近日，公共卫生学院生物统计学系张涛教授团队在BMC Medicine（IF=11.150）上发表了题为“Prediction models of colorectal cancer prognosis incorporating perioperative longitudinal serum tumor markers: a retrospective longitudinal cohort study”的原创论文，公共卫生学院生物统计学系博士研究生李春霞为该论文的第一作者，山东大学张涛教授、昆明医科大学李振辉和游顶云研究员为论文的并列通讯作者，山东大学为第一作者和通讯作者单位。该论文发现在结直肠癌预后模型中纳入CEA、CA19-9、CA125及其围手术期纵向测量信息能够提高模型的预测效果，并基于纵向标志物构建了动态预测模型，为结直肠癌患者预后提供个性化的动态预测工具。
本论文前期研究利用围手术期CEA的重复测量值识别了围手术期CEA动态变化轨迹，发现CEA轨迹是独立的预后预测因子（Clin Transl Med. 2021 Feb;11(2):e293），并从轨迹的角度探索了联合CEA、CA19-9及CA125的预后价值，证实在CEA的基础上动态测量CA19-9和CA125具有重要预后价值（EBioMedicine. 2021 Dec;74:103706）。基于前期研究基础，针对临床随访中收集到的稀疏、不规则、非线性变化的纵向肿瘤标志物数据，本研究使用函数型主成分方法提取其纵向变化特征，构建结直肠癌预后动态预测模型，提高预后预测准确性，并基于所提出的预测模型开发在线动态预测工具，帮助临床医生动态预测患者死亡风险，指导临床医生作出决策。
结直肠癌的预后是一个动态的过程，每个患者的病情进展速度不同，而且同一患者的病情进展速度也会随时间发生变化。在结直肠癌随访过程中，研究者往往能收集到与患者预后相关的各种肿瘤标志物的动态信息，将这些动态信息纳入预测模型以实现实时更新的、更准确的预后预测，也就是实现动态预测，具有重要的临床意义。现有预测模型大多都是基于患者的基线信息构建的静态模型，既不能随着随访的进行对肿瘤标志物水平进行更新，也不能对患者未来死亡风险进行动态预测。如何利用术后随访过程中收集到的肿瘤标志物的重复测量信息实现更准确的实时风险预测是临床重点关注的问题。
本研究基于函数型主成分分析提取术后12个月内CEA、CA19-9以及CA125的纵向变化信息，并将其纳入随机生存森林模型进行生存预测。模型验证显示，纳入CEA、CA19-9和CA125的围手术期测量信息后，结直肠癌预后预测模型的预测性能改善。与仅包含CEA的模型相比，包含三个标志物的模型具有更高的预测准确性。纵向测量值模型比术前测量值模型具有更高的区分度和校准度，同时可以为新患者提供个性化的动态预测，在收集到患者新的测量信息时更新生存概率估计。基于所提出的动态预测模型，搭建了RShiny界面并上传至Github，输入目标患者的信息，即可实现对其未来死亡风险的动态预测。这一动态预测工具有助于临床医生充分利用患者重复测量的肿瘤标志物信息，实时更新预后预测，及时做出临床决策。
本研究由山东大学生物统计系张涛教授课题组与昆明医科大学和广东省人民医院合作完成，此研究成果的发表将进一步推动各方在结直肠癌领域的合作，充分利用纵向肿瘤标记物数据，提高其临床应用价值，指导临床实践。该研究工作得到了国家自然科学基金、山东大学齐鲁青年学者项目的资助，国家健康医疗大数据研究院为本研究工作提供了重要平台支持。
张涛教授团队长期从事生命历程纵向数据分析理论方法与应用研究，聚焦心血管病与恶性肿瘤等重大慢性病全生命周期防控轨迹分析、因果路径、多组学标志物和动态预测模型的统计方法和转化应用，在Circulation Research、Hypertension、Diabetologia、BMC Medicine和EBioMedicine等国际权威期刊发表学术论文50余篇，被引用2000余次。
课题组主页：https://faculty.sdu.edu.cn/lifecourse。
全文链接：https://bmcmedicine.biomedcentral.com/articles/10.1186/s12916-023-02773-2
关闭窗口
APP下载
