Krooninen sairaus

tiivistelmä

tavoite

Tällä hetkellä vain määrä metastaattisen imusolmukkeiden (LNS +) käytetään PN-luokan AJCC TNM-järjestelmän paksusuolen syöpä. Äskettäin suhde metastaattisen on tutkittava imusolmukkeiden (LNR) on raportoitu edustavan tehokas riippumaton ennustavan kapasiteetin paksusuolen syöpä. Olemme pyrkineet ehdottamaan uutta luokka (NLN) joka asteiden LNR ja LNS + osaksi AJCC lavastus järjestelmä paksusuolensyöpä.

Suunnittelu

34476 potilasta National Cancer Instituten Surveillance, epidemiologia, ja loppu tulokset (SEER) aineisto, joilla on vaiheen III paksusuolensyöpä tarkistettiin. Harrell’in C tilastoa käytettiin arvioimaan ennustuskapasiteettia. Coxin suhteellisten riskien mallia käytettiin rakentaa uusi luokka.

Tulokset

LNR luokka oli enemmän ennakoivaa kapasiteettia kuin PN luokan kokonaan potilasryhmissä (Harrell’in C-indeksi: 0,6194 vs 0,6113 , p = 0,003). Alaryhmäanalyysissä osoitti, että LNR ryhmään ei ollut parempi kuin pN luokka ennustuskapasiteettia jos määrä imusolmukkeiden tutki oli yli 13. Olemme myös havainneet, että oli merkittävää eloonjääminen heterogeenisuus eri PN luokkia samaan LNR ryhmään (P 0,001 ). Harrell’in C indeksi meidän NLN luokan joka asteiden LNR ja LNS + oli 0,6228, mikä oli merkittävä korkeampi kuin PN-luokan (Harrell’in C-indeksi: 0,6113, P 0,001) tai LNR luokan (Harrell’in C-indeksi: 0,6194, P = 0,005 ), tässä järjestyksessä.

Johtopäätös

arvioimiseksi ennusteeseen paksusuolensyöpä, meidän NLN luokka joka asteiden LNR kanssa LNS + on tarkempi kuin PN luokka tai LNR luokka, vastaavasti.

Citation: Gao P, Song Yx, Wang Zn, Xu Yy Tong Ll, Zhu Jl, et al. (2012) Integrated suhde metastasoituneen että tarkasteltuna imusolmukkeisiin ja lukumäärä Metastasoitunut imusolmukkeiden osaksi AJCC Välivarastointi System for Colon Cancer. PLoS ONE 7 (4): e35021. doi: 10,1371 /journal.pone.0035021

Editor: Ajay Goel, Baylor University Medical Center, Yhdysvallat

vastaanotettu: 14 marraskuu 2011; Hyväksytty: 08 maaliskuu 2012; Julkaistu: 18 huhtikuu 2012

Copyright: © 2012 Gao et al. Tämä on avoin pääsy artikkeli jaettu ehdoilla Creative Commons Nimeä lisenssi, joka sallii rajoittamattoman käytön, jakelun ja lisääntymiselle millä tahansa välineellä edellyttäen, että alkuperäinen kirjoittaja ja lähde hyvitetään.

Rahoitus: Tämä työ tukivat National Science Foundation of China (no. 30972879 ja no. 81172370), Specialized Research Fund tohtorikoulutuskeskukseen of Higher Education (no. 200801590006), Natural Science Foundation of Liaoningin maakunnassa (no. 20092129), Program of Scientific ja teknologinen laitos Liaoningin maakunnassa (no. 2010225032) ja ohjelma opetusviraston Liaoningin maakunnassa (L2011137). Rahoittajat ollut mitään roolia tutkimuksen suunnittelu, tiedonkeruu ja analyysi, päätös julkaista tai valmistamista käsikirjoituksen.

Kilpailevat edut: Kirjoittajat ovat ilmoittaneet, etteivät ole kilpailevia intressejä ole.

