Sen(%)Spe(%)PPV(%)NPV(%)AUC95%CIP(AUC)
模型>0.3660.070.589.571.089.30.8550.815~0.895< 0.001
tPSA>31.80.3460.084.053.282.20.7040.662~0.744< 0.001
%fPSA<0.160.3150.080.748.581.60.6150.571~0.658< 0.001
PSAD>0.430.4363.680.253.885.80.7600.719~0.797< 0.001
tPSA为总前列腺特异性抗原, fPSA为游离前列腺特异性抗原, PV为前列腺体积, %fPSA为游离前列腺特异性抗原百分比, PSAD为前列腺特异性抗原密度, Sen为敏感度, Spe为特异度, PPV为阳性预测值, NPV为阴性预测值, ROC为受试者工作曲线,AUC为ROC曲线下面积
Model为预测模型; tPSA为总前列腺特异性抗原; %fPSA为游离前列腺特异性抗原百分比; PSAD为前列腺特异性抗原密度 图 2 预测模型与tPSA及其相关参数预测建模组前列腺癌的ROC曲线 Fig 2 ROC curve of the prediction model, tPSA and other related parameters for prediction of prostate cancer in the development group
Ideal为理想曲线; logistic calibration为校准曲线; nonparametric为实际曲线; actual probability为实际概率; predicted probability为预测概率 图 3 建模组预测模型的校准曲线 Fig 3 Calibration curve of the prediction model in the development group
Model为预测模型;tPSA为总前列腺特异性抗原;%fPSA为游离前列腺特异性抗原百分比;PSAD为前列腺特异性抗原密度;Net benefit为净获益;high risk threshold为阈概率;none为不穿刺;All为全部穿刺 图 4 预测模型与tPSA及其相关参数预测建模组前列腺癌的决策曲线分析 Fig 4 Decision curve analysis of the prediction model, tPSA and other related parameters for prediction of prostate cancer in the development group
2.5 预测模型的验证

验证组中非前列腺癌组141例,前列腺癌组61例。预测模型、tPSA、%fPSA、PSAD的AUC分别为0.810、0.697、0.648、0.703,预测模型与其他变量比较差异有统计学意义(P < 0.05)。本研究筛出临床变量与国内模型预测变量相符,通过国内各个模型公式并利用本院数据,对国内各个模型进行验证。验证组中国内模型1、国内模型2及国内模型3的AUC分别为0.735、0.729及0.699,以DeLong方法比较AUC的差异,本研究模型与国内模型比较差异有统计学意义(P < 0.05),见表 4

表 4 验证组中本研究预测模型与国内模型诊断价值比较 Tab 4 Comparison of diagnostic value between our model and domestic models in the validation group
模型AUC95%CIP(AUC)
本研究模型0.8100.768~0.898< 0.001
国内模型10.7350.650~0.819< 0.001
国内模型20.7290.642~0.815< 0.001
国内模型30.6990.611~0.788< 0.001
ROC为受试者工作曲线, AUC为ROC曲线下面积, CI为置信区间
3 讨论

前列腺穿刺活检术是目前诊断前列腺癌的金标准,但术后有发生血尿、血便、尿潴留及感染等并发症的风险。因此为了最大限度避免这种有创检查,国内外多个学者尝试综合利用多个临床变量建立前列腺癌预测模型,如公式模型[6]、临床评分表模型[7]及列线图模型[4]。其中列线图模型能够整合患者多个预测变量并对相关危险因素的贡献度进行量化,将数学公式以几何图形的方式表达,简单易懂,能够针对每位患者提供个体化风险预测。国外已建立多种前列腺癌预测模型,如北美前列腺癌预防试验的前列腺癌风险计算模型[8](Prostate Cancer Prevention Trial Derived Cancer Risk Calculator,PCPT-CRC)和蒙特利尔(加拿大)预测模型[9],但由于人种及前列腺癌发病率在不同国家存在差异,并不直接适用于我国人群前列腺癌的筛查[10]。同时,即使同一种族在不同地域之间,前列腺癌的发病率也存在一定差异[11]。因此,根据本地区人群建立预测前列腺癌预测模型具有重要诊疗意义。

