目的:构建常规实验室指标与肿瘤标志物联合的个体化预测肺癌转移的Nomogram模型,旨在探索肺癌转移筛查与辅助诊断的新方法。方法:收集2013至2023年于西南医科大学附属医院诊断为肺癌的218例患者的临床资料,随机分为训练集和验证集。基...目的:构建常规实验室指标与肿瘤标志物联合的个体化预测肺癌转移的Nomogram模型,旨在探索肺癌转移筛查与辅助诊断的新方法。方法:收集2013至2023年于西南医科大学附属医院诊断为肺癌的218例患者的临床资料,随机分为训练集和验证集。基于训练集,使用LASSO回归和多因素Logistic回归分析肺癌转移的独立预测因素,构建Nomogram模型。使用一致性指数(C-index, C指数)、受试者工作特征曲线下面积(area under the curve, AUC)、Calibration校准曲线、决策曲线分析(decision curve analysis, DCA)评估该模型的区分度、校准能力、预测能力和临床效用。结果:多因素Logistic回归结果显示,癌胚抗原(CEA,P<0.001)、神经元特异性烯醇化酶(NSE,P=0.006)、细胞角蛋白19片段(CYFRA21-1,P=0.025)、丙氨酸氨基转移酶(ALT,P=0.002)、总蛋白(TP,P=0.006)、淋巴细胞数(LYM,P=0.006)、纤维蛋白原(FIB,P=0.027)是发生肺癌转移的独立预测因素。训练集和验证集的C指数分别为0.900和0.831,Calibration校准曲线和DCA曲线显示该模型有良好的预测性能。结论:CEA、NSE、CYFRA21-1、ALT、TP、LYM和FIB是肺癌转移的独立预测因素。基于常规实验室指标与肿瘤标志物建立的肺癌转移Nomogram模型具有较高的临床预测性能和应用潜力。展开更多
文摘目的:构建常规实验室指标与肿瘤标志物联合的个体化预测肺癌转移的Nomogram模型,旨在探索肺癌转移筛查与辅助诊断的新方法。方法:收集2013至2023年于西南医科大学附属医院诊断为肺癌的218例患者的临床资料,随机分为训练集和验证集。基于训练集,使用LASSO回归和多因素Logistic回归分析肺癌转移的独立预测因素,构建Nomogram模型。使用一致性指数(C-index, C指数)、受试者工作特征曲线下面积(area under the curve, AUC)、Calibration校准曲线、决策曲线分析(decision curve analysis, DCA)评估该模型的区分度、校准能力、预测能力和临床效用。结果:多因素Logistic回归结果显示,癌胚抗原(CEA,P<0.001)、神经元特异性烯醇化酶(NSE,P=0.006)、细胞角蛋白19片段(CYFRA21-1,P=0.025)、丙氨酸氨基转移酶(ALT,P=0.002)、总蛋白(TP,P=0.006)、淋巴细胞数(LYM,P=0.006)、纤维蛋白原(FIB,P=0.027)是发生肺癌转移的独立预测因素。训练集和验证集的C指数分别为0.900和0.831,Calibration校准曲线和DCA曲线显示该模型有良好的预测性能。结论:CEA、NSE、CYFRA21-1、ALT、TP、LYM和FIB是肺癌转移的独立预测因素。基于常规实验室指标与肿瘤标志物建立的肺癌转移Nomogram模型具有较高的临床预测性能和应用潜力。