Johdanto

Colon syöpä on yksi yleisimmistä syöpäsairauksia [1]. Kansainvälinen American sekakomitean Cancer (AJCC) TNM pysähdyspaikan järjestelmä on tällä hetkellä pidetä vahvin ennustetekijöiden parametri potilaille, joilla on paksusuolen syöpä [2]. Imusolmuke etäpesäke on yksi tärkeimmistä ennustavat tekijät. Määrittäminen optimaalinen lähestymistapa määrällisesti imusolmuke tilaansa paksusuolensyöpä varmistetaan tarkka potilaan lavastus, jonka avulla sopiva apuaine hoidon suunnittelu ja laskenta pitkän aikavälin ennuste.

Tällä hetkellä vain määrä metastaattisen imusolmukkeiden (LNS + ) käytetään PN-luokan AJCC TNM-järjestelmän paksusuolen syöpä. Tämä on arvosteltu liian yksinkertaistava, koska määrä metastaattisen imusolmukkeiden vaikuttaa kokonaismäärä tutki imusolmukkeiden (eLNs) ja voi lisätä todennäköisyyttä vaiheen muuttoliike [3], [4]. Kuten tiedämme, eLNs patologisesti on osoitettu vaikuttavan sekä lavastus tarkkuutta ja onkologian tulosten imusolmukkeisiin potilailla [5]. Optimaalinen eLNs luotettavalle ennustetekijöiden kerrostuminen ei ole yhtä selvä asti. Suuntaviivojen mukaan pois AJCC, vähintään 10-14 imusolmukkeet on tutkittava ja histopatologisesti arvioidaan tuumorinäytesylinterin riittävästi arvioida imusolmuke tila [6]. College of American patologi suosittelee vähintään 12 imusolmukkeiden tutkimista varten paksusuolensyöpä [7]. Jotkut tutkijat ehdotti myös, että resektio vähintään 13, 14 tai 15 solmujen liittyi pidentynyt eloonjääminen paksusuolensyöpä luokkien tutki [8] – [10]. Valitettavasti kirurgien ja patologit eivät yleensä onnistu täyttämään minimaalinen solmukohtien lavastus. Niissä tapauksissa, ilman riittävää määrää haetaan imusolmukkeiden, PN luokka ei välttämättä ole riittävän tarkkoja.

Viime vuosina suhde metastaattisen on tutkinut imusolmukkeiden (LNR) on tutkittu laajasti. Lähes kaikki tutkijat osoittivat, että LNR on itsenäinen ennustetekijä joka on erittäin liittyvät selviytymisen potilaiden paksusuolen syöpä ja se on ollut suosittaa, että LNR tulisi soveltaa prognostisten arvioinnissa [11] – [18]. On kuitenkin vielä epäselvää, LNR on enemmän ennustetekijöitä voimassaoloaika kuin AJCC pN luokka [18], [19].

Tutkimus perustuu aineisto tukee Surveillance, Epidemiology, ja Lopputulokset ( SEER) syöpä rekisterin 34476 tapaukset, jotka kärsi paksusuolensyöpä. Huomasimme, että LNR luokka oli enemmän ennakoivaa kapasiteettia kuin PN luokan koko potilasryhmissä. Kuitenkin, jos eLNs oli enemmän kuin 13 LNR luokkaan ei ollut parempi kuin pN luokka ennakoivaa kapasiteettia. Lisäksi oli merkittävää eloonjääminen heterogeenisuus eri PN luokkia samaan LNR ryhmään. Lopuksi ehdotimme uusi luokka lähestymistapa, joka intergraded LNR ja LNS + osaksi AJCC lavastus järjestelmä paksusuolensyöpä.

