《Brain and Behavior》：Latent Class Analysis of Negative Emotion Subtypes and Their Association With Quality of Life in Patients With Pituitary Neuroendocrine Tumors
编辑推荐：
垂体神经内分泌肿瘤（PitNETs）占颅内肿瘤的15%。患者常伴有多种情绪和认知障碍，包括焦虑和抑郁的高患病率。因此，本研究旨在识别PitNETs患者负性情绪的潜在亚型，并探讨其与生活质量的关系。研究人员纳入了2023年9月至2025年9月期间在某三级医院计划
垂体神经内分泌肿瘤（PitNETs）占颅内肿瘤的15%。患者常伴有多种情绪和认知障碍，包括焦虑和抑郁的高患病率。因此，本研究旨在识别PitNETs患者负性情绪的潜在亚型，并探讨其与生活质量的关系。研究人员纳入了2023年9月至2025年9月期间在某三级医院计划接受神经外科治疗的422例确诊PitNETs患者。进行了多维度评估，包括一般信息问卷、医院焦虑抑郁量表（HADS）、12项简短健康调查（SF-12）、匹兹堡睡眠质量指数（PSQI）以及神经内分泌激素功能分类。采用潜在类别分析（LCA）识别负性情绪亚型，并通过多变量回归比较不同类别的心理和临床特征。结果识别出三种不同的负性情绪潜在亚型：低负性情绪类（C1；n=75，18%）、中等困扰类（C2；n=218，52%）和高双负性情绪类（C3；n=129，30%）。多变量回归显示，C1与C3在教育水平、就业状况、饮酒、头痛症状和PSQI评分方面存在显著差异（p<0.05）；C2与C3在垂体激素功能、头痛症状和PSQI评分方面也存在显著差异（p<0.05）。结论：PitNETs患者的负性情绪表现出显著异质性。因此，识别不同的情绪亚型有助于实施更精准的心理干预，从而改善生活质量和围手术期管理。
**论文解读：垂体神经内分泌肿瘤患者负性情绪亚型与生活质量的关系——基于潜在类别分析的研究**
**研究背景与问题**
垂体神经内分泌肿瘤（PitNETs）是起源于垂体前叶神经内分泌细胞的常见颅内肿瘤，占颅内肿瘤的8%–15%。患者常伴有内分泌功能障碍、肿瘤占位效应症状以及不同程度的情绪和认知损伤。负性情绪（如焦虑和抑郁）在PitNETs患者中患病率高达50.00%和31.54%，显著高于普通人群。这些情绪问题不仅影响患者心理状态，还可能干扰治疗依从性、术后恢复及整体生活质量。然而，既往研究多采用均值比较或风险因素分析，忽略了PitNETs患者情绪特征的异质性。PitNETs相关的负性情绪源于复杂的机制，包括肿瘤对下丘脑-垂体-肾上腺（HPA）轴的干扰、鞍区占位效应压迫边缘系统（如海马和杏仁核）等，导致患者的情绪表现高度异质。因此，有必要采用以人为中心的统计方法（如潜在类别分析，LCA）来识别负性情绪的内在亚型，并探讨其与生活质量的关系，为精准护理提供依据。该研究发表在《Brain and Behavior》。
**研究内容与结论**
研究人员于2023年9月至2025年9月在复旦大学附属华山医院（一家三级转诊神经外科中心）连续招募了422例确诊为PitNETs并计划接受经蝶垂体肿瘤切除术的患者。通过一般信息问卷、医院焦虑抑郁量表（HADS）、12项简短健康调查（SF-12）、疼痛数字评分量表（PNRS）和匹兹堡睡眠质量指数（PSQI）收集数据，并记录垂体激素功能分类。采用潜在类别分析（LCA）识别负性情绪亚型，并通过多变量逻辑回归分析影响因素。研究得出以下结论：PitNETs患者的负性情绪与生活质量呈显著负相关，且存在三个独特的情绪亚型（低负性情绪类、中等困扰类、高双负性情绪类），教育水平、就业状况、饮酒、头痛和睡眠质量是影响情绪类别归属的关键因素，其中睡眠质量和饮酒是可干预的靶点。这些发现揭示了PitNETs患者心理状态的分层特征，为制定差异化护理路径提供了实证依据，有助于推动从经验型护理向精准护理的转变。
