治疗前炎症指标构建模型预测卵巢癌患者术后生存
目的探讨治疗前炎性指标在卵巢癌患者预后中的作用，建立卵巢癌患者的便捷、准确的生存预测模型。方法回顾性分析2013年1月至2018年12月在广州市第一人民医院就诊的145例卵巢癌患者及同期60例卵巢良性肿瘤患者的临床、病理及随访资料。根据随访截止日期时患者的生存情况，将患者分成生存组（48例）和死亡组（97例），比较两组患者治疗前外周血中性粒细胞/淋巴细胞比值（NLR）、血小板/淋巴细胞比值（PLR）、单核细胞与淋巴细胞计数比值（MLR）、单核细胞与淋巴细胞计数比值（NAR）水平，采用Cox回归分析明确影响卵巢癌患者生存的因素，用R软件建立列线图生存预测模型，并进行内部验证。结果NLR、PLR、...
Saved in:
| Main Authors: | , , , , |
|---|---|
| Format: | Article |
| Language: | zho |
| Published: |
Editorial Office of Journal of Sun Yat-sen University
2021-11-01
|
| Series: | Zhongshan Daxue xuebao. Yixue kexue ban |
| Subjects: | |
| Online Access: | http://xuebaoyx.sysu.edu.cn/zh/article/doi/10.13471/j.cnki.j.sun.yat-sen.univ(med.sci).2021.0617/ |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| _version_ | 1841535172018700288 |
|---|---|
| author | 李希 林敏 马犇 顾正田 康佳丽 |
| author_facet | 李希 林敏 马犇 顾正田 康佳丽 |
| author_sort | 李希 |
| collection | DOAJ |
| description | 目的探讨治疗前炎性指标在卵巢癌患者预后中的作用，建立卵巢癌患者的便捷、准确的生存预测模型。方法回顾性分析2013年1月至2018年12月在广州市第一人民医院就诊的145例卵巢癌患者及同期60例卵巢良性肿瘤患者的临床、病理及随访资料。根据随访截止日期时患者的生存情况，将患者分成生存组（48例）和死亡组（97例），比较两组患者治疗前外周血中性粒细胞/淋巴细胞比值（NLR）、血小板/淋巴细胞比值（PLR）、单核细胞与淋巴细胞计数比值（MLR）、单核细胞与淋巴细胞计数比值（NAR）水平，采用Cox回归分析明确影响卵巢癌患者生存的因素，用R软件建立列线图生存预测模型，并进行内部验证。结果NLR、PLR、MLR、NAR在卵巢癌患者中的中位数（四分位数间距）分别为2.98 （1.85， 5.55）、156.17 （110.38， 194.66）、0.28 （0.21， 0.42）、0.17 （0.13， 0.28）；四个指标在卵巢良性肿瘤患者中的中位数（四分位数间距）分别为1.94 （1.49， 3.65）、125.00 （109.38， 180.66）、0.09 （0.04， 0.19）、0.14 （0.11， 0.17）。卵巢癌患者四个指标均高于卵巢良性肿瘤患者，差异具有统计学差异（<italic>P </italic>＜0.05）；卵巢癌生存亚组在年龄、FIGO分期、治疗前血清白蛋白水平（37.22±4.86）、NLR （3.12±2.00）、PLR （143.61±54.18）、MLR （0.30±0.17）、NAR ［0.14 （0.11， 0.18）］与死亡亚组的年龄、FIGO分期、治疗前血清白蛋白水平 （34.33±3.73）、NLR （5.38±2.29）、PLR （185.76±64.04）、MLR （0.41±0.19）、NAR ［0.56 （0.19， 0.61）］存在统计学差异（<italic>P</italic> ＜0.05）；多因素分析显示病理分型、腹水、淋巴结转移、NLR、PLR、NAR是卵巢癌患者5年生存的独立预测因素。列线图预测术后生存模型的C-index为 0.865（0.792，0.921），校准预测曲线和理想曲线拟合良好。结论病理分型、腹水、淋巴结转移、治疗前外周血的NLR、PLR、NAR值是卵巢癌患者预后的独立预测因素，以此为基础构建的列线图模型对卵巢癌患者术后生存情况有良好的预测价值。 |
| format | Article |
| id | doaj-art-40d392ec3eb64cf7b0e8a1a0ee64da53 |
| institution | Kabale University |
| issn | 1672-3554 |
| language | zho |
| publishDate | 2021-11-01 |
| publisher | Editorial Office of Journal of Sun Yat-sen University |
| record_format | Article |
| series | Zhongshan Daxue xuebao. Yixue kexue ban |