Materiaalit ja menetelmät

Data

Aineisto käytimme on National Cancer Instituten Surveillance, epidemiologia, ja Lopputulokset (SEER) aineisto, 1973-2007. SEER kerää tietoa syöpätapauksista eri paikoista ja lähteistä ympäri Yhdysvaltoja. Tietojen keruu aloitettiin vuonna 1973, jossa on rajoitettu määrä rekisterien ja edelleen laajentaa sisältämään jopa enemmän alueita ja väestötiedot tänään. Tietueiden määrä on näkijä tutkimuksen aineisto on enintään 6127828 lukien 5564451 pahanlaatuinen tapauksissa. Näistä potilaista yli 500000 potilasta kärsi peräsuolen syöpä. Potilaat, joilla on vaiheen III paksusuolensyöpä diagnosoitu 1992 kautta 2003 valittiin analysoitavaksi. Tutkimuksen ensisijainen päätepiste oli syöpää erityisiä selviytymisen.

Potilaita ei otettu tähän tutkimukseen, jos heillä oli: 1) etukäteen kuin paksusuolen syövän tai paksusuolen syövän muuta kuin adenokarsinooma tai mucinous adenokarsinooman 2) tehtiin preoperatiivinen säteilyä, koska raportoitiin, että kokonaismäärä haetaan imusolmukkeiden voi vähentyä, kun ennen leikkausta chemoradiation [20]; 3) epätäydellinen patologinen syötetyt tiedot; tai 4) kuoli välittömästi leikkauksen jälkeen (yhden kuukauden kuluessa).

Kun olet käyttänyt näitä syrjäytymisen strategioita, eli aineisto koostuu 34476 kirjaa rakennettiin ja seuraavat tiedot kirjattiin: ikä, sukupuoli, rotu, syvyys invaasio (määräytyy näkijä n ”laajuus tauti”), histologinen, määrä imusolmukkeiden haettu, ja useita metastaattisen imusolmukkeiden. Sitten LNR määriteltiin suhde LNS + jaettuna eLNs. Välttää joitakin harhat, kuten monimutkainen luokka voidaan yli optimoida vertailussa ennustuskapasiteettia eri luokkien välillä, mallia rakentama luokat löydettiin koulutus joukko tietoja, ja sitten niiden ennustuskapasiteettia määritettiin testissä joukko tietoja, riippumaton opetusjoukolla [21]. Siksi on 34476 tapauksissa puolet valittiin sattumanvaraisesti koulutukseen ja loput 17238 käytettiin testaukseen.

Ethics selvitys

Olemme saaneet luvan käyttää tutkimustietoa tiedosto näkijä ohjelmassa.

tilastollinen analyysi

Jatkuvat esitettiin keskiarvo ± keskihajonta (SD). Cancer-erityisiä eloonjääminen analysoitiin Kaplan-Meier selviytymisen käyrät, ja vertailut tehtiin log-rank-testi. Monimuuttuja-analyysi suoritettiin käyttäen Coxin suhteellisten riskien mallia.

Arvioimme ennustuskapasiteettia luokkien harkitsemalla toimenpiteitä syrjinnän. Syrjintä tarkoittaa kykyä erottaa korkean riskin ja matalan riskin potilaita, ja kvantitoitiin käyttäen Harrell’in C tilastotieto, Nagelkerke R

2, Bayes Information Criterion (BIC), ja ajasta riippuvaisia ​​kumulatiivinen käyrän alapuolinen alue (AUC ) [22] – [26]. Malli täydellinen ennustuskapasiteettia (herkkyys ja spesifisyys 100%) olisi Harrell’in C indeksi 1,00; luokka on suurempi Harrell’in C indeksi pidettiin tarkempi ennustuskapasiteettia. Nagelkerke R

