血清细胞因子与免疫指标比值模型在预测肝细胞癌介入治疗后无进展生存期方面的价值

《BMC Gastroenterology》：The value of the serum cytokine-to-immune ratio model in predicting the progression-free survival after interventional therapy for hepatocellular carcinoma

　　

摘要

目的

开发并验证一个预后诺模图，用于预测接受经导管动脉化疗栓塞（TACE）联合射频消融（RFA）治疗的肝细胞癌（HCC）患者的无进展生存期（PFS）。该模型结合了血清转化生长因子-β1（TGF-β1）、白细胞介素-8（IL-8）和外周血CD4+/CD8+比值，以实现精确的风险分层，并为辅助治疗决策提供依据。

方法

这项回顾性研究纳入了138名在2020年1月至2023年12月期间接受初次TACE/RFA治疗的HCC患者。患者被随机分为训练组（n=97）和内部验证组（n=41），比例为7:3。PFS是主要结局指标。通过训练组中的单变量和多变量Cox回归分析确定独立预后因素，并利用这些因素构建诺模图。同时，还开发了随机森林（RF）、k近邻和梯度提升模型，并通过十折交叉验证优化了超参数。使用接收者操作特征曲线下面积（AUC）、校准曲线和决策曲线分析（DCA）来评估模型性能。采用SHAP（SHapley Additive Explanations）框架对最优模型进行解释。根据诺模图的中位数得分将患者分为不同风险组；使用Kaplan-Meier曲线和对数秩检验来评估生存差异。

结果

多变量Cox分析证实肿瘤数量、BCLC分期、血清转化生长因子-β1（TGF-β1）、血清白细胞介素-8（IL-8）和CD4+/CD8+比值是PFS的独立预后因素（所有P<0.05）。多发性肿瘤、晚期BCLC分期（B/C）以及升高的TGF-β1和IL-8水平是独立的风险因素，而较高的CD4+/CD8+比值则具有保护作用。在机器学习模型中，随机森林（RF）表现出更优的预测性能，在训练组的AUC为0.846（95%置信区间：0.742–0.949），在验证组的AUC为0.791（95%置信区间：0.619–0.964）。RF模型的校准曲线显示预测结果与观察结果之间具有极好的一致性。DCA在广泛的阈值概率范围内显示出有利的净临床效益。SHAP分析表明血清TGF-β1是最具影响力的预测因子；其效应方向与Cox模型一致，即高TGF-β1、高IL-8、晚期BCLC分期和多发性肿瘤会增加风险评分，而高CD4+/CD8+比值则会降低风险评分。随后基于这些因素构建了诺模图。诺模图得出的风险分层有效区分了两个队列中PFS结果显著不同的患者（P<0.05，对数秩检验）。

结论

结合TGF-β1、IL-8、CD4+/CD8+比值和临床病理因素的预后诺模图显示出对TACE/RFA治疗后HCC患者的强大区分能力、校准性能和临床实用性。RF算法提高了预测准确性，而SHAP提高了模型的可解释性。该模型能够有效识别高风险患者，为个性化监测和辅助治疗策略提供了客观依据。

目的

开发并验证一个预后诺模图，用于预测接受经导管动脉化疗栓塞（TACE）联合射频消融（RFA）治疗的肝细胞癌（HCC）患者的无进展生存期（PFS）。该模型结合了血清转化生长因子-β1（TGF-β1）、白细胞介素-8（IL-8）和外周血CD4+/CD8+比值，以实现精确的风险分层，并为辅助治疗决策提供依据。

方法

这项回顾性研究纳入了138名在2020年1月至2023年12月期间接受初次TACE/RFA治疗的HCC患者。患者被随机分为训练组（n=97）和内部验证组（n=41），比例为7:3。PFS是主要结局指标。通过训练组中的单变量和多变量Cox回归分析确定独立预后因素，并利用这些因素构建诺模图。同时，还开发了随机森林（RF）、k近邻和梯度提升模型，并通过十折交叉验证优化了超参数。使用接收者操作特征曲线下面积（AUC）、校准曲线和决策曲线分析（DCA）来评估模型性能。采用SHAP（Shapley Additive Explanations）框架对最优模型进行解释。根据诺模图的中位数得分将患者分为不同风险组；使用Kaplan-Meier曲线和对数秩检验来评估生存差异。

结果

多变量Cox分析证实肿瘤数量、BCLC分期、血清转化生长因子-β1（TGF-β1）、血清白细胞介素-8（IL-8）和CD4+/CD8+比值是PFS的独立预后因素（所有P<0.05）。多发性肿瘤、晚期BCLC分期（B/C）以及升高的TGF-β1和IL-8水平是独立的风险因素，而较高的CD4+/CD8+比值则具有保护作用。在机器学习模型中，随机森林（RF）表现出更优的预测性能，在训练组的AUC为0.846（95%置信区间：0.742–0.949），在验证组的AUC为0.791（95%置信区间：0.619–0.964）。RF模型的校准曲线显示预测结果与观察结果之间具有极好的一致性。DCA在广泛的阈值概率范围内显示出有利的净临床效益。SHAP分析表明血清TGF-β1是最具影响力的预测因子；其效应方向与Cox模型一致，即高TGF-β1、高IL-8、晚期BCLC分期和多发性肿瘤会增加风险评分，而高CD4+/CD8+比值则会降低风险评分。随后基于这些因素构建了诺模图。诺模图得出的风险分层有效区分了两个队列中PFS结果显著不同的患者（P<0.05，对数秩检验）。

结论

结合TGF-β1、IL-8、CD4+/CD8+比值和临床病理因素的预后诺模图显示出对TACE/RFA治疗后HCC患者的强大区分能力、校准性能和临床实用性。RF算法提高了预测准确性，而SHAP提高了模型的可解释性。该模型能够有效识别高风险患者，为个性化监测和辅助治疗策略提供了客观依据。