| spelling | doaj-art-40d392ec3eb64cf7b0e8a1a0ee64da532025-01-15T02:34:17ZzhoEditorial Office of Journal of Sun Yat-sen UniversityZhongshan Daxue xuebao. Yixue kexue ban1672-35542021-11-014293794343494990治疗前炎症指标构建模型预测卵巢癌患者术后生存李希林敏马犇顾正田康佳丽目的探讨治疗前炎性指标在卵巢癌患者预后中的作用，建立卵巢癌患者的便捷、准确的生存预测模型。方法回顾性分析2013年1月至2018年12月在广州市第一人民医院就诊的145例卵巢癌患者及同期60例卵巢良性肿瘤患者的临床、病理及随访资料。根据随访截止日期时患者的生存情况，将患者分成生存组（48例）和死亡组（97例），比较两组患者治疗前外周血中性粒细胞/淋巴细胞比值（NLR）、血小板/淋巴细胞比值（PLR）、单核细胞与淋巴细胞计数比值（MLR）、单核细胞与淋巴细胞计数比值（NAR）水平，采用Cox回归分析明确影响卵巢癌患者生存的因素，用R软件建立列线图生存预测模型，并进行内部验证。结果NLR、PLR、MLR、NAR在卵巢癌患者中的中位数（四分位数间距）分别为2.98 （1.85， 5.55）、156.17 （110.38， 194.66）、0.28 （0.21， 0.42）、0.17 （0.13， 0.28）；四个指标在卵巢良性肿瘤患者中的中位数（四分位数间距）分别为1.94 （1.49， 3.65）、125.00 （109.38， 180.66）、0.09 （0.04， 0.19）、0.14 （0.11， 0.17）。卵巢癌患者四个指标均高于卵巢良性肿瘤患者，差异具有统计学差异（<italic>P </italic>＜0.05）；卵巢癌生存亚组在年龄、FIGO分期、治疗前血清白蛋白水平（37.22±4.86）、NLR （3.12±2.00）、PLR （143.61±54.18）、MLR （0.30±0.17）、NAR ［0.14 （0.11， 0.18）］与死亡亚组的年龄、FIGO分期、治疗前血清白蛋白水平 （34.33±3.73）、NLR （5.38±2.29）、PLR （185.76±64.04）、MLR （0.41±0.19）、NAR ［0.56 （0.19， 0.61）］存在统计学差异（<italic>P</italic> ＜0.05）；多因素分析显示病理分型、腹水、淋巴结转移、NLR、PLR、NAR是卵巢癌患者5年生存的独立预测因素。列线图预测术后生存模型的C-index为 0.865（0.792，0.921），校准预测曲线和理想曲线拟合良好。结论病理分型、腹水、淋巴结转移、治疗前外周血的NLR、PLR、NAR值是卵巢癌患者预后的独立预测因素，以此为基础构建的列线图模型对卵巢癌患者术后生存情况有良好的预测价值。http://xuebaoyx.sysu.edu.cn/zh/article/doi/10.13471/j.cnki.j.sun.yat-sen.univ(med.sci).2021.0617/卵巢癌治疗前炎症指标预后列线图 |
| spellingShingle | 李希 林敏 马犇 顾正田 康佳丽 治疗前炎症指标构建模型预测卵巢癌患者术后生存 Zhongshan Daxue xuebao. Yixue kexue ban 卵巢癌 治疗前炎症指标 预后 列线图 |
| title | 治疗前炎症指标构建模型预测卵巢癌患者术后生存 |
| title_full | 治疗前炎症指标构建模型预测卵巢癌患者术后生存 |
| title_fullStr | 治疗前炎症指标构建模型预测卵巢癌患者术后生存 |
| title_full_unstemmed | 治疗前炎症指标构建模型预测卵巢癌患者术后生存 |
| title_short | 治疗前炎症指标构建模型预测卵巢癌患者术后生存 |
| title_sort | 治疗前炎症指标构建模型预测卵巢癌患者术后生存 |
| topic | 卵巢癌 治疗前炎症指标 预后 列线图 |
| url | http://xuebaoyx.sysu.edu.cn/zh/article/doi/10.13471/j.cnki.j.sun.yat-sen.univ(med.sci).2021.0617/ |
| work_keys_str_mv | AT lǐxī zhìliáoqiányánzhèngzhǐbiāogòujiànmóxíngyùcèluǎncháoáihuànzhěshùhòushēngcún AT línmǐn zhìliáoqiányánzhèngzhǐbiāogòujiànmóxíngyùcèluǎncháoáihuànzhěshùhòushēngcún AT mǎbēn zhìliáoqiányánzhèngzhǐbiāogòujiànmóxíngyùcèluǎncháoáihuànzhěshùhòushēngcún AT gùzhèngtián zhìliáoqiányánzhèngzhǐbiāogòujiànmóxíngyùcèluǎncháoáihuànzhěshùhòushēngcún AT kāngjiālì zhìliáoqiányánzhèngzhǐbiāogòujiànmóxíngyùcèluǎncháoáihuànzhěshùhòushēngcún |