2 indeksiä käytettiin myös pisteet eri luokkiin. R

2 edustaa osuus vaihtelusta selittyy covariates sisään regressiomallien. R

2 on lähes 1 täysin ennustava malli, ja lähellä 0 luokka, joka ei erotella lyhyen ja pitkän selviytymisen kertaa. BIC käytettiin arvioimaan yleistä ennustetekijöiden suorituskykyä eri luokittelujärjestelmien kautta bootstrap-resampling analyysi. Pienempi BIC arvo osoittaa enemmän toivottavaa malli ennustamaan lopputuloksen. AUC oli yleinen väline arvioitaessa ennakoivan valtaa jatkuvana muuttujana varten binary lopputulokseen ja kumulatiivinen AUC joka oli jatke se sensuroitiin Eloonjääntitulokset käytettiin arvioimaan tarkkuutta luokkien eloonjäämisen ennuste eri aikaan.

cut-off-arvot alaryhmien LNR määritettiin käyttäen Harrell’in C tilaston laskettu koulutus aineisto [8], [22]. Tutkia, ennakoivan kapasiteetti LNR luokka on parempi kuin pN luokka on asetettujen vaatimusten varten minimaalinen eLNs, useita testejä tehtiin. Oli 20 testit käyttäen standardi minimaalinen eLNs 2: sta 21. Jokaisen testin Harrell’in C tilastoa määritettiin testata ennustava kapasiteetti LNR luokkiin ja pN luokkia.

vertailu eloonjäämisaste keskuudessa eri pN luokkiin ositettu LNR luokkiin ajettiin analysoida heterogeenisyys. Log-rank-testi ajettiin verrata selviytymisprosentti eri PN luokkiin kussakin LNR luokassa.

Uudet luokka (NLN), joissa PN luokan kanssa LNR luokka perustuu riskisuhde lasketaan Coxin suhteellisten riskien mallia. Kaava on Coxin suhteellisen vaarat malli on:, missä … ovat kokoelma ennustajan muuttujien, LNS + ja LNR tässä tutkimuksessa, … ovat regressiokertoimia määräytyy pienimmän neliösumman lähestymistapa, ja kutsutaan riskisuhde. Lisäksi olemme ryhmitelty lasketun riskisuhde neljä riskitason ja muodostivat meidän NLN luokka ja optimaalisen raja-arvot NLN luokan määritettiin myös käyttämällä Harrell’in C tilaston lasketaan koulutusta aineisto. Ja sitten, vertasimme ennakointikykyä tämän NLN luokan yhden LNR luokan ja yhden pN luokka. Lisäksi testata onko NLN luokka on enemmän ennustearvojen riippumatta eLNs, vertailu eloonjäämisaste potilaiden välillä 12 eLNs ja ≥12 eLNs ositettu kaikilta kolmelta ajettiin.

Kaikki tilastolliset analyysit ja grafiikka tehtiin kanssa PASW Statistics 18.0 ohjelmisto (SPSS, Inc., Somers, NY, USA), SigmaPlot 12,0 (Systat Software Inc), R versio 2.14.0 (R säätiö tilastollinen Computing), Splus 8,0 ( oivaltava Corporation, Seattle, WA, USA) ja STATA MP ver.10 (StataCorp LP, College Station, TX) tilastollisia ohjelmistoja. Kaikkien analyysi, P 0,05 pidettiin merkittävänä.

Tulokset

Mukaan seitsemäs painos UICC /AJCC TNM pysähdyspaikan järjestelmä, joka perustuu useita positiivisia imusolmukkeita, potilailla, joilla on eri pN luokat jaettiin: N1a, 34,3% (11826/34476); N1B, 33,8% (11665/34476); N2a, 19,6% (6747/34476); ja N2B, 12,3% (4238/34476). Survival erot ryhmien välillä olivat tilastollisesti merkitseviä (

P

0,001; taulukko 1).

Perustuu optimaalinen raja-arvot määritetään käyttämällä Harrell’in C tilastotieto vastaavasti, potilaat jaettiin seuraaviin LNR alaryhmään: LNR1 = an LNR 0,13; LNR2 = an LNR välillä 0,13 ja 0,24; LNR3 = an LNR välillä 0,24 ja 0,51; ja LNR4 = an LNR 0,51. 5 vuoden pysyvyys väheni huomattavasti kasvaessa LNR luokat (P 0,001; taulukko 1).

