简介：摘要目的探讨肝癌患者围手术期营养风险和营养支持情况。方法回顾性分析2019年1月至2020年1月中国医学科学院北京协和医学院肿瘤医院收治的507例肝癌手术患者的临床资料。应用营养风险筛查2002（NRS 2002）进行评估，≥ 3分为有营养风险，并统计营养支持情况。结果507例患者中有营养风险82例（16.2%）。男性和女性有营养风险率比较差异无统计学意义[15.3%（58/379）比18.8%（24/128），χ2 = 0.838，P = 0.405]；原发性肝癌患者和继发性肝癌患者有营养风险率比较差异无统计学意义[18.0%（63/350）比12.1%（19/157），χ2 = 2.781，P = 0.117]；≥60岁患者有营养风险率明显高于<60岁患者[25.9%（62/239）比7.5%（20/268）]，差异有统计学意义（χ2 = 31.819，P<0.01）。有营养风险患者年龄、营养不良发生率和术前营养支持率明显高于无营养风险患者[（65.3 ± 12.7）岁比（55.9 ± 8.9）岁、13.4%（11/82）比0和24.4%（20/82）比2.6% （11/425）]，差异有统计学意义（P<0.01）；有营养风险患者和无营养风险患者性别构成、肿瘤来源、术后营养支持率及手术前后白蛋白比较差异无统计学意义（P>0.05）。术前31例营养支持患者中，肠外营养（PN）1例，肠内营养（EN）30例；术后453例营养支持患者中，PN 297例，EN 27例，PN + EN 129例。结论肝癌患者围手术期营养风险的发生率较高，尤其对于老年患者应注意营养支持。NRS 2002是进行营养评估的有效工具，适用于肝癌患者围手术期营养风险筛查，可为临床营养治疗提供依据。

简介：摘要目的探讨肝癌患者围手术期营养风险和营养支持情况。方法回顾性分析2019年1月至2020年1月中国医学科学院北京协和医学院肿瘤医院收治的507例肝癌手术患者的临床资料。应用营养风险筛查2002（NRS 2002）进行评估，≥ 3分为有营养风险，并统计营养支持情况。结果507例患者中有营养风险82例（16.2%）。男性和女性有营养风险率比较差异无统计学意义[15.3%（58/379）比18.8%（24/128），χ2 = 0.838，P = 0.405]；原发性肝癌患者和继发性肝癌患者有营养风险率比较差异无统计学意义[18.0%（63/350）比12.1%（19/157），χ2 = 2.781，P = 0.117]；≥60岁患者有营养风险率明显高于<60岁患者[25.9%（62/239）比7.5%（20/268）]，差异有统计学意义（χ2 = 31.819，P<0.01）。有营养风险患者年龄、营养不良发生率和术前营养支持率明显高于无营养风险患者[（65.3 ± 12.7）岁比（55.9 ± 8.9）岁、13.4%（11/82）比0和24.4%（20/82）比2.6% （11/425）]，差异有统计学意义（P<0.01）；有营养风险患者和无营养风险患者性别构成、肿瘤来源、术后营养支持率及手术前后白蛋白比较差异无统计学意义（P>0.05）。术前31例营养支持患者中，肠外营养（PN）1例，肠内营养（EN）30例；术后453例营养支持患者中，PN 297例，EN 27例，PN + EN 129例。结论肝癌患者围手术期营养风险的发生率较高，尤其对于老年患者应注意营养支持。NRS 2002是进行营养评估的有效工具，适用于肝癌患者围手术期营养风险筛查，可为临床营养治疗提供依据。

简介：摘要目的探讨同时性结直肠癌肝转移(sCRLM)术后早期复发的定义及其影响因素。方法收集2008年12月至2016年12月中国医学科学院肿瘤医院肝胆外科sCRLM患者的临床病理资料。通过限制性立方条分析，探索复发出现的早晚与远期预后的关系，依次行单因素Cox、多因素Cox分析验证6个月作为早期复发定义界点的可行性。随后应用逻辑回归、支持向量机、决策树、随机森林、人工神经网络及XGBoost机器学习的特征变量选择算法，综合排名临床病理变量对6个月内早期复发的重要度，并按综合排名顺序依次将变量引入逻辑回归模型，观察逻辑回归模型的受试者工作特征曲线(ROC)，根据ROC下面积、赤池信息准则、贝叶斯信息准则筛选最佳变量组合，将其纳入多因素逻辑回归分析，进而筛选出早期复发的独立性危险因素。随后对独立危险因素中的治疗性因素行逆概率加权(IPTW)方法分析，在降低协变量的标准化均数差的条件下进一步确认治疗性因素对sCRLM患者肝切除术后早期复发的影响。结果共纳入228例sCRLM患者，随访2.10～108.57个月，男性142例，女性86例，年龄(55.89±0.67)岁。在170例(74.6%)复发患者中，限制性立方条分析确定无病生存期(DFS)与总生存期(OS)的风险比(HR)满足线性关系(P<0.05)，且在所有患者中，Cox分析发现6个月作为早期复发的时间界点具有显著的可行性(HR＝3.405, 95%CI: 2.098～5.526, P<0.05)。