《Scientific Reports》：Association of surgical resection with survival in retroperitoneal leiomyosarcoma based on SEER propensity score matching and machine-learning models
编辑推荐：
编者按：为解决腹膜后平滑肌肉瘤(RLS)这一罕见侵袭性肉瘤手术决策缺乏高级别证据支持的难题，研究人员基于SEER大样本人群数据，采用倾向性评分匹配(PSM)和随机生存森林(RSF)等先进方法，系统评估了手术切除的生存预后价值。研究发现，手术与显著的生存改善相关(HR=0.34)，高级别和晚期SEER分期是独立不良预后因素。该研究为RLS的临床决策提供了重要的预后参考，并强调需在多学科背景下审慎解读结果。
在软组织肉瘤的庞大谱系中，腹膜后平滑肌肉瘤(Retroperitoneal Leiomyosarcoma, RLS)堪称一个棘手的“隐形杀手”。它起源于腹膜后间隙，位置深在，早期症状隐匿，待到发现时往往已体积巨大。更严峻的是，RLS具有高度的侵袭性和复发倾向，属于一种罕见但恶性程度很高的肿瘤亚型。对于这类患者，外科手术切除一直是核心的治疗手段，但一个根本性的难题始终困扰着临床医生和研究者：我们所见到的、接受了手术的患者生存更佳，究竟是手术本身带来的治疗效果，还是因为能够接受手术的患者本身肿瘤负荷更小、身体状况更好？在真实世界中，由于存在大量的“选择偏倚”，单纯比较手术与非手术组的生存差异，结论很可能被严重扭曲。因此，亟需更严谨的研究方法来剥离混杂因素，揭示手术与生存之间更接近真实的关联。这项发表在《Scientific Reports》上的研究，正是为了回应这一临床证据缺口而生。
为了探究手术切除对RLS患者生存的独立影响，研究团队没有从零开始招募患者——那对于罕见病来说将是一个漫长而艰难的过程。他们巧妙地转向了一个宝藏数据库：美国“监测、流行病学和最终结果”(Surveillance, Epidemiology, and End Results, SEER)数据库。这是一个覆盖美国大量人口、长期追踪癌症患者信息的大型登记系统。研究者从中筛选出了2000年至2019年间被诊断为RLS的千余名患者，构建了一个观察性研究的队列。面对此类研究无法回避的混杂因素（如年龄、肿瘤分级、分期在手术与非手术组间分布不均），他们祭出了两大分析“利器”。第一是倾向性评分匹配(Propensity Score Matching, PSM)，通过统计学方法为每个手术患者“匹配”一个在各项已知基线特征上都非常相似的非手术患者，从而在分析前就最大程度地“模拟”出随机分组的效果，平衡组间差异。第二，在分析阶段，他们不仅使用了传统的生存分析方法（如Kaplan-Meier曲线和Cox比例风险模型），还引入了更现代的机器学习算法——随机生存森林(Random Survival Forests, RSF)，用以评估各个预测变量（如手术、分级、分期）对生存结局的重要性排序，并检验模型的稳健性。
本研究主要采用了以下关键技术方法：首先，研究队列来源于美国SEER数据库2000-2019年的RLS患者数据。核心分析方法包括：1) 使用倾向性评分匹配(PSM)平衡手术组与非手术组的基线变量；2) 应用Kaplan-Meier法和Cox比例风险回归模型分析总体生存(OS)和癌症特异性生存(CSS)；3) 采用随机生存森林(RSF)机器学习模型评估变量的预测重要性。
患者基线特征与匹配效果
研究共纳入1041例RLS患者，其中817例（78.5%）接受了手术。在匹配前，手术组与非手术组在年龄、肿瘤分级和SEER分期等关键变量上存在显著不平衡，表明直接比较会存在偏倚。经过1:1倾向性评分匹配后，成功获得了159对匹配患者。匹配后，两组间所有协变量的平衡性得到显著改善，为后续的生存比较奠定了更可靠的基础。
手术与生存结局的关联分析
基于匹配后的队列，生存分析显示手术与显著改善的生存率相关。具体而言，手术患者的死亡风险显著降低：总体生存(OS)的风险比(Hazard Ratio, HR)为0.34（95%置信区间CI: 0.26–0.45），癌症特异性生存(CSS)的HR也为0.34（95% CI: 0.25–0.46），两者P值均小于0.001。这表明，在平衡了已知混杂因素后，接受手术的患者其死亡风险仅为未手术患者的三分之一左右。
其他预后因素的识别
多变量Cox分析进一步确认，除了手术状态，高级别肿瘤和更晚期的SEER分期是独立的、具有统计学意义的不良预后因素。这意味着即使接受了手术，肿瘤本身的生物学侵袭性（反映在分级上）和疾病范围（反映在分期上）仍然是影响最终结局的强大负向力量。
机器学习模型对变量重要性的评估
随机生存森林(RSF)模型的结果与传统统计分析相互印证。该模型一致地将手术状态、SEER分期和肿瘤分级列为预测生存的最重要变量。这一发现从机器学习算法的角度，强化了上述因素在RLS预后预测中的核心地位，也说明了研究结论在不同模型方法下具有稳健性。
综合以上结果，本研究得出明确结论：在基于大规模真实世界SEER数据的分析中，手术切除状态与RLS患者的生存改善存在强关联。同时，肿瘤高级别和晚期SEER分期是独立的不良预后因素。然而，作者在讨论中做出了至关重要且审慎的说明。他们强调，尽管研究采用了PSM等先进方法控制已知混杂因素，但观察性研究固有的局限性依然存在。这种关联很可能受到“可切除性”（即肿瘤本身能否被完整切除）、肿瘤的解剖范围以及患者体能状态等未测量混杂因素的重大影响。因此，研究结果应被解读为揭示了强烈的“预后”关联，而非确凿的“因果”效应。这深刻警示，不能简单地认为“手术直接导致了生存获益”，因为能够被选择进行手术的患者群体本身可能就具有更有利的疾病特征和身体条件。这项研究的意义在于，它利用大规模人群数据和严谨的分析方法，为RLS的临床预后评估提供了迄今为止较高等级的循证依据。它明确指出，在当前的临床实践背景下，接受手术是生存更佳的一个关键标志。更重要的是，它呼吁临床决策应避免对这类数据做简单的因果推断，而应在专业的肉瘤中心，通过多学科综合评估，审慎权衡每位患者手术的潜在获益与风险，将研究发现的“预后信号”转化为个体化的、明智的治疗选择。
