构建用于个性化预测宫颈癌风险的诺模图预测模型：一项回顾性研究

《International Journal of Women's Health》：Construction of a Nomogram Prediction Model for Individualized Prediction of Cervical Cancer Risk: A Retrospective Study

　　宫颈癌风险预测诺模图模型的构建与验证。通过多中心回顾性研究纳入1762例女性，运用多变量Logistic回归筛选出教育水平低、早初潮、初性行为早、多性伴、长期激素避孕、多分娩、HPV阳性、宫颈炎及系统性红斑狼疮为独立危险因素。模型经Bootstrap内效验和ROC曲线验证，AUC达0.867（95%CI 0.834-0.901），校准曲线显示预测值与实际值高度吻合，决策曲线分析表明阈值概率0.02-0.78时具有临床净收益。

　　宫颈癌是全球女性中较为常见的恶性肿瘤之一，其发病率和死亡率在不同地区存在显著差异。根据世界卫生组织下属的国际癌症研究机构（IARC）发布的数据，2024年全球范围内宫颈癌的新发病例约有66万例，死亡病例约为35万例。在中国，2024年预计有约15.07万例新发病例，5.57万例死亡病例。宫颈癌的发生与多种因素相关，包括个人的医疗历史、经济、政治以及社会因素等。尽管政治因素并非直接导致疾病的原因，但它们在个体和群体层面影响宫颈癌的发病情况和治疗效果，主要通过影响医疗资源的可及性、健康体系的结构以及社会规范来实现。

宫颈癌的主要病因是持续感染高危型人乳头瘤病毒（HPV），大多数宫颈癌病例都可以归因于这种病毒的长期感染。截至2023年底，中国9至45岁女性的HPV疫苗接种覆盖率已接近20%。当前，中国适龄女性的宫颈癌筛查率约为51.5%，其中农村地区的覆盖率仅为48.2%。值得注意的是，许多地区的宫颈癌往往在晚期才被发现，导致预后较差。在中国，大约有50%至60%的患者在中晚期才被确诊，这使得治疗难度增加，生存率下降。因此，宫颈癌的早期筛查和干预显得尤为重要。早期筛查和治疗不仅有助于降低宫颈癌的发病率，还能显著减少其死亡率。基于这一背景，临床医生需要能够有效识别高风险人群的工具，以便提供更有针对性的医疗指导和决策支持。

为了应对这一挑战，研究人员构建了一个基于九个关键因素的预测模型，即“列线图”模型，旨在提高宫颈癌的早期筛查效率和风险评估的准确性。该模型通过综合分析多个可能影响宫颈癌发病的因素，为医生提供一个直观的工具，帮助他们在实际诊疗过程中做出更科学的决策。列线图模型的建立过程涉及多个步骤，包括数据收集、变量筛选以及模型验证。研究人员首先从2021年5月至2023年9月期间接受宫颈癌筛查的1234名女性中筛选出数据，将其分为训练组（97例宫颈癌病例）和非宫颈癌组（1137例）。此外，还从2023年10月至2024年10月期间接受筛查的528名女性中选取数据作为验证组。通过多因素Logistic回归分析，研究人员确定了九个独立的宫颈癌风险因素，包括教育水平较低、初潮年龄≤14岁、首次性行为年龄≤20岁、性伴侣数量超过2人、长期使用激素类避孕药、生育次数超过2次、HPV阳性、宫颈炎以及系统性红斑狼疮等。这些因素在分析中均显示出与宫颈癌发生具有显著相关性。

为了评估该模型的预测性能，研究人员采用了多种统计方法，包括受试者工作特征曲线（ROC曲线）分析、Hosmer-Lemeshow（H-L）检验、校准曲线以及临床决策曲线分析。结果显示，该模型在训练组和验证组中的ROC曲线面积（AUC）分别为0.867和0.850，均高于0.8，表明模型在区分高风险和低风险人群方面具有良好的能力。H-L检验结果显示，训练组和验证组的P值均大于0.05，表明模型的预测结果与实际观察结果之间的一致性较高，校准能力良好。此外，临床决策曲线分析表明，在阈值概率范围为0.02至0.78时，该模型能够带来更高的净收益，说明其在临床应用中具有较高的实用价值。

