基于早期与晚期复发危险因素的局部晚期食管鳞状细胞癌(ESCC)根治性放化疗(dCRT)后风险分层随访策略构建

《Frontiers in Oncology》:Development of a risk-stratified follow-up strategy based on early and late recurrence risk factors in locally advanced esophageal squamous cell carcinoma after definitive chemoradiotherapy

【字体: 大 中 小 】 时间:2026年09月23日 来源:Frontiers in Oncology 3.4

编辑推荐:

  背景:局部晚期食管鳞状细胞癌(esophageal squamous cell carcinoma,ESCC)根治性放化疗(definitive chemoradiotherapy,dCRT)后的高复发率仍是重大的临床挑战。然而,目前缺乏研究探讨炎症相关指标对

  
背景:局部晚期食管鳞状细胞癌(esophageal squamous cell carcinoma,ESCC)根治性放化疗(definitive chemoradiotherapy,dCRT)后的高复发率仍是重大的临床挑战。然而,目前缺乏研究探讨炎症相关指标对早期复发(early recurrence,ER)和晚期复发(late recurrence,LR)的不同影响。

方法:研究人员回顾性分析了905例局部晚期ESCC患者。采用六种机器学习算法进行共识特征筛选,随后通过多变量Cox回归确定ER和LR的独立预后因素。构建了预后列线图(nomogram),并通过限制平均生存时间(restricted mean survival time,RMST)量化生存差异,以指导随访策略。

结果:机器学习结合Cox分析确定放疗(radiotherapy,RT)剂量、肿瘤厚度和N分期为ER的独立危险因素,而同步化疗、N分期、泛免疫炎症值(pan-immune-inflammation value,PIV)和血小板与白蛋白比值(platelet-to-albumin ratio,PAR)被确定为LR的独立危险因素。风险模型有效地将患者分为高风险、中风险和低风险组,三组的无进展生存期(progression-free survival,PFS)和总生存期(overall survival,OS)具有显著差异,且高风险组富集了包括N分期升高、PAR、PIV升高和肿瘤负荷增加在内的不良特征。所构建的列线图显示出良好的校准能力和区分能力(5年OS和PFS的AUC值分别为0.738和0.771),并比单一变量提供更高的净临床获益。该模型OS和PFS的一致性指数(C-index)分别为0.652和0.677。基于RMST分析揭示的风险亚组间显著生存梯度(高风险、中风险和低风险组的5年OS-RMST分别为21.0、32.5和44.7个月),制定了风险分层随访策略,分别推荐高风险、中风险和低风险患者采取强化(每1–3个月)、逐步降频和年度监测方案。

结论:研究人员开发并内部验证了基于炎症指标的预后列线图,可有效量化风险并进行风险分层。此外,研究人员基于RMST制定了一种新颖的风险适应性随访策略框架,为ESCC的个体化精准管理提供了潜在的决策工具。然而,该策略仍属于假设生成性质,在广泛临床采用前需要外部前瞻性验证。
论文解读:局部晚期食管鳞状细胞癌根治性放化疗后基于早期与晚期复发风险因素的风险分层随访策略

一、研究背景与问题

食管鳞状细胞癌(esophageal squamous cell carcinoma,ESCC)是全球高发的消化道恶性肿瘤,尤其在东亚地区发病率和死亡率居高不下。由于早期症状不典型,超过60%的患者确诊时已是局部晚期或远处转移。对于不可切除的局部晚期ESCC,根治性放化疗(definitive chemoradiotherapy,dCRT)是标准非手术治疗手段,但患者总生存率仍不理想,高复发风险和多样化的复发模式构成重大挑战。既往研究虽对肿瘤进展模式有多种分类,但缺乏专门系统探讨炎症相关指标在早期复发(early recurrence,ER)与晚期复发(late recurrence,LR)中不同作用的研究。因此,本研究旨在分析dCRT后不同时间窗的疾病进展及其危险因素,为个体化风险分层和优化随访策略提供依据。

二、研究内容与总体结论

研究人员回顾性分析2011年1月至2020年12月在福建省肿瘤医院接受dCRT或根治性放疗(definitive radiotherapy,dRT)的905例局部晚期ESCC患者。以治疗开始后24个月为界,将复发患者分为ER组(411例)和LR组(145例),未复发患者(349例)作为删失观测。采用创新的两阶段分析策略:先整合六种机器学习算法进行共识特征筛选,再经多变量Cox回归验证,最终确定RT剂量、肿瘤厚度和N分期为ER的独立危险因素,同步化疗、N分期、泛免疫炎症值(pan-immune-inflammation value,PIV)和血小板与白蛋白比值(platelet-to-albumin ratio,PAR)为LR的独立危险因素。基于此构建的预后列线图具有良好的校准度和区分度,并据限制平均生存时间(restricted mean survival time,RMST)分析制定风险分层随访策略。

