论文部分内容阅读
研究背景和目的:甲状腺微小乳头状癌(papillary thyroid microcarcinoma,PTMC)是指直径≤1cm的甲状腺乳头状癌(papillary thyroid carcinoma,PTC)。全球各国过去几十年甲状腺癌发病率持续上升,其中新增甲状腺癌患者超过50%为微小乳头状癌,而死亡率仍然相当稳定。虽然PTMC恶性程度一般较低,经规范化治疗后预后良好,但其中央区淋巴结转移(Central compartment lymph node metastasis,CLNM)率并不低。2010年,甲状腺癌在一些欧洲国家以及美国是女性中第四大常见肿瘤类型;在韩国女性群体中甲状腺癌居所有恶性肿瘤的第1位;我国卫生部统计报告显示甲状腺癌上升至女性恶性肿瘤的第3位。Lin的一项基于707篇文献的系统综述认为颈部超声检查加上细针穿刺后的细胞学检查可以早期识别甲状腺癌,但目前尚不清楚基于人群有针对性的筛查能否降低死亡率或改善患者的健康结果,筛查导致惰性甲状腺癌的鉴定,以及这些过度诊断的治疗,可能会增加患者危害的风险。另外诊断性放射线的暴露以及肥胖等也可能是原因之一。与此同时,甲状腺微小乳头状癌手术率的增多,据预测研究,估计到2018年甲状腺癌将成为美国女性中最常见的癌症,这增加了近3,107,000,000美元经济负担,使得甲状腺癌作为一项日益严重的临床和公共卫生问题被广泛讨论,目前,从微小乳头状癌的诊断到治疗仍有较大争议。在网络应用日益普遍的今天,每天我们都会产生大量的数据,传统的数据分析体系已经日渐无力,很多新的数据分析的方法应运而生,它们不单高效,并且能和当今的信息技术相对接,决策树模型和列线图是大数据分析时代的两种产物,本文为探究这两种方法在甲状腺微小乳头状癌中央区淋巴结转移的危险因素中的应用。方法:选取2016年1月至2018年12月首次就诊于天津医科大学总医院普外科的PTMC患者为研究对象。纳入标准1)初次行甲状腺癌手术;2)术后病理证实为甲状腺微小乳头状癌;3)行甲状腺腺叶+峡部切除或全切加中央区淋巴结清除术;4)具有完整临床及病理资料。排除标准1)复发性甲状腺癌;2)偶发性甲状腺癌未行中央区淋巴结清扫。单因素分析用卡方检验、单因素Logistic回归分析,多因素分析采用非条件Logistic回归分析,P<0.05为差异具有统计学意义。决策树模型建模过程使用SPSS Modeler 14.1(SPSS公司,美国)统计学软件完成,在所有纳入的样本中,由软件自动随机选择其中的90%样本作为训练样本,进行机器学习,构建决策树模型,在决策树的构建过程中应用C5.0算法,并采用Pearson’s卡方检验进行分析,以确定节点是否分割。在建立决策树后,将剩余的10%样本作为验证样本,使用软件自带分析节点对模型准确性进行测试,计算其敏感性和特异性,检验水准α值取双侧0.05。建立列线图过程使用R 386 3.5.2软件,分别使用“rms”,“regplot”软件包进行普通列线图图和交互式列线图的构建,通过ROC曲线计算曲线下面积(AUC)判断诊断效能,应用内部校正对比预测CLNM率与实际CLNM率的一致程度去评估和量化列线图预测转移结局的准确性。结果:对各因素进行Logistic单因素分析,结果显示性别(OR=0.44,95%CI=(0.25-0.75)P<0.05)、年龄(OR=0.45,95%CI=(0.28-0.73)P<0.05)、原发灶数目(OR=1.71,95%CI=(1.03-2.84)P<0.05)具有显著性差异,而肿瘤最大直径、超声下有无钙化、超声下肿物个数、肿瘤包膜侵犯程度、TSH水平、主诉时间、超声下纵横比、超声下肿瘤边缘特征、肿瘤位于单侧或双侧、甲状腺抗体水平、Tg水平、是否合并桥本甲状腺炎与CLNM的关系比较差异无统计学意义(P>0.05)。Logistic多因素回归模型分析,结果显示女性(OR=0.37,95%CI=(0.21-0.65)P<0.05)、年龄<45岁(OR=0.39,95%CI=(0.24-0.642)P<0.05)、肿瘤直径>0.8cm(OR=1.70,95%CI=(1.02-2.84)P<0.05),原发灶多灶(OR=2.15,95%CI=(,1.24-3.73)P<0.05)是影响CLNM的独立危险因素(P<0.05),而超声下是否有钙化和肿瘤被膜侵犯程度差异无统计学意义(P>0.05)。由列线图展示所示:男性、年龄<45岁、肿瘤大小、多原发灶,肿瘤侵出甲状腺被膜和甲状腺微小乳头状癌的中央区淋巴结转移率有着强烈的相关,而超声下是否钙化、肿瘤仅侵及被膜,超声下肿瘤的最大径相关性相对较弱。并对列线图进行内部校正,画出内部校正曲线,经过1000次内部验证后,实际风险概率与预测风险概率的平均绝对误差为0.032,将列线图所预测的概率建立ROC曲线,可得曲线下面积AUC=0.695,95%CI=(0.636-0.755),P<0.05。在决策树模型中发现,性别、年龄30岁和49岁、多原发灶,肿瘤侵出甲状腺被膜可以协助甲状腺微小乳头状癌CLNM的判断。训练样本的灵敏度为75.4%,特异度为69.8%,准确率为71.26%,Kappa系数为0.379,(P<0.05);验证样本的灵敏度为70.0%,特异度为53.8%,准确率为58.33%,Kappa系数0.187,(P>0.05)。结论:1.在Logistic多因素回归分析、列线图、决策树预测模型中都发现男性、年龄年龄<45岁、肿瘤大小、多原发灶,肿瘤侵出甲状腺被膜和甲状腺微小乳头状癌的CLNM有着显著的相关。2.Logistic多因素回归分析、列线图、决策树预测模型这三种方法在术前预测甲状腺微小乳头状癌CLNM中各有优势和特点,Logistic多因素回归分析作为最传统的方式,方便理解;列线图模型将各种因素的作用大小可视化处理,能够使因素之间的作用大小一目了然;决策树预测模型提供了一种树形结构,对于因素的分割,临界点的选取很有意义。3.我们的研究没有分析长期随访期间的数据,如疾病复发和无病生存时间,因此,我们不能直接得出结论,评分系统可以预测预后。其次,这项研究是在横截面设计中进行的,而不是纵向观察。第三,单中心验证不够准确。评分系统需要多中心验证来检查其预测价值。需要进行更长时间的进一步调查。