首页 > 论文范文 > 医药卫生论文 > 肿瘤科论文 > 恶性肿瘤相关脑卒中风险预测列线图模型构建

恶性肿瘤相关脑卒中风险预测列线图模型构建

2023-11-01 52 上传者：管理员

摘要：目的基于炎症标志物和临床特征构建恶性肿瘤相关脑卒中(CAS)风险预测列线图模型，为临床诊治提供参考依据。方法选取2018年1月至2022年12月在杞县人民医院诊治的恶性肿瘤患者，通过电子病例系统获取患者的临床资料数据。根据患者是否发生脑卒中，将患者分为脑卒中组和非脑卒中组。采用t检验和χ2检验对炎症标志物和临床特征进行组间差异变量筛选。采用多因素Logistic回归分析探讨CAS的独立危险因素。使用R软件构建CAS的风险预测列线图模型。采用曲线下面积(AUC)评估模型的预测效能。采用校准曲线分析和决策曲线分析评估模型的临床实用性。结果 150例恶性肿瘤患者被纳入本研究，包括45例脑卒中患者和105例非脑卒中患者。多因素Logistic回归分析表明，年龄[2.443(95%CI:1.302～4.583),P=0.005]、高血压[21.199(95%CI:10.521～42.71),P<0.001]、糖尿病[6.635(95%CI:3.056～14.408),P<0.001]、中性粒细胞与淋巴细胞比值[5.350(95%CI:2.508～11.412),P<0.001]、单核细胞与高密度脂蛋白比值[5.048(95%CI:2.653～9.607),P<0.001]、C反应蛋白与白蛋白比值[4.496(95%CI:2.215～9.125),P<0.001]是CAS独立危险因素。基于独立危险因素构建的CAS风险预测列线图模型具有良好的预测效能，其AUC(95%CI)、敏感性、特异性分别为0.940(0.919～0.962)、91.6%和87.4%。决策曲线分析和校准曲线分析表明CAS风险预测模型具有良好的临床实用性。结论 CAS风险预测模型的建立有利于在恶性肿瘤患者群体中早期识别高危脑卒中患者，有利于临床早期干预决策，值得临床上广泛推广。

关键词：
中风
列线图
恶性肿瘤
脑卒中
预测模型
加入收藏

恶性肿瘤患者发生中风的风险是普通人群的2倍多，并且随着随访时间的延长而增加[1]。此外，恶性肿瘤患者比非恶性肿瘤患者有更严重的神经功能缺损和更高的死亡率[2,3]。恶性肿瘤相关脑卒中(cancer associated stroke, CAS)患者的临床特征发现为多发性血管病变和隐源性脑卒中[4]。此外，CAS患者较无中风患者而言，往往伴随着D-二聚体和C反应蛋白水平升高[4]。CAS的一个可能原因可能是恶性肿瘤患者自身的凝血功能障碍所致[5]。然而，CAS的确切病理生理机制尚不清楚，适当的预防策略也不清楚。因此，迫切的需要一个简单可靠的预测模型识别发生中风的高危恶性肿瘤患者人群。既往研究[6]表明，炎症与脑卒中的发生密切相关。基于此，本研究旨在基于炎症标志物和临床特征探讨CAS的风险因素，并构建CAS风险预测列线图模型，以期为识别CAS高危人群提供有用的临床工具，以制定合适的预防策略。

1、资料与方法

1.1 研究对象及实验分组

回顾性选取2018年1月至2022年12月在杞县人民医院诊治的恶性肿瘤患者，并通过电子病例系统获取患者的临床资料数据。纳入标准：1)经细胞学或组织病理学确诊为恶性肿瘤；2)年龄>18岁。排除标准：1)合并脑肿瘤；2)临床资料不完整。所有恶性肿瘤患者根据是否合并脑卒中，分为脑卒中组和非脑卒中组。本研究遵循《赫尔辛基宣言》,且经周口市中心医院伦理委员会批准。根据国家立法和机构标准，本研究不需要获得研究参与者的知情同意。