**主要关键技术方法**
本研究采用以人为中心的潜在类别分析（LCA）方法，对422例PitNETs患者（样本来自复旦大学附属华山医院）的HADS数据进行建模。LCA通过最大似然法估计参数，根据贝叶斯信息准则（BIC）、调整BIC、Akaike信息准则、熵值（>0.80）以及Lo-Mendell-Rubin调整似然比检验（LMRT）和Bootstrap似然比检验（BLRT）确定最优类别数。同时，使用多变量逻辑回归分析不同类别之间的影响因素，包括一般人口学变量、临床特征、PSQI评分和PNRS头痛评分等。
**研究结果**
**3.1.1 一般特征**
共发放524份问卷，回收422份有效问卷（有效率80.5%）。患者中男性占48.6%，女性占51.4%；年龄以45–59岁为主（55.5%）；大部分为已婚（86.3%）；教育水平在本科及以上者占55.7%；就业者占53.8%；非功能性PitNETs占41.2%，功能性PitNETs占58.8%。
**3.1.2 负性情绪与生活质量的相关性**
HAS（焦虑子量表）平均分10.75±4.74，HDS（抑郁子量表）平均分9.64±4.65，HADS总分20.39±9.01。焦虑患病率77.5%（HAS≥8），抑郁患病率69.7%（HDS≥8）。Pearson相关分析显示，HAS、HDS、HADS总分与SF-12的生理组分（PCS）和心理组分（MCS）均呈显著负相关（r=-0.304至-0.349，p<0.01），表明负性情绪越严重，生活质量越差。
**3.1.3 负性情绪的潜在类别分析**
三类别模型为最优模型（熵值0.811，LMR和BLRT均p<0.01）。三类分别为：C1（低负性情绪类，n=75，18%）、C2（中等困扰类，n=218，52%）、C3（高双负性情绪类，n=129，30%）。三类平均后验概率均>95%，分类精度高。
**3.1.4 不同负性情绪类别的生活质量比较**
C1的HAS、HDS、HADS最低（3.79±2.54、2.73±2.02、6.52±3.67），PCS和MCS最高（46.21±25.88、37.66±30.13）；C3的HAS、HDS、HADS最高（15.67±2.87、14.77±2.65、30.44±4.70），PCS和MCS最低（19.95±30.99、11.41±33.47）；C2各项指标介于C1和C3之间。三组间差异均显著（p<0.01），表明情绪越差，生活质量越差。
**3.1.5 影响负性情绪潜在类别的因素**
单因素分析筛选出6个显著变量（就业状况、教育水平、饮酒、垂体激素功能、头痛、PSQI评分）。多变量逻辑回归以C3为参照组发现：C1与C3相比，教育水平（OR=2.631，p=0.039）、就业状态（OR=0.387，p=0.035）、饮酒（OR=3.118，p=0.026）、头痛（OR=2.595，p<0.01）和PSQI评分（OR=0.910，p<0.01）差异显著；C2与C3相比，垂体激素功能（OR=0.498，p=0.012）、头痛和PSQI评分（p<0.05）差异显著。
**结论翻译与讨论总结**
讨论部分强调：PitNETs患者负性情绪与生活质量呈显著负相关，且存在明显的异质性，通过LCA识别出三个心理亚型（低负性情绪类、中等困扰类、高双负性情绪类）。教育水平、就业状况、饮酒、头痛和睡眠质量是影响情绪类别归属的关键因素，其中睡眠质量和饮酒是可干预的生活方式因素，头痛和内分泌功能障碍则提示需加强症状管理和激素调节。这些发现揭示了PitNETs患者心理状态的分层特征，为制定差异化护理路径提供了实证依据，有助于优化护理资源配置、改善患者心理健康和生活质量，推动从经验型护理向精准护理的转变。研究结论指出，识别不同情绪亚型有助于实施更精准的心理干预，从而改善围手术期管理及生活质量。