列线图模型的构建基于上述九个独立风险因素，通过将每个因素转化为对应的分数，最终计算出总分，并将其与预测概率相匹配。这一过程使得模型不仅具备统计学上的可靠性，还具有直观性和实用性，便于临床医生在实际操作中快速评估患者的宫颈癌风险。模型的结构清晰，每个变量在列线图中都有对应的刻度，医生可以根据这些刻度快速得出患者的预测风险值。这种可视化的方式大大提高了模型的可操作性，使其更容易被临床工作者接受和应用。

在实际应用中，该模型可以为临床决策提供支持。例如，对于预测概率接近或高于0.5的患者，医生可以考虑采取更积极的干预措施，如建议进行宫颈活检或进一步的检查。此外，模型还可以帮助优化医疗资源的分配，使医生能够根据患者的个体风险水平决定筛查频率和强度，从而避免不必要的过度筛查，同时确保高风险人群得到及时关注。这种分层管理的方式不仅提高了筛查效率，还减少了医疗资源的浪费。

尽管该模型在预测性能和临床适用性方面表现出色，但研究仍存在一些局限性。首先，由于研究采用的是回顾性设计，样本量相对有限，这可能影响模型的普遍适用性和推广价值。其次，虽然研究尝试纳入多个影响因素，但仍有一些与炎症和营养相关的生物标志物未被充分考虑。这些因素可能在某些情况下对宫颈癌的发生起到重要作用，因此未来的研究可以进一步探索这些变量的影响。第三，目前的模型缺乏来自其他中心的外部验证，这意味着模型的有效性尚未在更广泛的患者群体中得到充分证实。未来需要与其他医疗机构合作，进行多中心研究，以进一步验证模型的稳定性。第四，由于该研究是横断面设计，患者在入组时已被诊断为宫颈癌，因此无法明确了解其在发病前的前癌性病变情况。未来的研究可以考虑采用前瞻性设计，以更全面地了解宫颈癌的发生过程。

在公共卫生领域，该模型的应用具有重要意义。它可以帮助制定更具针对性的筛查和干预策略，提高宫颈癌的早期发现率。例如，对于被模型识别为高风险的个体，可以采取更积极的筛查措施，并通过在线和线下健康教育提高其对宫颈癌的预防意识。此外，推广HPV疫苗接种计划，特别是针对高风险人群，也是降低宫颈癌发病率的重要手段。在政策层面，应加强宫颈癌筛查的普及和推广，将其纳入基本公共卫生服务，提供免费或补贴性的筛查项目，同时探索更具成本效益的HPV疫苗接种方案。通过这些措施，可以进一步提高宫颈癌的防控效果。

从医学和公共卫生的角度来看，列线图模型的开发为宫颈癌的早期识别和风险评估提供了一个新的工具。它不仅有助于个体层面的疾病预防，还能为群体层面的健康政策制定提供科学依据。然而，模型的进一步优化和推广仍需克服一些挑战。例如，如何在不同地区和人群中验证模型的有效性，如何将模型与现有的医疗体系相结合，以及如何确保其在实际应用中的可操作性和可接受性。此外，还需要考虑如何将模型与患者的具体情况相结合，例如结合患者的家族史、生活方式等信息，以提高预测的准确性。

综上所述，本研究构建的列线图模型在宫颈癌风险预测方面表现出良好的性能，为临床医生提供了有价值的参考工具。然而，该模型仍需在更大规模的样本中进行验证，并结合更多的临床和生物标志物信息进行优化。未来的研究应关注模型的外部验证、多中心合作以及前瞻性设计，以进一步提升其科学性和实用性。同时，政府和医疗机构应加强对宫颈癌筛查和预防工作的投入，推广HPV疫苗接种，提高公众对宫颈癌的认知和预防意识，从而实现宫颈癌发病率和死亡率的进一步下降。