1.2 数据收集及炎症标志物计算

通过电子病例系统收集患者的基本人口学特征(性别和年龄)、临床特征(既往史和基础病史)和实验室检查(血常规和生化)。根据获取的实验室检查结果，进行炎症标志物计算。相关计算公式如下：1)中性粒细胞相关炎症标志物：中性粒细胞与淋巴细胞比值(neutrophil-lymphocyte ratio, NLR) =中性粒细胞计数(109个/L)/淋巴细胞计数(109个/L);中性粒细胞与高密度脂蛋白比值(neutrophil-high density lipoprotein ratio, NHR)=中性粒细胞计数(109个/L)/高密度脂蛋白(mmol/L);2)血小板相关炎症标志物：血小板与淋巴细胞比值(platelet-lymphocyte ratio, PLR)=血小板计数(109个/L)/淋巴细胞计数(109个/L);中性粒细胞与高密度脂蛋白比值(platelet-high density lipoprotein ratio, PHR)=血小板计数(109个/L)/高密度脂蛋白(mmol/L);3)单核细胞相关炎症标志物：单核细胞与淋巴细胞比值(monocyte-lymphocyte ratio, MLR)=单核细胞计数(109个/L)/淋巴细胞计数(109个/L);单核细胞与高密度脂蛋白比值(monocyte-high density lipoprotein ratio, MHR)=单核细胞计数(109个/L)/高密度脂蛋白(mmol/L);4)C-反应蛋白相关炎症标志物：C反应蛋白与白蛋白比值(C-reactive protein-albumin ratio, CAR) =C-反应蛋白(mg/L)/白蛋白(g/L);C反应蛋白与前白蛋白比值(C-reactive protein-prealbumin ratio, CPR)=C-反应蛋白(mg/L)/前白蛋白(g/L);C反应蛋白与淋巴细胞比值(C-reactive protein-lymphocyte ratio, CLR)=C-反应蛋白(mg/L)/淋巴细胞计数(109个/L)。

1.3 统计学处理

采用SPSS 20.0和R 4.20进行数据分析；符合正态分布的计量资料用表示，比较用t检验；计数资料用百分数表示，比较用χ2检验；脑卒中发生的独立危险因素分析用多因素Logistic回归分析；模型预测效能评估用曲线下面积(area under the curve, AUC);模型的临床实用性评估用校准曲线分析和决策曲线分析；检验水准α=0.05。

2、结果

2.1 恶性肿瘤患者基线资料

脑卒中组患者年龄、男性比例、高血压比例、糖尿病比例、NLR、PLR、MLR、MHR、CAR、CPR和CLR高于非脑卒中组(t=16.808,P<0.001;χ2=5.462,P=0.019;χ2=15.312,P<0.001;χ2=7.955,P=0.005;t=21.273,P<0.001;t=17.850,P<0.001;t=33.590,P<0.001;t=18.456,P<0.001;t=30.707,P<0.001;t=10.948,P<0.001;t=20.280,P<0.001)。见表1。

表1 脑卒中组和非脑卒中组患者基线资料比较

2.2 CAS独立危险因素

将差异有统计学意义的变量进行多因素Logistic回归分析发现，年龄[OR=2.443(95% CI:1.302～4.583),P=0.005]、高血压[OR=21.199(95% CI:10.521～42.71),P<0.001]、糖尿病[OR=6.635(95% CI:3.056～14.408),P<0.001]、NLR[OR=5.350(95%CI:2.508～11.412),P<0.001]、MHR[OR=5.048(95% CI:2.653～9.607),P<0.001]、CAR[OR=4.496(95% CI:2.215～9.125),P<0.001]是CAS的独立危险因素。见表2。

表2 CAS的逐步多因素Logistic回归分析结果

2.3 CAS风险预测模型构建及验证

基于CAS的独立危险因素，本研究构建了CAS风险预测列线图模型。CAS的风险预测列线图模型展示出了良好的预测能力，其AUC、敏感性和特异性分别为0.940(0.919～0.962)、91.6%和87.4%。校准曲线分析和决策曲线分析表明，本研究所构建的预测模型具有良好的临床实用性。见图1～4。