Lisäksi yhden muuttujan analyysiin, ikä, rotu, histologinen ja pT luokat todettiin myös korreloi merkitsevästi ennustetta (Pöytä 1). Vuonna Monimuuttuja-analyysissä, kaikki kliinis tekijöitä, joita on huomattavasti korreloivat ennustetta yhden muuttujan analyysiin, pidettiin. Ikä, rotu, histologinen, pT luokat PN luokkiin, ja LNR luokat varmistettiin olevan riippumattomia ennustetekijöitä (taulukko 2). Käyttämällä Harrell’in C tilastotieto testata ennustuskapasiteettia luokan kaikissa potilailla LNR luokat oli merkitsevästi parempi kuin PN luokat (Harrell’in C-arvo: 0,6194 vs 0,6113, vastaavasti, p = 0,003).

Kuten kuvasta 1, seuraava korkeus standardin määrä minimaalinen eLNs kasvaa 2-13 The Harrell’in C indeksi LNR luokassa oli aina korkeampi kuin PN luokassa. Eroa ennakoivan kapasiteettia LNR luokkia ja pN luokat oli merkittävää, kun määrä minimaalinen eLNs on 2-6 (P 0,05), ja ero menetti tilastollista merkitystä, kun määrä minimaalinen eLNs oli 7-13 (P 0,05).

p arvo kuvastaa merkitystä vertailun pN luokkien ja LNR luokkia erilaisia ​​standardeja vähäinen määrä imusolmukkeiden tutkittiin.

käyttämällä log-rank testi, vertailun eloonjäämisluvut eri LNR ryhmiin eri pN luokat paljasti, että oli merkittäviä prognostisia eroja potilaiden eri pN luokkiin mistään LNR luokan (P 0,001; Fig. 2A, 2B, 2C, 2D). Lisäksi kuten kuvassa 2E joka heijastaa ennustetekijöiden riskisuhde perustuu Coxin suhteellisten riskien mallia LNR ja LNS + kovariantteja, samalla LNR tasolla, seuraava korkeus LNS +, ennustetyöväline riskisuhde nousi. Tämä tarkoittaa myös sitä, oli merkittävää eloonjääminen heterogeenisuus eri PN luokkia samaan LNR ryhmään.

(a) Eloonjäämiskäyrät potilaille LNR1; (B) Eloonjäämiskäyrät potilaille LNR2; (C) Eloonjäämiskäyrät potilaille LNR3; (D) Eloonjäämiskäyrät potilaille LNR4; (E) Mesh tontteja heijastavat ennustavan riskisuhde perustuu Coxin suhteellisten riskien mallia LNR ja LNS + kovariantteja. (F) Mesh tontteja kanssa vihreä, keltainen ja punainen lentokoneita alaryhmistä sen riskisuhteita neljään riskitason (riskisuhde: 1,21, 1,21-1,62, 1,62-1,72 ja 1,72).

Coxin suhteellista riskiregressioanalyysiä sekä LNR ja LNS + kovariantteja ajettiin laskea ennustetekijöiden riskisuhde (HR). Sen jälkeen, kun parametrien määrittämistä, jolla on kaava oli:. Sitten me ryhmitelty potilaat neljään riskitason mukaan HR ja muodostivat NLN luokka: nLN1 = HR 1,21; nLN2 = HR välillä 1,21 ja 1,62; nLN3 = HR välillä 1,62 ja 2,72; ja nLN4 = HR 2,72 (Fig. 2F). Potilaat, joilla on eri NLN luokkiin jaettiin: nLN1, 34,3% (7747/34476); nLN2, 36,0% (12395/34476); nLN3, 26,6% (9157/34476); ja nLN4, 15,0% (5177/34476). Survival eroja ryhmien välillä olivat tilastollisesti merkitseviä (P 0,001; taulukko 1). Monimuuttujakalibrointiin analyysissä NLN luokka korreloi merkitsevästi ennustetta.

