患者队列建立与特征收集
收集NKTCL患者临床数据，为预后分析提供基础。
回顾性收集1076例经病理确诊的NKTCL患者，来自两个中心，收集人口学特征、B症状、ECOG PS、实验室指标（LDH、ALB、CRP、EBV-DNA等）及分期信息（Ann Arbor和CA分期），划分训练、内部验证和外部验证队列。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
基于CA分期的预后新模型用于增强自然杀伤/T细胞淋巴瘤患者的分层与生存预测
A novel prognostic model based on CA stage for enhanced stratification and survival prediction in patients with Natural killer/T-cell lymphoma
实验完整度
中该研究为回顾性队列分析，基于1076例患者临床数据，采用LASSO和Cox回归构建并验证预后模型，包含训练、内部和外部验证队列，但缺乏体外或动物实验等机制验证。
主要模型
NKTCL患者队列（训练队列n=598） NKTCL患者队列（内部验证队列n=256） NKTCL患者队列（外部验证队列n=222）
重点核对
年龄分层：≤30, 31-45, 46-60, >60岁 CA分期：I, II, III, IV期 B症状：有无 血红蛋白：<110 g/L vs ≥110 g/L
摘要
本研究旨在在L-天冬酰胺酶/培门冬酶为基础的治疗背景下，确定自然杀伤/T细胞淋巴瘤（NKTCL）的关键预后因素，并开发一个简化而准确的预后模型用于风险分层。中山大学肿瘤防治中心的854例NKTCL患者数据被分为训练队列（n=598）和内部验证队列（n=256）。另有来自四川省肿瘤医院的222例患者用于创建外部验证队列。采用最小绝对收缩和选择算子（LASSO）和Cox回归确定总生存期（OS）的独立危险因素。构建列线图（Nomogram-CA），并使用一致性指数（C-index）、校准曲线、时间依赖性ROC（tdROC）和决策曲线分析（DCA）进行评估。生成Kaplan-Meier生存曲线以显示组间OS差异。年龄、CA分期、B症状和血红蛋白（Hb）水平均被确定为OS的独立危险因素。Nomogram-CA基于多变量分析结果构建。DCA曲线表明，在训练队列、内部验证队列和外部验证队列中，Nomogram-CA为患者提供了更多的净获益。此外，Kaplan-Meier生存曲线分析显示，被Nomogram-CA确定为高危组的患者生存率显著低于低危组（P<0.05）。基于独立预后因素构建的Nomogram-CA比传统分期系统具有更好的预测能力，可帮助临床医生评估患者预后。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 在L-天冬酰胺酶/培门冬酶为基础的治疗背景下，如何构建一个简化而准确的预后模型以改善NKTCL患者的风险分层？
- 核心机制
- 年龄、CA分期、B症状和血红蛋白是NKTCL患者总生存期的独立预后因素，其组合形成的Nomogram-CA模型能更准确地进行风险分层。
- 主要证据
- 基于1076例NKTCL患者的多中心回顾性队列，使用LASSO和Cox回归筛选变量，构建Nomogram-CA，并通过C-index、校准曲线、tdROC和DCA在训练、内部验证和外部验证队列中验证其预测性能优于IPI、KPI、PINK/PINK-E模型。
- 研究意义
- Nomogram-CA为NKTCL患者提供了一种简单、准确的个体化风险分层工具，有助于识别高危患者并指导治疗决策，同时开发了在线预测工具以方便临床应用。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
预后因素筛选与多因素分析
识别与总生存期独立相关的预后因素。
将全部变量纳入LASSO回归进行特征选择，将非零系数变量纳入多因素Cox回归，确定独立预后因素。
构建并验证Nomogram-CA预后模型
构建并验证整合独立预后因素的列线图模型的预测能力。
基于多因素Cox回归结果构建列线图，包含年龄、CA分期、B症状和Hb，通过C-index、校准曲线、tdROC和DCA评估模型性能，并在内部和外部验证队列中验证。
比较模型与传统预后指数
评估Nomogram-CA与传统预后模型（IPI、KPI、PINK/PINK-E）相比是否具有更优的预测性能。
比较各模型在3年和5年OS预测中的AUC，并绘制DCA曲线评估临床净获益。
风险分层与生存分析
验证模型对高低风险组的区分能力。
根据Nomogram-CA计算风险评分，以中位数为界将患者分为低危和高危组，绘制Kaplan-Meier生存曲线并进行log-rank检验。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 统计分析 | IBM SPSS Statistics | IBM | 27.0 |
| R软件 | -- | 4.2.2 | |
| 确定最佳截断值 | X-tile软件 | -- | -- |
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 研究队列 | 患者来源、样本量（训练集598例、内部验证集256例、外部验证集222例）、诊断标准、治疗方案的统一性 阅读提示：参见Materials and methods中的Patients部分 |
| 变量定义 | CA分期标准、年龄分组（≤30, 31-45, 46-60, >60岁）、B症状定义、Hb正常值阈值（≥110 g/L为正常） 阅读提示：参见Materials and methods中的Variable Collection部分 |
| 模型构建 | LASSO回归参数、多因素Cox回归纳入变量、列线图构建方法 阅读提示：参见Materials and methods中的Statistical analysis部分 |
| 模型验证 | 内部、外部验证队列的划分，性能评估指标（C-index、tdROC、DCA）的具体计算方法 阅读提示：参见Results中的Development and validation部分 |
| 风险分层 | 风险评分计算方法、中位风险评分截断值、分组方法 阅读提示：参见Results中的Comparison with existing models部分 |