图1 CAS风险预测列线图模型可视化

图2 CAS风险预测列线图模型效能

图3 CAS风险预测列线图模型校准曲线

图4 CAS风险预测列线图模型决策曲线

3、讨论

恶性肿瘤患者发生中风的风险是普通人群的2倍多，并且随着随访时间的延长而增加[1]。CAS患者的临床特征发现为多发性血管病变和隐源性脑卒中[4]。到目前为止，CAS的确切病理生理机制尚不清楚，适当的预防策略也不清楚。因此，迫切的需要一个简单可靠的预测模型识别发生中风的高危恶性肿瘤患者人群。本研究旨在基于炎症标志物和临床特征探讨CAS的风险因素，并构建CAS风险预测列线图模型，以期为识别CAS高危人群提供有用的临床工具，以制定合适的预防策略。既往研究表明，年龄[7,8]、高血压[9,10]和糖尿病[11,12]是脑卒中发生的危险因素，即高龄、合并高血压或糖尿病者较低龄、不合并高血压或糖尿病者更容易发生脑卒中。此外，本研究结果也表明NLR、MHR和CAR是恶性肿瘤患者发生脑卒中的独立危险因素。该结论与以往的研究[13,14,15]大致相符。值得注意的是，到目前为止，尚无NLR、MHR和CAR与CAS的相关性研究，本研究为首次报道。

随着分析方法和机器学习方法的不断发展，基于多种生物标志物及临床特征的诊断及预后模型在医学领域得到广泛的应用[16]。到目前为止，尚无任何模型对恶性肿瘤合并脑卒中进行预测。因此，建立一个高精准度的CAS的风险预测列线图模型以指导临床识别高风险脑卒中患者显得尤为重要。本研究所建立的CAS风险预测列线图模型以炎症标志物和临床特征为基础，模型包含的变量不仅容易获得(即使在基层医院或经济不发达的地区),而且具有良好的预测能力和极高的准确性，表明该风险预测列线图模型可使恶性肿瘤患者在预防脑卒中的发生上获益。此外，本预后模型列线图所涉及的指标获取容易，费用低，具有较高的经济成本价值。临床医生可以通过该风险预测列线图模型预测恶性肿瘤患者脑卒中发生的风险大小，为恶性肿瘤患者提供个性化的预防策略和诊治措施。因此，我们建议在初级医院广泛使用本研究所建立的风险预测列线图模型，从而使更多的恶性肿瘤患者受益。然而，本研究也存在一定的局限性。首先，由于样本来源的限制，未内部及外部验证，该预后模型列线图是否具有广泛的适用性，有待外深入研究。

综上所述，本研究所建立的CAS风险预测列线图模型具有良好的预测能力及准确性，但有待进一步外部验证以验证其效能。

参考文献:

[6]于子涵,裴科,赵婷婷,等.基于NF-κB信号通路探讨六经头痛片对永久性脑缺血大鼠的脑保护作用[J/OL].中国中药杂志,2023.DOI:10.19540/j.cnki.cjcmm.20230710.705.

[7]汤洪秀,王佳,曾艺,等.吸烟､脑卒中家族史对脑卒中患病的交互作用分析[J].实用预防医学,2023,30(7):781-784.

[8]戴培,于惠贤,王赵霞,等.老年缺血性卒中患者执行功能损害特点及相关影响因素[J].中国康复医学杂志,2023,38(7):911-916.

[9]巫颖,李绍发,梁东,等.百色少数民族人群MTHFR C677T位点基因多态性与缺血性脑卒中发病的关系[J].山东医药,2023,63(19):71-75.

[10]张雪玲,王一峰,孙威,等.应用列线图模型预测急性非心源性卒中大血管病变患者溶栓治疗后出血转化情况[J].中国实用神经疾病杂志,2023,26(7):824-829.

[11]张佳丽,胡燕,郑晓梅.司美格鲁肽对脑缺血大鼠的治疗作用及机制[J].山东医药,2023,63(19):41-45.

[12]李晓芳,陈晓荣,王丽梅,等.脑卒中合并糖尿病患者认知障碍及危险因素调查分析[J].护理学杂志,2023,38(13):36-39.

[13]邱爽,李宗琴,胡兰等.中性粒细胞与淋巴细胞比值预测高龄卒中预后的价值[J].西部医学,2023,35(6):843-847.

[14]杨慧菁,温旭升,文建卿,等.单核细胞与高密度脂蛋白比值对维持性血液透析患者心脑血管事件发生的预测价值[J].心血管病防治知识,2023,13(2):13-15,19.

[15]杨锦,李俊,卢士学,等.开发炎症-免疫反应评分预测老年髋部骨折患者术后脑卒中发生风险[J].中国骨与关节杂志,2022,11(9):713-720.