Kuviot 3A, 3B ja 3C näyttö selviytyminen käyrät perustuu kolmeen eri luokkaan lähestymistapoja: PN luokkiin, LNR luokat ja meidän NLN luokkia. Vertasimme Nagelkerke R

2 ja Harrell’in C joukossa kolmeen ryhmään. Tämän seurauksena NLN luokka oli korkein Nagelkerke R

2 (PN-aloihin: 0,063; LNR ryhmiin: 0,065; NLN ryhmiin: 0,072; taulukko 3). Lisäksi, verrattuna Harrell’in C tilastoja ja BIC paljasti myös, että NLN luokkia oli parempi ennustavan kapasiteettia kuin sekä pN luokkia ja LNR ryhmiin (p 0,05; taulukko 3). Lisäksi vertailun tulokset kumulatiivisen AUC osoittivat, että NLN luokkia oli entistä tarkemmin eloonjäämisen ennuste kuin sekä pN luokat ja LNR tutkimusluokista leikkauksen ajankohtina (Fig. 4).

(a) Survival käyrät potilaille luokiteltuna AJCC pN ryhmiin; (B) Eloonjäämiskäyrät potilaille luokiteltuna LNR ryhmiin; (C) Eloonjäämiskäyrät potilaille luokiteltu romaani luokat (NLN).

vertailu eloonjäämisaste potilaiden välillä ≥12 eLNs ja 12 eLNs stratifioituna kaikki kolmeen luokkaan paljasti, että erilaisuuteen ennusteen potilaiden välillä 12 eLNs ja ≥12 eLNs at NLN luokkia oli matalin kolmeen ryhmään. Neljässä pN luokkia oli merkittäviä selviytymisen eroja potilailla, joilla on 12 eLNs ja ≥12 eLNs (5 vuoden kertyviä eloonjäämisluvut: 69,0% vs. 76,4% at N1a, p 0,001; 59,9% vs. 67,9% at N1B, p 0,001; 44,3% vs. 57,4% at N2a, p 0,001; 29,2% vs. 36,8% vuonna N2B, p 0,001; Kuva. 5A). Vaikka erilaisuuteen ennusteen potilaiden välillä 12 eLNs ja ≥12 eLNs at LNR luokat olivat alhaisemmat kuin PN luokkiin, oli merkittäviä selviytymistä erilaisuuteen neljään LNR luokkien (5-vuoden kertyviä eloonjäämisluvut: 72,5% vs. 74,7% at LNR1, p = 0,017; 69,0% vs. 64,0% at LNR2, p 0,001; 59,1% vs. 52,3% at LNR3, p 0,001; 41,8% vs. 28,7% at LNR4, p 0,001; Fig. 5B) . Käänteisesti ei ollut merkittäviä selviytymisen erilaisuuteen sairastavien potilaiden välillä 12 eLNs ja ≥12 eLNs klo nLN2 ja nLN3 (5 vuoden kertyviä eloonjäämisluvut: 67,4% vs. 66,6% at nLN2, p = 0,422; 54,3% vs. 52,7% at nLN3, p = 0,268). Oli selviytymisen eroja nLN1 ja nLN4 (5 vuoden kertyviä eloonjäämisluvut: 72,9% vs. 76,3% at nLN1, p = 0,001; 39,2% vs. 29,3% at nLN4, p 0,001; Kuva. 5C).

