口腔鳞状细胞癌患者淋巴结检出数量与死亡率预测

Lymph Nodal Yield and Prediction of Mortality in Oral Squamous Cell Carcinoma Patients

作者信息Christian Mirian, Lasse Rehné Jensen, Mathias Hald, Davide Mattavelli, Cesare Piazza, Linda Feeley, Patrick Sheahan, Marcel Oehme, Christian Freudlsperger, Julius Moratin, Therese Ovesen

PMID41104839

期刊Otolaryngol Head Neck Surg

发布时间2025-10-17

DOI10.1002/ohn.70040

来源查看原文

实验完整度

中

基于三个独立队列的回顾性临床数据分析，包含预测性能评估、交叉验证和平均处理效应模型，但无体外或动物实验，属于临床数据分析研究。

主要模型

三个欧洲队列的口腔鳞状细胞癌患者（布雷西亚、科克、海德堡）

重点核对

LNY作为连续变量、18LNY二分类变量及各五分位数组 3年和5年总体生存率作为主要结局调整年龄、性别、UICC分期、颈部清扫侧别、ENE、放化疗等混杂因素以海德堡队列为训练集，布雷西亚和科克队列为验证集的外部交叉验证采用G计算和逆概率加权估计LNY的人群平均处理效应

摘要

目的淋巴结检出数量（LNY）越来越多地被用作口腔鳞状细胞癌（OSCC）研究中的预后因素和质量指标，但仍需在独立的OSCC队列中进行验证。研究设计回顾性队列研究。环境来自三个中心（布雷西亚、科克和海德堡）的接受颈部清扫术的原发性OSCC患者（n=1080）。方法使用受试者工作特征曲线下面积（AUC）评估LNY预测3年和5年死亡率的准确性。使用调整了LNY和各种混杂因素的二项回归模型在独立队列中交叉验证预测性能。使用估计LNY人群平均处理效应的模型来估计如果OSCC患者被随机分配去除特定范围的LNY（无论其个人特征如何）会观察到的效应。估计了三个队列之间的平均LNY。结果 ROC曲线分析表明，LNY在预测3年和5年死亡风险方面并未提高预后准确性。跨独立队列的交叉验证显示，在二项回归模型中添加LNY并未提高预测准确性。以LNY范围33-44作为参考，平均处理效应模型发现pN阳性患者在LNY组（LNY：2-17、17-25、25-33和44-119）之间的3年死亡风险没有显著差异。结论我们发现在不同情况下考虑LNY时，其对死亡率的预后准确性没有改善。显著的跨中心变异性和缺乏一致的生存获益对使用LNY作为预后或手术质量指标提出了挑战。关键词：头颈部，LNY，淋巴结检出数量，口腔鳞状细胞癌，OSCC，生存

评估LNY及18LNY的预测性能

检验LNY和18LNY是否能提高按UICC分期和颈部清扫侧别分层的3年及5年死亡风险预测准确性。

使用全部1080例患者数据，按UICC分期（I-II vs III-IV）和颈部清扫侧别（同侧或双侧）分层，将LNY作为连续协变量纳入ROC曲线分析，并识别18LNY在曲线上的位置，计算AUC。

外部交叉验证预测性能

在独立队列中验证LNY和18LNY对3年及5年死亡率的预测准确性是否优于不包含LNY的模型。

在海德堡队列（最大队列）上训练三个二元回归模型（包含连续LNY、包含18LNY、不包含LNY），均调整年龄、性别、放化疗、UICC分期、ENE和颈部清扫侧别，并使用逆概率删失加权和Kaplan-Meier法计算权重。然后将模型分别应用于布雷西亚和科克队列，计算AUC。

分析影响LNY的因素

评估不同中心、UICC分期、颈部清扫侧别、年龄和性别对总LNY的影响，以解释LNY的变异性。

以LNY为因变量，拟合多元线性回归模型，调整中心、UICC分期、颈部清扫侧别及UICC分期与侧别的交互项，估算各因素对平均LNY的效应。

估计LNY的人群平均处理效应

模拟OSCC患者被随机分配至不同LNY范围时，对3年死亡风险的人群平均效应，以评估LNY的因果作用。

将LNY分为五个近似相等的组（LNY 2-17、17-25、25-33、33-44、44-119），使用G计算和逆概率删失加权拟合二元回归模型，调整年龄、性别、LNY、ENE、UICC分期、颈部清扫侧别、放化疗及各中心，并包含中心与UICC分期、侧别、LNY、放化疗的交互项，以及UICC分期与侧别、侧别与LNY的交互项。以LNY 33-44为参考组，分别对pN阴性和pN阳性患者估计3年死亡风险。

环节	核对要点
预测性能评估	AUC计算需明确分层变量（UICC分期和颈部清扫侧别），LNY作为连续变量或18LNY作为二分类变量，结局为3年和5年死亡率阅读提示：Methods: Predictive Performance of LNY
交叉验证	训练模型时需明确调整的协变量（年龄、性别、放化疗、UICC分期、ENE、颈部清扫侧别），并采用逆概率删失加权，权重按各研究分层用Kaplan-Meier法估计阅读提示：Methods: Cross-Validating the Predictive Performance
影响LNY因素分析	模型中需包含中心、UICC分期、颈部清扫侧别及其交互项，并调整年龄和性别阅读提示：Methods: Factors Associated With Total Number of LNY
平均处理效应模型	需指定LNY分组（2-17,17-25,25-33,33-44,44-119），设定参考组（33-44），调整年龄、性别、LNY、ENE、UICC分期、颈部清扫侧别、放化疗、中心及多个交互项，并使用G计算和逆概率删失加权阅读提示：Methods: Population-Average Treatment Effect of LNY

环节

核对要点

预测性能评估

AUC计算需明确分层变量（UICC分期和颈部清扫侧别），LNY作为连续变量或18LNY作为二分类变量，结局为3年和5年死亡率

阅读提示：Methods: Predictive Performance of LNY

交叉验证

训练模型时需明确调整的协变量（年龄、性别、放化疗、UICC分期、ENE、颈部清扫侧别），并采用逆概率删失加权，权重按各研究分层用Kaplan-Meier法估计

阅读提示：Methods: Cross-Validating the Predictive Performance

影响LNY因素分析

模型中需包含中心、UICC分期、颈部清扫侧别及其交互项，并调整年龄和性别

阅读提示：Methods: Factors Associated With Total Number of LNY

平均处理效应模型

需指定LNY分组（2-17,17-25,25-33,33-44,44-119），设定参考组（33-44），调整年龄、性别、LNY、ENE、UICC分期、颈部清扫侧别、放化疗、中心及多个交互项，并使用G计算和逆概率删失加权

阅读提示：Methods: Population-Average Treatment Effect of LNY

大家都在搜

大家都在搜