国内已有众多基于PSA及其相关参数建立预测前列腺癌列线图模型。Tang等[2]通过分析535例患者的临床数据,基于年龄、PSA(log转换)、PV(log转换)、DRE建立预测前列腺癌风险的列线图模型,其AUC为0.848。Huang等[3]通过分析1 104例患者的临床数据,基于年龄、PSA(ln转换)、PV(ln转换)、%fPSA、前列腺超声结果及DRE建立预测前列腺癌风险的列线图模型,其AUC为0.853。李方龙等[4]通过分析958例患者的临床数据,基于年龄、tPSA、fPSA、PV、%fPSA、PSAD建立预测前列腺穿刺阳性风险的列线图模型,其AUC为0.854。本研究在建模组中经单因素和多因素logistic回归分析发现,患者年龄、tPSA、fPSA、PV、DRE、TRUS及BMI可作为前列腺癌的独立预测因素,基于这些临床变量构建列线图预测模型,利用约登指数最大时确定其最佳临界值为0.36,预测前列腺癌的敏感度、特异度、阳性预测值、阴性预测值及AUC值分别为70.5%、89.5%、71%、89.3%、0.855,其诊断效能显著高于临床常用PSA及其相关参数,故预测概率>0.36时,本研究建议行前列腺穿刺活检,反之则主动监测。经校准曲线、决策曲线分析后,提示模型具有较高预测能力和临床实用性。在验证组中,将本研究模型与国内其他模型,根据预测前列腺癌公式计算法,进行内部(本研究模型)和外部(国内模型)验证,其AUC值分别为0.810、0.735、0.729、0.699,本研究预测模型诊断效能显著高于国内其他模型。本研究列线图所纳入的临床变量是目前广泛应用的检查项目,在不增加额外医疗费用的前提下可进一步提高前列腺癌的准确性,减少不必要的前列腺穿刺活检。

肥胖与前列腺癌发病关系目前尚不明确。有学者认为肥胖是前列腺癌发病的独立危险因素[12],而且可增加前列腺癌的死亡率[13]。本研究结果表明不同BMI分组中,前列腺癌检出率随BMI水平升高而增加,前列腺癌组患者中BMI水平明显高于非前列腺癌组患者,提示肥胖很可能会增加前列腺癌发病风险。造成这一现象可能的原因为:(1)肥胖可导致慢性炎症状态,而慢性炎症可能包括与前列腺癌在内的多种癌症相关[14];(2)肥胖可导致高胰岛素及高胰岛素样受体因子1水平升高[15],这两项与肿瘤的发生、发展和转移关系密切[16];(3)瘦素主要由脂肪组织分泌产生[17],瘦素水平的增加与肿瘤侵袭相关[18]; (4)BMI与PSA呈负相关[19],造成肥胖人群中的前列腺癌患者被延迟发现。通过回归分析后,本研究首次将BMI作为独立预测因素纳入列线图中,进一步说明肥胖与前列腺癌发病存在相关性。

为了提高前列腺癌预测模型的准确性,已有学者尝试将更多的临床变量纳入现有的模型。Zhu等[20]建立了基于PHI建立预测前列腺穿刺风险列线图模型,亦有学者将前列腺影像报告和数据系统(prostate imaging reporting and data system version 2,PI-RADSv2)纳入预测模型[21],研究结果均显示具有较高预测价值。然而由于我国医疗水平发展不均衡,对于p2PSA检测尚未广泛应用。通过对影像结果进行等级评分是一种主观评价方式,不同的经验的评分者结果可能存在一定的差异。王力等[22]通过比较国内外4种模型预测准确性发现,Huang等模型[3]与PCPT-CRC模型[8]及蒙特利尔模型[9]的预测准确性无差异,均具有较高的预测准确性,但对不同种族、不同地区间是否具有一致性表现值得进一步商榷。本研究建立的列线图预测模型与上述二者相比,所纳入的临床变量无需复杂计算且均为临床广泛应用的检查项目,门诊及住院患者均可使用。我们认为不同种族及相同种族不同地区之间对于列线图预测模型的应用需慎重,同时鼓励更多的影像学评分系统作为独立变量纳入列线图预测模型以及不同种族及地区多中心大样本交叉验证,进一步提高列线图预测模型的准确性。

不足之处:(1)本研究为回顾性研究,可能存在选择偏倚;(2)单中心研究样本量较少,需进一步性多中心联合研究对数据的有效性进行验证;(3)预测模型缺乏外部验证,还需后续多中心外部数据。