(a) Eloonjäämiskäyrät ositettu AJCC pN ryhmiin; (B) Eloonjäämiskäyrät ositettu LNR ryhmiin; (C) Eloonjäämiskäyrät ositettu romaani luokat (NLN). Sininen viivat edustavat eloonjäämiskäyrien potilaalla on 12 eLNs ja keltaiset viivat edustavat eloonjäämiskäyrien potilaalla on ≥12 eLNs. 5 vuoden kertyviä eloonjäämisluvut (5YSR) potilaille esiteltiin myös.

Keskustelu

Viime vuosina LNR on tutkittu laajasti ennustetekijöiden analyysi paksusuolensyöpä . Lähes kaikki tutkijat osoittivat, että LNR on itsenäinen ennustetekijä. On kuitenkin vielä epäselvää, LNR luokassa on enemmän ennustetekijöitä voimassaoloaika kuin AJCC pN luokka [18], [19]. Tutkimuksessamme vertasimme ennakoivaa kapasiteettia LNR luokan kanssa PN perusteella näkijä aineisto. Huomasimme, että LNR luokka oli merkitsevästi parempi kuin PN luokan ennustearvo koko potilasryhmissä (Harrell’in C-indeksi: 0,6194 vs 0,6113, vastaavasti, p = 0,003). Tämä tulos oli samankaltainen kuin aikaisempien tutkimusten [14], [15], [17], [26], [27].

kuitenkin on vielä keskustelua siitä, onko LNR on enemmän ennustetekijöitä voimassaoloaika kuin AJCC pN luokka jos eLNs riittää. Priolli et ai. analysoi ennusteen arvioinnissa on LNR potilailla peräti 12 eLNs ja monimuuttuja-analyysi osoitti, että sekä LNR ja imusolmuke osallistuminen oli riippumattomia ennustavat tekijät. Lisäksi imusolmuke osallistuminen saatu korkeampaa ”pisteet” kuin LNR [16]. Äskettäin perustuu näkijä aineisto, Chen et al. vertasi ennustetekijöiden arvot LNR kategoriaa että PN luokkien potilailla peräti 12 eLNs. Monimuuttuja-analyysi osoitti, että sekä LNR ja imusolmuke osallistuminen oli riippumattomia ennustavat tekijät. He ehdottivat, että LNR luokat oli parempi ennusteen arvioinnissa kuin PN luokat siitä syystä, että LNR luokkia oli korkeampi riskisuhde kuin PN luokkiin [28]. Tässä tutkimuksessa havaitsimme, että kun minimaalinen eLNs ollut peräti 14 ennustuskapasiteettia PN luokkiin oli jopa korkeampi kuin LNR luokkiin, mutta ero ei ole merkitsevä tilastollisesti. Tämä tarkoitti sitä, että LNR luokan ollut ylivoimainen PN luokan ennakoivaa vankeudessa koko ajan. Ehkä tämä tulos voisi vaikuttaa cut-off-arvo LNR luokkiin, kun taas optimaalinen raja-arvoa LNRs ei ole saanut yksimielisyyttä [29] ja raja-arvot tässä tutkimuksessa käytetyt etsittiin tilastollinen menetelmä, jolla varmistetaan tehokkuutta.

Lisäksi todettiin, että oli merkittävää eloonjääminen heterogeenisuus eri pN luokkia samaan LNR ryhmään. Käyttämällä log-rank testi, vertailun eloonjäämisluvut eri LNR luokkien eri PN luokkiin paljasti, että oli merkittäviä prognostisia eroja potilaiden eri PN luokkiin mistään LNR luokan (P 0,001; Fig. 2A, 2B, 2C, 2D ). Näin ollen ei ole tieteellinen riitä, jos PN-luokka on yksinkertaisesti korvataan LNR luokkaan. Tulos Coxin suhteellisten riskien mallia LNR ja LNS + kovariantteja tukee myös tätä mieltä (Kuva. 2E). Kuitenkin, prognostisia arvo LNR ei voida jättää huomiotta. Ehkä luokka, joka yhdisti LNR kanssa LNS + on huomattava.

