《Frontiers in Molecular Biosciences》：Construction and verification of a nomogram to predict the probability of venous thromboembolism in lung cancer patients
编辑推荐：
摘要翻译：
背景：肺癌（LC）患者占所有癌症相关静脉血栓栓塞（VTE）事件的20%，VTE是这些患者的第二大死亡原因。然而，目前尚无针对肺癌的特异性VTE风险评分系统。因此，研究人员认为，与当前广泛使用的VTE风险评分相比，针对肺癌的特异性列线图能更准确地预
摘要翻译：
背景：肺癌（LC）患者占所有癌症相关静脉血栓栓塞（VTE）事件的20%，VTE是这些患者的第二大死亡原因。然而，目前尚无针对肺癌的特异性VTE风险评分系统。因此，研究人员认为，与当前广泛使用的VTE风险评分相比，针对肺癌的特异性列线图能更准确地预测这些患者的VTE发生概率。方法：本研究共纳入来自贵州省人民医院（2016年1月至2021年9月）的676例患者，其中169例发生VTE的肺癌患者与507例（1:3比例）未发生VTE的肺癌患者进行时间匹配。这些患者按2:1比例随机分为主要队列（451例）和验证队列（225例）。通过绘制受试者工作特征（ROC）曲线下面积（AUC）评估六种VTE风险评分的准确性。采用多变量分析筛选预测特征，并据此构建VTE预测列线图。结果：在各项评分方法中，COMPASS-CAT评分具有最高的AUC（0.799）。多变量分析显示，急性感染、卧床休息（>3天）、D-二聚体水平>1.47 μg/mL、腺癌和癌胚抗原（CEA）>10.935 ng/mL是肺癌患者VTE风险的独立预测因子。利用这些因素构建的列线图可实现VTE预测，一致性指数（C-index）为0.882，AUC为0.894。结论：本文描述了一种新的肺癌患者VTE预测列线图的构建与验证，其预测性能高于任何广泛使用的传统风险评估工具。
论文解读：
**研究背景与问题**
肺癌（LC）是全球最常见的恶性肿瘤，也是癌症相关死亡的首要原因。静脉血栓栓塞（VTE）包括深静脉血栓（DVT）和肺栓塞（PE），是肺癌患者常见的并发症。肺癌患者VTE的报道发生率为7%–13%，较一般人群高出13倍。由于肺癌本身的高发病率，肺癌相关VTE在绝对数量上位居所有癌症相关VTE之首。VTE显著延长住院时间、延误抗肿瘤治疗，并增加死亡率，已成为肺癌患者的第二大死因。VTE是可预防性疾病，早期识别高危人群是临床管理的核心。现有证据表明，有效的风险评估和预防可使癌症患者VTE绝对风险降低50%。
目前广泛使用的VTE风险评分工具包括Caprini、Padua、Wells、Geneva、Khorana和COMPASS-CAT评分。其中仅Khorana和COMPASS-CAT为肿瘤相关VTE风险评分。Khorana评分虽应用最广，但多项研究显示其在肺癌相关VTE预测中表现不佳，敏感性仅10%–25%。COMPASS-CAT评分在肺癌患者中准确性相对较高，但样本量小，且特异性较低（35%–51%），约三分之二至一半未发生VTE的患者被误判为高危。更重要的是，这些工具均非针对肺癌特异性设计。因此，研究人员认为构建一个肺癌特异性的风险评估工具将优于现有的六种评分方法。列线图近年来已成为可靠的预后和预测建模工具，可整合病理、分子和临床特征，广泛应用于多种癌症类型的个体化结局预测。
**研究开展与结论**
研究人员回顾性收集了贵州省人民医院2016年1月至2021年9月期间676例肺癌住院患者数据，其中169例发生VTE的肺癌患者与507例未发生VTE的肺癌患者按1:3比例进行时间匹配，并以2:1比例随机分为主要队列（451例）和验证队列（225例）。研究首先评估了六种VTE风险评分的准确性，发现COMPASS-CAT评分AUC最高（0.799）。多变量分析确定急性感染、卧床休息（>3天）、D-二聚体水平>1.47 μg/mL、腺癌和癌胚抗原（CEA）>10.935 ng/mL为肺癌患者VTE的独立预测因子。基于这些因素并结合COMPASS-CAT评分构建了列线图预测模型，该模型在验证队列中C-index为0.882，AUC为0.894，预测性能优于所有传统评分工具。该研究的意义在于提供了首个针对肺癌患者的VTE风险预测列线图，有助于临床医生更准确地识别高危患者并优化血栓预防策略。论文发表在《Frontiers in Molecular Biosciences》。