三、主要关键技术方法

研究人员采用两阶段分析策略:首先整合六种基于不同原理的机器学习算法(Random Forest、极限梯度提升XGBoost、梯度提升机GBM、ElasticNet、加权支持向量机SVM_Weight与LASSO回归)进行共识特征筛选;随后将至少被三种算法选中的变量纳入多变量原因别Cox比例风险模型验证。采用SHAP(SHapley Additive exPlanations)方法实现模型可视化解释。构建的预后列线图通过一致性指数(C-index)、时间依赖性ROC曲线、校准曲线与决策曲线分析(DCA)评估,采用净重分类改善指数(NRI)与综合判别改善指数(IDI)量化增量价值,并应用RMST量化生存差异。样本队列来自福建省肿瘤医院2011至2020年905例患者。

四、研究结果

1. 临床特征:在905例患者中,411例(45.4%)发生ER,145例(16.0%)发生LR,349例(38.6%)未复发。累积发生率分析和界标分析证实,73.9%(411/556)的复发发生在治疗后24个月内,前24个月是复发最高风险窗口。ER患者肿瘤负荷更高(肿瘤厚度≥1.25 cm、N2/3分期比例高),且SII、SIRI、NLR、PLR、PIV、PAR等炎症营养指标水平更高。

2. 基于共识变量和多变量Cox分析及SHAP模型解读的预后危险因素识别:六种机器学习算法筛选出12个共识变量,多变量Cox分析确定RT剂量(HR=0.710)、肿瘤厚度(HR=2.463)和N分期(HR=1.754)为ER独立危险因素;LR的共识变量有9个,Cox分析确定N分期(HR=2.759)、PIV(HR=1.517)、PAR(HR=1.502)和同步化疗(HR=0.699)为独立危险因素。SHAP分析验证了各因素的贡献方向与重要性排序。

3. 预后列线图的构建与验证:整合ER和LR危险因素构建列线图,1、3、5年OS的时间依赖性AUC分别为0.709、0.709、0.738,PFS分别为0.712、0.738、0.771;OS和PFS的C指数分别为0.652和0.677。校准曲线显示预测与观测高度一致,DCA显示模型净临床获益优于任何单一变量。

4. ER、LR及不同风险组的临床特征:Kaplan-Meier分析显示ER患者OS和PFS显著差于LR患者,热图显示ER组肿瘤分期更晚、肿瘤负荷更大。按列线图评分三分位将全队列分为低、中、高风险组,高风险组生存显著更差,并在热图中富集不良临床病理特征。

5. 基于RMST分析的风险分层随访策略:全模型(整合ER和LR因素)较单独ER或LR模型显著改善5年结局预测(OS的NRI和IDI分别提高0.400和0.034,PFS提高0.514和0.055)。5年OS-RMST在高、中、低风险组分别为21.0、32.5、44.7个月,PFS-RMST分别为17.3、31.1、46.6个月,呈显著生存梯度。据此提出:高风险组每1–3个月强化随访;中风险组采用逐步降频方案(前1–2年每3个月,第2–4年每6个月,第5年起每年);低风险组前两年每6个月、之后每年随访。

五、讨论与结论

讨论部分指出,N分期和PAR是影响ESCC预后的基石性因素,全程影响复发结局;肿瘤厚度主要与ER相关,反映肿瘤局部侵袭和早期播散能力;PIV与LR显著相关,提示持续系统性炎症反应可能抑制免疫监视并唤醒休眠微转移灶。研究核心贡献在于将生物学机制探索转化为可量化的临床工具,列线图整合生物学互补指标,并基于RMST制定风险适应性随访策略,实现从"同质化"到"精准化"的转变。研究局限性包括:单中心回顾性设计、选择偏倚和未测量混杂因素、缺乏基因组特征等潜在重要信息、炎症标志物受多种非肿瘤因素影响、长期入组期间放疗技术与分期标准的变化,以及模型需要多中心外部验证。

结论:本研究系统揭示了局部晚期ESCC在dCRT后疾病复发的异质性,确定RT剂量、同步化疗、N分期、PAR、肿瘤厚度和PIV为关键复发预测因素。通过整合机器学习和多变量分析,研究人员构建并内部验证了一种能够准确分层个体复发风险的预后列线图。基于RMST得出的生存差异,研究人员提出了一种风险适应性随访框架,为未来前瞻性评估个体化监测策略提供了基础。该框架为优化治疗后监测和制定风险分层治疗方法奠定基础,有待外部验证。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号