Näiden seikkojen, Coxin suhteellisen vaarat regressio sekä LNR ja LNS + kovariantteja ajettiin laskea ennustetekijöiden riskisuhde (HR). Laskennan jälkeen parametrien, jolla on kaava: on saatu. Sekä LNR ja LNS + viitattiin tässä kaavalla ja suuri aineisto tässä tutkimuksessa käytetyt varmista, että parametrit 1,1875 ja 0,0484 olivat tarkkoja. Ja sitten, jaoimme laskennallinen HR neljään riskitason ja muodostivat uuden luokan (NLN): nLN1 = HR 1,21; nLN2 = HR välillä 1,21 ja 1,62; nLN3 = HR välillä 1,62 ja 2,72; ja nLN4 = HR 2,72.

Survival eroja ryhmien välillä olivat tilastollisesti merkitseviä (P 0,001). Lisäksi kolmella tilastollisia menetelmiä; so Nagelkerke R

2, Harrell’in C ja BIC, me todennettu tehokkuutta NLN luokka ja vertasi sitä LNR luokat ja pN luokkia, vastaavasti. Huomasimme, että NLN luokka oli korkeammat ennustuskapasiteettia kuin kahdelle muulle (taulukko 3). Lisäksi vertailun perusteella kumulatiivisen AUC, huomasimme, että NLN luokkia oli entistä tarkemmin eloonjäämisen ennuste kuin sekä pN luokat ja LNR tutkimusluokista leikkauksen ajankohtina (Fig. 4). Lisäksi verrattuna PN LNR ryhmissä, NLN luokka oli enemmän arvoa vähentäminen heterogeenisyys ennuste aiheuttama riittämätön eLNs. Esillä olevassa tutkimuksessa olemme huomanneet merkittävän erilaisuuteen ennusteen potilaiden välillä 12 eLNs ja ≥12 eLNs kaikissa neljässä pN ja LNR luokat (Fig. 5A, 5B). Toisaalta, ei ollut erilaisuuteen ennusteen potilaiden välillä 12 eLNs ja ≥12 eLNs on nLN2 ja nLN3 on NLN-luokan (Fig. 5C). Jossain määrin myös NLN luokka voidaan käyttää tasapainottamaan puutteellinen solmukohtien arviointi patologinen arviointi ja lisää tarkkuutta prognoosi- predication riippumatta eLNs. Nämä havainnot osoittivat, että NLN luokat soveltuivat ennustamiseksi ennusteen potilaita, joilla on paksusuolen syöpä. Ja sitten, perustuu NLN tyylinen potilaat voivat saada jonkin verran kliinistä hyötyä tarkan ennusteen pitkäaikaisten ennustetta ja asianmukaista apuaine hoidon suunnittelu.

Tutkimuksemme on joitakin rajoituksia. Se on retrospektiivinen valmisteleva tutkimus perustuu näkijä tietoihin. Kliiniset ja patologinen potilastiedot voi olla heterogeeninen, koska SEER kerää tietoja 12 väestöpohjaiset syöpärekisterit. Toisaalta, tiedot adjuvanttihoito rajoittuu tietoa sädehoitoa vain ja on raportoitu, että kokonaismäärä haetaan imusolmukkeiden voi vähentyä, kun ennen leikkausta kemoterapiaa [20]. Lisäksi on riittävästi tietoa muista tekijöistä, jotka liittyvät kokonaismäärä haetaan imusolmukkeiden, kuten BMI index [28]. Tämä tekee jotkut alaryhmäanalyysi mahdotonta. Edelleen, ulkoinen validointi käyttämällä muita tietolähteitä riittävät patologinen tietoa tarvitaan.

Olemme päätellä, että arvioida ennusteeseen paksusuolensyöpä, meidän NLN luokka joka asteiden LNR kanssa LNS + on tarkempi kuin PN luokka tai LNR luokka, vastaavasti.