**主要关键技术方法**
该研究为单中心回顾性病例对照研究，样本来源于贵州省人民医院。主要技术方法包括：应用受试者工作特征（ROC）曲线计算各VTE风险评分的曲线下面积（AUC）以比较准确性；采用单因素分析筛选潜在风险因素，并对P<0.05的变量进行多因素logistic回归分析以确定独立预测因子；基于多因素分析结果通过R包构建列线图模型；使用一致性指数（C-index）评估模型区分度，采用校准曲线和1000次bootstrap重抽样进行内部验证；通过决策曲线分析（DCA）评估临床净获益。
**研究结果**
*临床特征*：共676例患者纳入研究，VTE组169例中92例（54.4%）为PE，49例（29.0%）为DVT，28例（16.6%）同时存在PE和DVT。总体中位年龄61岁，男性464例。晚期（III/IV期）患者占85.2%。主要病理类型为腺癌（67.2%）、鳞癌（18.9%）和小细胞肺癌（12.6%）。主要队列与验证队列间各特征无显著差异。
*VTE发生评分准确性评估*：六种评分中，COMPASS-CAT评分的AUC最高（0.799），其次为Padua（0.751）、Wells（0.740）、Caprini（0.692）、Geneva（0.631）和Khorana（0.594）。但COMPASS-CAT特异性仍有限，约半数未发生VTE患者被归为高危。
*VTE危险因素分析*：单因素分析显示呼吸衰竭、急性感染、卧床休息（>3天）、下肢水肿、腺癌、T分期、N分期、M分期、临床分期、D-二聚体>1.47 μg/mL、CEA>10.935 ng/mL及COMPASS-CAT评分与VTE风险增加相关。多因素分析进一步确认急性感染、腺癌、D-二聚体>1.47 μg/mL和COMPASS-CAT评分为两个队列共同的独立预测因子；卧床休息（>3天）和CEA>10.935 ng/mL仅在主要队列中为独立预测因子。
*列线图构建*：基于多因素分析结果，将COMPASS-CAT评分与五个肺癌特异性变量结合，构建了预测肺癌患者VTE风险的列线图。该模型的变量与COMPASS-CAT原始变量无重叠，且方差膨胀因子（VIF）<10，排除多重共线性。
*列线图评估与验证*：列线图在主要队列中C-index为0.893（95% CI: 0.860–0.926），验证队列中为0.882（95% CI: 0.830–0.934），显示良好预测准确性。校准曲线显示预测概率与实际观测高度一致。DCA曲线表明模型具有良好临床实用价值。敏感性分析中排除COMPASS-CAT评分后，C-index仍>0.8。与六种传统评分比较，列线图AUC（0.894）显著优于所有评分。5折交叉验证显示平均AUC为0.869±0.075，平均准确度为0.849±0.051。
**讨论与结论**
讨论部分指出，COMPASS-CAT评分虽优于其他评分，但总体预测性能仍偏低，且约67.8%–90.4%的肺癌患者被划入高危组，导致过度诊断。既往文献对基因突变、化疗、放疗、靶向治疗及免疫治疗与VTE风险的关系存在争议，本研究未发现这些因素与VTE的显著关联。列线图因纳入肺癌特异性变量（腺癌组织学亚型及CEA水平）而优于通用性评分。与人工智能/机器学习（AI/ML）模型相比，列线图更直观、可解释性强，更符合当前临床实践场景。研究局限性包括单中心回顾性设计、无法完全表征疾病易感性的复杂生物学机制等。未来需通过前瞻性队列验证，并考虑将模型与电子健康记录系统整合，开发动态预测工具。
结论部分：本研究确定了肺癌患者静脉血栓栓塞的独立危险变量，并建立了临床预测模型。该模型在所研究队列中表现出良好的区分能力和校准度，其预测性能优于多种广泛使用的风险评估工具。最终，这一易于使用的列线图可作为高危人群血栓预防临床决策的初步参考。在大规模临床应用前，需要进一步的前瞻性验证。