所有患者中93例(40.79%)出现早期复发，早期复发患者的生存率明显低于无早期复发患者(HR＝3.405, 95%CI: 2.098～5.526, P<0.05，5年生存率分别为14.0%、52.0%)。六种机器学习算法联合多因素逻辑回归分析确定淋巴结清扫数量>22个(OR＝0.258，95%CI: 0.132～0.506, P<0.05)是早期复发的保护性因素，而肝转移癌数量>3个(OR＝4.715, 95%CI：2.467～9.011, P<0.05)和术后出现并发症(OR＝2.334, 95%CI: 1.269～4.291, P<0.05)是早期复发的独立性风险因素。IPTW分析法在充分降低协变量混杂影响的条件下经因果推论证实淋巴结清扫数量>22个是DFS的保护性因素(IPTW HR＝0.4887, P<0.05)，且也是术后早期复发的保护性因素(IPTW OR＝0.29, P<0.05)，但与OS无关(IPTW HR＝0.6951, P>0.05)。结论sCRLM术后6个月作为早期复发定义界点具有显著可行性，早期复发患者的长期生存差，sCRLM术后早期复发的独立性影响因素是淋巴结清扫数量、肝转移癌数量和术后并发症。

简介：摘要目的探讨机器学习算法和COX列线图在肝细胞癌术后生存预测中的应用价值。方法采用回顾性描述性研究方法。收集2012年1月至2017年1月中国医学科学院北京协和医学院肿瘤医院收治的375例肝细胞癌行根治性肝切除术患者的临床病理资料；男304例，女71例；中位年龄为57岁，年龄范围为21～79岁。375例患者通过计算机产生随机数方法以8∶2比例分为训练集300例和验证集75例，应用逻辑回归、支持向量机、决策树、随机森林、人工神经网络机器学习算法构建肝细胞癌患者术后生存的预测模型，筛选性能最优的机器学习算法预测模型；构建肝细胞癌患者术后生存预测的COX列线图预测模型；比较最优机器学习算法预测模型和COX列线图预测模型预测肝细胞癌患者术后生存的性能。观察指标：(1)训练集与验证集患者临床病理资料分析。(2)训练集与验证集患者随访及生存情况。(3)机器学习算法预测模型构建及验证。(4)COX列线图预测模型构建及验证。(5)随机森林机器学习算法预测模型与COX列线图预测模型预测性能评价。采用门诊或电话方式进行随访，了解患者生存情况。随访时间截至2019年12月或患者死亡。正态分布的计量资料以±s表示，组间比较采用配对t检验。偏态分布的计量资料以M(P25，P75)或M(范围)表示，组间比较采用Mann-Whitney U检验。计数资料以绝对数表示，当Tmin≥5，N≥40时，组间比较采用χ2检验；当1≤Tmin≤5，N≥40时，采用校正χ2检验；当Tmin<1或N<40时，采用Fisher确切概率法。采用Kaplan-Meier法计算生存率和绘制生存曲线。采用COX比例风险模型进行单因素分析，将P<0.2的变量纳入Lasso回归分析，根据λ值筛选影响预后的变量，最后将变量纳入COX比例风险模型进行多因素分析。结果(1)训练集与验证集患者临床病理资料分析：训练集和验证集患者微血管侵犯(无、有)，肝硬化(无、有)分别为292、8例，105、195例和69、6例，37、38例，两组患者比较，差异均有统计学意义(χ2＝4.749，5.239，P<0.05)。(2)训练集与验证集患者随访及生存情况：训练集与验证集患者均获得随访。训练集300例患者随访时间为1.1～85.5个月，中位随访时间为50.3个月。验证集75例患者随访时间为1.0～85.7个月，中位随访时间为46.7个月。375例肝细胞癌患者术后1、3年总体生存率分别为91.7%、79.5%。训练集和验证集患者术后1、3年总体生存率分别为92.0%、79.7%和90.7%、81.9%。两组患者术后生存情况比较，差异无统计学意义(χ2＝0.113，P>0.05)。(3)机器学习算法预测模型构建及验证。①筛选最优机器学习算法预测模型：根据变量对预测肝细胞癌术后3年生存的信息增益度，应用逻辑回归、支持向量机、决策树、随机森林和人工神经网络5种机器学习算法对肝细胞癌临床病理因素进行变量综合排名。筛选主要预测因素为乙型肝炎e抗原(HBeAg)、手术方式、肿瘤最大直径、围术期输血、肝被膜侵犯、肝脏Ⅳ段侵犯。将预测因素前3、6、9、12、15、18、21、24、27、29个变量依次引入5种机器学习算法。其结果显示：当引入9个变量时，逻辑回归、支持向量机、决策树、随机森林机器学习算法预测模型受试者工作特征曲线的曲线下面积(AUC)趋于稳定。当引入变量>12个时，人工神经网络机器学习算法预测模型AUC波动明显，逻辑回归、支持向量机机器学习算法预测模型AUC稳定性可继续改善，而随机森林机器学习算法预测模型AUC接近0.990，说明随机森林机器学习算法预测模型为最优机器学习算法预测模型。