综述：子宫内膜癌风险预测模型的临床适用性见解与局限性：一项系统评价

《BMC Cancer》：Insights and limitations of endometrial cancer risk prediction models for clinical applicability: a systematic review

本综述系统评价了子宫内膜癌（EC）风险预测模型，指出当前模型虽具中等预测性能（AUROC 0.64-0.77），但存在外部验证不足、人群同质性强（以白人为主）等局限。未来需提升模型多样性，纳入激素宫内节育器（IUD）、社会经济地位（SES）等新因子，并开发动态模型以提升临床适用性，为实现基于风险的个性化筛查与预防策略铺平道路。

　　

引言

子宫内膜癌（Endometrial Cancer, EC）在高收入国家已成为最常见的妇科恶性肿瘤，其发病率呈持续上升趋势，尤其在北美地区，白人女性年增长率约1%，其他种族/族裔群体则高达3-6%。肥胖是EC明确的风险驱动因素，而社会经济地位较低及黑人和少数族裔人群的肥胖率更高，加剧了健康不平等。若癌症局限于子宫，EC五年生存率超过95%，但一旦扩散则骤降至18%，凸显早期检测的紧迫性。目前，除林奇综合征（Lynch Syndrome）高危人群外，尚无普适的EC筛查指南。因此，开发能够识别高风险个体的多变量风险预测模型，对于实现靶向预防和早期干预至关重要。

现有模型概览与开发数据集特征

通过系统检索，共识别出9项符合条件的研究，这些模型主要基于流行病学因素构建，其中四个模型整合了多基因风险评分（Polygenic Risk Score, PRS），一个模型引入了血液生物标志物。绝大多数模型基于西方（美国和欧洲）绝经后白人女性的数据集开发，种族和民族多样性严重不足，这极大地限制了其向非白人人群的推广性。

研究设计和人群年龄显著影响EC的发病率（所有研究的主要结局）。例如，采用病例对照设计且仅纳入绝经后参与者的研究（如Shi等）报告了高达42.4%的EC发病率，而前瞻性队列设计的研究（如UK Biobank）发病率则低至0.3%-1.4%。模型开发时对完整子宫、无既往癌症（非黑色素瘤皮肤癌除外）等条件的要求，以及某些模型对年龄、遗传数据的排除标准，也影响了模型的适用人群范围。

风险因素与模型方法学

模型纳入的风险因素多样，最常包括体重指数（Body Mass Index, BMI）、吸烟状况、口服避孕药（Oral Contraceptive, OC）使用情况。此外，产次、绝经状态、绝经年龄、初潮年龄等生殖因素，以及绝经激素治疗（Menopausal Hormone Therapy, MHT）、他莫昔芬使用、高血压或糖尿病等合并症也常被考虑。部分模型尝试纳入血清生物标志物（如C反应蛋白、脂联素）或通过PRS量化遗传易感性。

在建模方法上，多数研究使用Cox比例风险回归模型处理时间至事件数据，并计算考虑竞争风险的绝对风险（Absolute Risk, AR）。部分研究使用逻辑回归。变量筛选常采用后退法，有的应用惩罚似然和收缩方法以防过拟合。PRS模型的构建方法各异，包括剪枝阈值法、回归系数加权求和等。

模型性能与质量评估

模型性能主要通过判别能力（AUROC/C-statistic）和校准度（E/O比或校准斜率）评估。大多数模型仅经过内部验证，仅五个模型在训练集之外的数据集上进行了外部验证。现有EC风险模型普遍表现出中等至良好的判别能力，AUROC范围在0.60至0.79之间。

• •
  判别能力：例如，Pfeiffer模型在外部验证中AUROC为0.68，Hüsing模型内部验证AUROC达0.77。Fortner模型在Hüsing模型基础上加入生物标志物后，判别能力提升有限。单纯基于PRS的模型（如Choi和Fritsche模型）判别能力较差（AUROC<0.60），但与流行病学因素结合后（如Bafligil模型，包含PRS和BMI）性能提升（AUROC 0.79）。
• •
  校准度：校准表现不一，部分模型存在风险高估（如Pfeiffer模型E/O=1.20），而Hüsing和Kitson等模型在校准方面表现较好。
• •
  报告质量：根据TRIPOD（Transparent Reporting of a Multivariable Prediction Model for Individual Prognosis or Diagnosis）指南评估，模型报告质量参差不齐。部分机器学习模型（如Hart模型）因未公开模型代码和参数，可重复性差。而Pfeiffer、Shi、Kitson和Bafligil等模型的报告质量较高。

讨论与未来方向

当前EC风险预测模型为风险评估提供了基础，但存在明显局限。首要问题是普遍性不足，模型开发和验证数据主要来源于白人群体，难以适用于种族/族裔多样化人群，可能加剧EC结局的健康差异。EC存在不同的发病通路（如雌激素依赖型和非雌激素依赖型），后者通常更具侵袭性，且在非白人人群中更常见。现有模型在区分EC亚型方面的能力有限。

风险因素方面，BMI是最强预测因子之一，但其与OC、MHT等因素的复杂交互关系需要更精细的刻画。模型未能充分纳入如激素宫内节育器（IUD）使用、环境污染物暴露、社会经济地位（SES）等重要因素。此外，模型多聚焦绝经后女性，忽视了EC发病率在年轻人群中上升的趋势，错失了在围绝经期进行预防干预的窗口。

未来研究应致力于：1. 增强多样性：在模型开发和验证中纳入更多样化的人群；2. 纳入新因子：整合IUD使用、子宫切除术史、环境暴露、SES等；3. 开发动态模型：能够随时间更新风险，反映体重变化、干预措施等的影响；4. 拓展预测结局：不仅预测EC发生，还应包括癌前病变（如子宫内膜增生）和特定EC亚型，以实现更精准的风险分层和个性化干预。

结论

尽管EC符合世界卫生组织（World Health Organization, WHO）多项筛查标准，但实施全民筛查仍不现实。基于风险的靶向筛查策略，聚焦高危人群，或许是更可行、更具成本效益的方向。本综述表明，现有的EC风险预测模型虽展现了中等预测性能，但其临床转化应用仍受限于有限的外部验证、人群同质性以及公平性考量。通过解决这些差距，未来的模型将能更好地支持个性化的EC风险评估和早期检测策略，最终改善患者预后，推动更公平的癌症防治。