基于炎症、营养和肌肉减少症标志物预测局部晚期直肠癌病理反应的回归与人工智能分析（CINR-AI研究）

《Clinical Colorectal Cancer》：Predicting Pathologic Response in Locally Advanced Rectal Cancer Using Inflammatory, Nutritional, and Sarcopenia-Based Markers: A Regression and AI-Based Analysis (CINR-AI Study)

本研究通过整合全身炎症指标（如CAR、SII）、营养状态及CT评估的肌肉减少症，开发了新型CINR-pCR和CINR-Ryan评分，并结合随机森林（RF）机器学习模型，精准预测局部晚期直肠癌（LARC）患者接受全程新辅助治疗（TNT）后的病理完全缓解（pCR）和良好肿瘤退缩分级（TRG 0-1）。研究强调治疗后肌肉减少症是独立预测因子，为个体化术前决策提供了实用工具。

　　

Highlight

本研究亮点在于开发并验证了两种新型回归指数——CINR-pCR和CINR-Ryan，它们基于C-反应蛋白/白蛋白比值（CAR）和全身免疫炎症指数（SII）构建。这些生物标志物，连同TNT治疗后肌肉减少症（通过CT衍生的骨骼肌指数评估）、≥10%的体重减轻、二甲双胍使用情况以及放疗至手术的间隔时间，进一步通过随机森林（RF）机器学习模型进行了评估。值得注意的是，TNT治疗后肌肉减少症成为病理完全缓解（pCR）和改良Ryan肿瘤退缩分级（TRG）良好的显著独立预测因子。虽然与pCR和TRG相关的变量各不相同，但基于回归和人工智能（AI）的模型均表现出高预测性能。这些发现强调了将炎症指数与动态肌肉减少症评估相结合的预后效用，为TNT治疗的LARC患者提供了临床适用的个体化术前决策工具。

Conclusions

基于炎症、营养和肌肉减少症的标志物，包括CINR评分和AI模型，能够准确预测LARC的病理反应。重要的是，通过ROC曲线得出的临界值（CINR-pCR: 1.58; CINR-Ryan: 0.45）将患者分为低风险和高风险组，为器官保留策略和手术时机选择的临床决策提供了支持。有必要进行前瞻性多中心验证。

Micro Abstract

本研究旨在通过整合全身炎症和治疗相关的生理变化，预测接受全程新辅助治疗（TNT）的局部晚期直肠癌（LARC）患者的病理反应。研究开发了两种新型的基于回归的指数——CINR-pCR和CINR-Ryan——它们利用了C-反应蛋白/白蛋白比值（CAR）和全身免疫炎症指数（SII）。这些生物标志物，连同TNT治疗后肌肉减少症（通过CT衍生的骨骼肌指数评估）、≥10%的体重减轻、二甲双胍使用情况以及放疗至手术的间隔时间，进一步通过随机森林（RF）机器学习模型进行了评估。值得注意的是，TNT治疗后肌肉减少症成为病理完全缓解（pCR）和良好改良Ryan肿瘤退缩分级（TRG）的显著独立预测因子。虽然与pCR和TRG相关的变量各不相同，但基于回归和AI的模型均表现出高预测性能。这些发现强调了将炎症指数与动态肌肉减少症评估相结合的预后效用，为TNT治疗的LARC患者提供了临床适用的个体化术前决策工具。