胃癌根治术后预后营养-炎症-免疫评分及基于网络的动态列线图的构建与验证：一项多中心研究

　　引言：尽管营养、炎症和免疫状态是影响胃癌（gastric cancer, GC）预后的关键因素，但整合这三方面用于生存预测的工具仍相对有限。研究人员开发并内部验证了预后营养-炎症-免疫（prognostic nutritional-inflammatory-i

　　引言：尽管营养、炎症和免疫状态是影响胃癌（gastric cancer, GC）预后的关键因素，但整合这三方面用于生存预测的工具仍相对有限。研究人员开发并内部验证了预后营养-炎症-免疫（prognostic nutritional-inflammatory-immune, PNII）评分及动态列线图，旨在预测根治性胃切除术后的总生存期（overall survival, OS）。

　　方法：研究人员将来自五个医学中心的841例接受根治性胃切除术的患者随机分为训练队列（n=588）和内部验证队列（n=253）。PNII评分基于12个术前候选生物标志物，通过LASSO回归分析构建。研究人员将PNII评分与临床病理变量整合，进而开发并内部验证了预后列线图。

　　结果：PNII评分综合了营养、炎症和免疫相关标志物，被辨识为GC患者术后总生存期（OS）的独立预后因素。高PNII评分与不良肿瘤特征、较差的OS显著相关。结合PNII评分、年龄、pT分期、pN分期及CA125的列线图在两个队列中均取得了0.754的一致性指数（C-index），其预测性能优于不包含PNII评分的基线；DeLong检验p=0.0325）。时间依赖性ROC分析进一步证实，5年AUC值在训练队列为0.831，验证队列为0.823，表明该模型具有良好的辨别能力。决策曲线分析显示该列线图具备临床获益潜力。

　　结论：基于PNII评分的动态列线图可作为一种有效的胃癌根治术后风险分层工具。然而，在实际临床广泛应用前仍需经过异中心外部验证及前瞻性临床评估加以证实。研究意义：胃癌（GC）的根治性手术是早期及局部进展期患者最主要的治愈性治疗手段。然而，患者术后生存期存在显著差异，现有以第八版美国癌症联合委员会（AJCC）病理TNM分期为主导的预后评估体系虽为金标准，但其过度关注肿瘤自身特征，而忽视了患者全身复杂重塑状态，如营养不良、系统性炎症和免疫机能下降等因素。越来越多的证据表明，类指数组合可以更准确反映患者移植状况，例如血红蛋白-白蛋白-淋巴细胞-血小板（HALP）评分、预后营养指数（PNI）、中性粒-白蛋白比率（NAR）、全身免疫炎症指数（SII）、血小板-淋巴细胞比率（PLR）、中性粒-淋巴细胞比率（NLR）、全身炎症反应指数（SIRI）等，均显示出预后价值。然而，单个生物标志物由于反映机制相对狭窄，其预测潜力相对有限。因此，需要构建一个新综合指标，以整合营养、炎症和免疫三个靶点，并结合临床病理参数，实现更精准的个体化预后预测。

　　针对所提出问题，研究人员设计了一项我国多中心、回顾性队列研究，共纳入2019年1月至2022年12月在五个中心（六安市人民医院、安庆市立医院、滁州市第一人民医院、太和县人民医院及颍上县人民医院）接受根治性胃切除的841例患者。研究人员采用结合变量筛选的LASSO回归，拟合12个候选术前生物标志物，选择的最优组合为血红蛋白与红细胞分布宽度比率（HRR）、白蛋白-胆红素等级（ALBI）、纤维蛋白原（FIB）、系统免疫炎症评分（SIS）、PNI及NAR，并构建预后评分公式，即PNII评分。在此之上，将PNII评分结合年龄、pT分期、pN分期、癌抗原125（CA125）斑，构建了动态列线图，并通过内部验证评估模型性能，同时比较与传统pTNM分期的优劣。模型最终取得较高的CpB（C值）0.754、时间取决的ROC曲线，并表现出更优的临床适用性（决策曲线分析）。结论确认，该动态列图在内部验证集与训练集中均优于全纯临床模型，并可作为术后风险分层工具，但推广前还需进行外部验证及前瞻性研究。

　　本研究依赖多学院临床来源的标准化和多个阶段分析。关键数据分析包括：对各协变量统一采用Z-score转换并基于缺失值，用趋于多重插补法（MICE）处理（变值

　　<10%）；采用lasso cox回归筛选变量和构建pnii评分以避免过拟合；随后进行广义方差膨胀因子（gvif）多共线性评估；最终构建由pnii、年龄、pt、pn和ca125组成的多因系统性cox模型，并通过校准曲线、时间roc-auc、a精确率及nri/idi增量评估模型表现。外部验证尚无外现数据，仅利用暂称、随后采用内部随机拆分验证集，但亦需强调原始来源为仅中国队伍。

　　在841患者中，中位年龄为68岁，中位随访50个月。在训练与验证队列中，患者基线特征差异一无统计学意义，异质性平衡。LASSO回归最终获得6个变量构建PNII评分。然而，考虑会因证明相关变量而产生相关性，各系数权重为人算子L1正则绝对值积极回归的调整权重。高PNIF评分则与年龄、年龄（≥66岁）、文本较大的纵状分级、明显pTLM分期更晚，且在单一位、多变量Cox回归中，PNIF评分在训练、验证两队列中上下均为OS独立预测因子（训练：HR=1.99，95%CI 1.74–2.70；验证：HR=1.91，95%CI 1.16–3.13）。ROC分析提示PNF评分在训练、验证模型中ROC分别为训练0.663/0.680/0.683；验证0.665/0.682/0.682（6：，3年，5年）等待PNNF评分的证明具有较好的稳定性且优于单一标记物。

　　排除多重共线性风险后，研究人员纳入PNNF评分、年龄、pT、pN及CA125，进一步构建动态风险分层模型（动态列线图）。最终供需模型“Age + pT + pN + CA125 + PNNF”取得C-index=0.754（两队列总数），AUC≤0.804（训练）和0.802（验证）。整体分类展现出显著高于传统pTNM分期的区分能力：与传统pTTNM相比C-index（训练）为0.693、验证为0.668；NRI=0.477（p

　　<0.001），idi=0.083（p

　　<0.001），说明其风险再分层能力。校准图好于预测与实际情况接近，且决策曲线分析在不同阈值下均表现出正净获益，证明临床效用显著。动态列线图基于网络（）被公开，为临床工作提供了便捷即时的量化工具。

　　本研究系统整合多个口语、炎症和免疫靶点微量元素差异，构建综合性PNUT评分并与动态列线的预后对比仍发现PNG在评估营养和炎症性选择中优势明显；其预了就包含特异肿瘤相关免疫能及功能紊乱，预测生理负担更全面。作为已具解析性重要的一部分，CA125纳入模型补充了对腹膜采播和实体肿瘤负担的评价。PNG纳入了年龄、pN等下多个病理参数，使其比众多尺单一参数模型具有更佳精度，同时该联合者基于多个可测血液指标，避免额额外培养良好的实用性。结论部分阐明：PNII评分由6种常规术前标志物构成，PNNN可综合营养、炎症孕育高效，独立相关并内科构建至最终由AI结节和ATB超等参数的动态列线图，冠状动脉生存预测优于基线临床模型，判定该动态列图作为一种有感的术后免疫功能、精确分层工具，但使用必要性仍在推进国内一连串外部及长期医疗前瞻临床试验。