②随机森林机器学习算法预测模型优化和验证：将预测因素29个变量依次引入随机森林机器学习算法预测模型中，构建训练集最佳随机森林机器学习算法预测模型。其结果显示：当引入变量＝10个时，网格搜索法示最佳决策树结点个数＝4，最佳决策树数目＝1 000；当引入变量≥10个时，随机森林机器学习算法预测模型AUC稳定在0.990左右。其中当引入变量＝10个时，随机森林机器学习算法预测模型预测训练集术后3年总体生存AUC为0.992，灵敏度为0.629，特异度为0.996，预测验证集术后3年总体生存AUC为0.723，灵敏度为0.177，特异度为0.948。(4)COX列线图预测模型构建及验证。①训练集患者术后生存因素分析。单因素分析结果显示：HBeAg、甲胎蛋白、围术期输血、肿瘤最大直径、肝被膜侵犯、肿瘤分化程度是影响肝细胞癌患者术后生存的相关因素(风险比＝1.958，1.878，2.170，1.188，2.052，0.222，95%可信区间为1.185～3.235，1.147～3.076，1.389～3.393，1.092～1.291，1.240～3.395，0.070～0.703，P<0.05)。将P<0.2的临床病理因素纳入Lasso回归分析，其结果显示：性别，HBeAg，甲胎蛋白，手术方式，围术期输血，肿瘤最大直径，肿瘤位置在肝脏Ⅴ段和肝脏Ⅷ段，肝被膜侵犯，肿瘤分化程度(高分化、中高分化、中分化、中低分化)是影响肝细胞癌患者术后生存的相关因素。进一步将上述临床病理因素纳入多因素COX回归分析，其结果显示：HBeAg、手术方式、肿瘤最大直径是肝细胞癌患者术后生存的独立影响因素(风险比＝1.770，8.799，1.142，95%可信区间为1.049～2.987，1.203～64.342，1.051～1.242，P<0.05)。②COX列线图预测模型的构建和验证：将训练集COX多因素分析结果中P≤0.1的临床病理因素引入Rstudio软件及其rms软件包，构建训练集COX列线图预测模型。COX列线图预测模型预测术后总体生存的C-index为0.723(se＝0.028)，预测训练集术后3年总体生存AUC为0.760，预测验证集术后3年总体生存AUC为0.795。训练集校准图验证显示COX列线图预测模型对术后生存有较好预测效果。COX列线图回归函数＝0.627 06×HBeAg(正常＝0，异常＝1)＋0.134 34×肿瘤最大直径(cm)＋2.107 58×手术方式(腹腔镜＝0，开腹手术＝1)＋0.545 58×围术期输血(无输血＝0，输血＝1)－1.421 33×高分化(非高分化＝0，高分化＝1)。计算所有患者COX列线图风险评分，应用Xtile软件寻找COX列线图风险评分最佳阈值，风险评分≥2.9分为高危组，风险评分<2.9分为低危组。Kaplan-Meier总体生存曲线结果显示：训练集低危组和高危组患者术后总体生存比较，差异有统计学意义(χ2＝33.065，P<0.05)。验证集低危组和高危组患者术后总体生存比较，差异有统计学意义(χ2＝6.585，P<0.05)。进一步采用决策曲线分析结果显示：联合HBeAg、手术方式、围术期输血、肿瘤最大直径和肿瘤分化程度因素的COX列线图预测模型预测性能优于单一因素的预测性能。(5)随机森林机器学习算法预测模型和COX列线图预测模型预测性能评价：通过对2种模型中共同含有的重要变量(肿瘤最大直径)进行分析，并将2种模型通过预测误差曲线进行比较，观察2种模型的预测差异。其结果显示：肿瘤最大直径为2.2 cm时，随机森林机器学习算法和COX列线图预测模型预测患者术后3年生存率分别为77.17%和74.77%(χ2＝0.182，P>0.05)；肿瘤最大直径为6.3 cm时，随机森林机器学习算法和COX列线图预测模型预测患者术后3年生存率分别为57.51%和61.65%(χ2＝0.394，P>0.05)；肿瘤最大直径为14.2 cm时，随机森林机器学习算法和COX列线图预测模型预测患者术后3年生存率分别为51.03%和27.52%(χ2＝12.762，P<0.05)。随着肿瘤最大直径增加，2种模型预测患者生存率差异增大。验证集中，随机森林机器学习算法预测模型预测患者术后3年总体生存AUC为0.723，COX列线图预测模型预测患者术后3年总体生存AUC为0.795，两者比较，差异有统计学意义(t＝3.353，P<0.05)。采用Bootstrap交叉验证结果显示：随机森林机器学习算法预测模型和COX列线图预测模型预测3年生存的整合Brier得分分别为0.139、0.134，COX列线图预测模型预测误差低于随机森林机器学习算法预测模型。结论与机器学习算法预测模型比较，COX列线图预测模型预测肝细胞癌术后3年生存性能更佳，且其变量少，易于临床使用。