综上所述,本研究建立个体化列线图预测模型,用于预测前列腺癌,有助于早期识别和筛查前列腺癌患者并提供个体化的风险计算以减少不必要的穿刺活检。

参考文献
[1]
Chen W, Zheng R, Baade PD, et al. Cancer statistics in China, 2015[J]. CA Cancer J Clin, 2016, 66(2): 115-132. [DOI]
[2]
Tang P, Chen H, Uhlman M, et al. A nomogram based on age, prostate-specific antigen level, prostate volume and digital rectal examination for predicting risk of prostate cancer[J]. Asian J Androl, 2013, 15(1): 129-133. [DOI]
[3]
Huang Y, Cheng G, Liu BJ, et al. A prostate biopsy strategy based on a new clinical nomogram reduces the number of biopsy cores required in high-risk patients[J]. BMC Urol, 2014, 14: 8. [DOI]
[4]
李方龙, 李德维, 张一琰, 等. 预测前列腺穿刺阳性风险的列线图模型的建立[J]. 中华泌尿外科杂志, 2016, 37(8): 616-620. [DOI]
[5]
Feng RM, Chang ET, Liu ZW, et al. Body mass index, body shape, and risk of nasopharyngeal carcinoma: a population-based case-control study in Southern China[J]. Cancer Med, 2019, 8(4): 1835-1844. [DOI]
[6]
王雅丽, 红华, 吴国柱, 等. 前列腺钙化、PSA、Gleason评分与前列腺癌骨转移的相关性分析[J]. 中国超声医学杂志, 2020, 36(5): 458-462. [DOI]
[7]
李方龙, 殷昭阳, 李德维, 等. 单中心前列腺穿刺活检结果查询表的建立[J]. 现代泌尿生殖肿瘤杂志, 2016, 8(1): 16-18, 23. [DOI]
[8]
Thompson IM, Ankerst DP, Chi C, et al. Assessing prostate cancer risk: results from the Prostate Cancer Prevention Trial[J]. J Natl Cancer Inst, 2006, 98(8): 529-534. [DOI]
[9]
Karakiewicz PI, Benayoun S, Kattan MW, et al. Development and validation of a nomogram predicting the outcome of prostate biopsy based on patient age, digital rectal examination and serum prostate specific antigen[J]. J Urol, 2005, 173(6): 1930-1934. [DOI]
[10]
Wu YS, Zhang N, Liu SH, et al. The Huashan risk calculators performed better in prediction of prostate cancer in Chinese population: a training study followed by a validation study[J]. Asian J Androl, 2016, 18(6): 925-929. [DOI]
[11]
顾成元, 秦晓健, 黄永墙, 等. 我国部分省市前列腺癌精准筛查初步结果分析[J]. 中华医学杂志, 2019, 99(42): 3292-3297. [DOI]
[12]
罗鹏, 赵松涛, 王涛, 等. 肥胖、血脂与前列腺癌发生及进展的关系[J]. 实用医院临床杂志, 2017, 14(6): 16-20. [DOI]
[13]
Dickerman BA, Ahearn TU, Giovannucci E, et al. Weight change, obesity and risk of prostate cancer progression among men with clinically localized prostate cancer[J]. Int J Cancer, 2017, 141(5): 933-944. [DOI]
[14]
Thapa D, Ghosh R. Chronic inflammatory mediators enhance prostate cancer development and progression[J]. Biochem Pharmacol, 2015, 94(2): 53-62. [DOI]
[15]
刘影, 刘赫. 肥胖: 癌症与代谢综合征的共同危险因素[J]. 实用糖尿病杂志, 2016, 12(3): 4-6. [CNKI]
[16]
李小勤, 钱增堃, 朱文娟, 等. 胰岛素和胰岛素样生长因子与肿瘤的相关性研究进展[J]. 临床与实验病理学杂志, 2018, 34(1): 77-79. [DOI]
[17]
Garcia-Galiano D, Borges BC, Allen SJ, et al. PI3K signalling in leptin receptor cells: role in growth and reproduction[J]. J Neuroendocrinol, 2019, 31(5): e12685. [DOI]
[18]
Candelaria PV, Rampoldi A, Harbuzariu A, et al. Leptin signaling and cancer chemoresistance: perspectives[J]. World J Clin Oncol, 2017, 8(2): 106-119. [DOI]
[19]
Aref AT, Vincent AD, O'Callaghan ME, et al. The inverse relationship between prostate specific antigen (PSA) and obesity[J]. Endocr Relat Cancer, 2018, 25(11): 933-941. [DOI]
[20]
Zhu Y, Han CT, Zhang GM, et al. Development and external validation of a prostate health index-based nomogram for predicting prostate cancer[J]. Sci Rep, 2015, 5: 15341. [DOI]
[21]
罗进阳, 郑嘉欣, 蔡宗龙, 等. 基于第二版PI-RADS建立的预测模型对前列腺穿刺活检结果的预测价值[J]. 中华泌尿外科杂志, 2019, 40(9): 673-679. [DOI]
[22]
王力, 李纲, 谢赣生, 等. 四种预测前列腺穿刺阳性风险模型的准确性的外部验证与比较[J]. 中华泌尿外科杂志, 2016(7): 507-510. [DOI]

文章信息

南力宾, 李茹, 霍红沙, 李明敏, 霍韶军
NAN Libin, LI Ru, HUO Hongsha, LI Mingmin, HUO Shaojun
基于多参数建立前列腺癌列线图预测模型及验证的研究
Establishment and validation of a multi-parameter model for predicting prostate cancer
大连医科大学学报, 2021, 43(2): 139-145.
Journal of Dalian Medical University, 2021, 43(2): 139-145.
通信作者
霍韶军, 主任医师。E-mail: hdmnwk@sina.com.
基金项目
河北省医学科学研究课题计划(20210939)

工作空间