营养炎症指标动态轨迹联合肿瘤特征构建宫颈癌预后预测模型的创新研究

《BMC Women's Health》：Prognostic value of combining nutritional inflammatory index trajectories and tumor characteristics in cervical cancer

　　本研究针对宫颈癌预后评估中营养炎症指标(NII)单时间点分析的局限性，通过追踪502例手术患者ALI、NAR、PNI的动态轨迹，结合机器学习筛选关键变量构建诺莫图模型。结果显示持续低ALI/PNI或高NAR患者预后显著恶化，OS模型10年预测AUC达0.925，为个体化干预提供新策略。

　　

在全球女性癌症负担中，宫颈癌始终是威胁女性健康的重大公共卫生问题，尤其在发展中国家，其发病率和死亡率持续居高不下。尽管HPV疫苗的普及为宫颈癌预防带来希望，但全球接种率仍不均衡，加之高龄、吸烟、免疫抑制等高风险因素的存在，使得宫颈癌的防控形势依然严峻。在治疗方面，早期患者以手术为主，中晚期则依赖放化疗及新兴的靶向治疗和免疫治疗，但患者预后差异显著，亟需更精准的预后评估工具指导临床决策。

近年来，营养炎症指标(Nutritional Inflammatory Index, NII)在肿瘤预后评估中的价值日益凸显。其中，晚期肺癌炎症指数(ALI)、中性粒细胞-白蛋白比值(NAR)和预后营养指数(PNI)等指标，已证实与多种癌症的生存结局密切相关。然而，现有研究多局限于单时间点检测，未能捕捉这些指标在疾病演进和治疗过程中的动态变化规律。这种动态变化可能蕴含关键的预后信息，却长期被忽视。

为突破这一局限，邢文团队在《BMC Women's Health》发表了一项创新性研究，首次系统构建了宫颈癌患者NII指标的动态轨迹模型，并融合肿瘤特征与治疗信息，开发出高精度的预后预测工具。

研究团队回顾性分析了2015年1月至2025年5月期间苏州大学附属第二医院收治的502例经手术治疗的宫颈癌患者数据。研究的关键技术方法包括：1）利用traje包进行NII（ALI、NAR、PNI）动态轨迹建模，识别不同变化模式的患者亚组；2）采用多方法机器学习（Lasso回归、随机森林、Boruta、GBM）联合筛选关键预后变量；3）构建预测3年、5年和10年总体生存(OS)及无进展生存(PFS)的诺莫图模型，并通过C指数、校准曲线和ROC曲线进行多维度验证。

营养炎症指标动态轨迹模型的构建

研究通过轨迹分析将ALI、NAR和PNI在诊断时(T₀)、治疗期间(T₁)和治疗后半年(T₂)的动态变化进行聚类。ALI和NAR被划分为2个轨迹组（持续低/高），PNI被划分为3个轨迹组（持续低/中/高）。模型评估参数（BIC、AIC、OCC等）显示分组稳定可靠，后验概率均大于0.7。

患者基线特征与预后关联

死亡组患者在各时间点的白蛋白、ALI和PNI值均显著降低，而NAR显著升高（p<0.05）。肿瘤特征分析显示，死亡组CA125、CEA和SCC_Ag水平更高，FIGO分期III-IV期、淋巴结转移、低分化、合并糖尿病以及未接受手术、放疗或化疗的患者死亡风险显著增加。

生存分析揭示轨迹分组预后差异

Kaplan-Meier分析显示，ALI和PNI的“持续低”组以及NAR的“持续高”组患者，其OS和PFS均显著差于其他组别（log-rank p<0.001）。多因素Cox回归进一步证实，在校正年龄、合并症及肿瘤特征后，PNI“持续高”组仍是OS和PFS的独立保护因素（HR<0.20），NAR“持续高”组则是独立危险因素（HR>3.32），而ALI的预后价值在多因素校正后有所减弱。

机器学习筛选关键预后变量

通过四种机器学习算法联合筛选，最终OS模型纳入PNI轨迹、FIGO分期、肿瘤大小、淋巴结转移、CA125、SCC_Ag和手术；PFS模型纳入PNI轨迹、FIGO分期、肿瘤大小、淋巴结转移、糖尿病、手术和靶向治疗。这些变量共同构成了预后预测的核心要素。

诺莫图模型构建与验证

基于筛选变量构建的诺莫图模型显示出优异的预测性能。OS模型预测3、5、10年生存的AUC分别为0.894、0.917和0.925；PFS模型相应AUC分别为0.903、0.902和0.905。校准曲线显示预测概率与实际观测概率高度一致，C指数分别为0.742（OS）和0.757（PFS）。根据风险评分四分位数分组后，低风险组患者的生存率显著优于高风险组（p<0.001）。

亚组分析揭示异质性

亚组分析表明，ALI和PNI的预后价值在不同临床特征患者中存在异质性。例如，在未接受靶向治疗或无淋巴结转移的患者中，高ALI/PNI的保护作用更为显著。这种异质性提示临床应用中需结合患者具体情况进行个体化解读。

本研究通过创新性地整合营养炎症指标的纵向动态轨迹与肿瘤多维特征，成功构建了精准的宫颈癌预后预测模型。研究证实，持续的低ALI/PNI或高NAR状态是宫颈癌不良预后的强预测因子。所开发的诺莫图工具实现了对患者3年、5年及10年生存风险的动态、量化评估，为临床医生早期识别高危患者、制定个体化治疗和营养干预策略提供了实用工具。这一研究突破了传统单时间点预后评估的局限，推动了宫颈癌预后管理向动态化、精准化方向迈进，对改善患者长期生存具有重要临床意义。