胰腺导管内乳头状黏液性肿瘤的特征及预后：一项观察性研究

《Evidence-Based Practice》：The characteristics and outcome of intraductal papillary mucinous neoplasm of the pancreas: an observational study

　　直肠神经内分泌肿瘤（R-NENs）经内镜黏膜下剥离术（ESD）后非治愈性切除（NCR）的风险因素及预测模型构建。纳入244例R-NENs患者，通过EUS评估肿瘤直径、边界形态及浸润深度，发现大直径（≥10mm）、不规则边界及黏膜下浸润为独立风险因素。基于此构建的nomogram模型AUC为0.791，敏感性68.6%，特异性86.0%，可辅助实时评估NCR风险，但需进一步临床验证。

　　近年来，随着医学影像技术和内镜技术的快速发展，直肠神经内分泌肿瘤（Rectal Neuroendocrine Neoplasms, R-NENs）的早期诊断和治疗手段有了显著进步。R-NENs是一类来源于神经内分泌细胞的异质性肿瘤，其发病率在过去二十年间迅速上升，约为原来的九倍。这些病变通常在结肠镜检查中被偶然发现，且多数肿瘤体积较小。然而，部分患者在确诊时已发生转移，因此如何在治疗前准确评估肿瘤的可切除性，成为临床关注的重点。

在众多治疗手段中，内镜黏膜下剥离术（Endoscopic Submucosal Dissection, ESD）因其具有较大的切除范围、创伤小以及较低的复发率等优势，成为R-NENs的重要治疗选择之一。然而，尽管ESD在治疗上具有诸多优点，仍存在一定的局限性，其中“非根治性切除”（Noncurative Resection, NCR）便是其面临的一个关键挑战。NCR指的是虽然进行了内镜手术，但未能达到根治标准，可能导致肿瘤残留，从而影响患者的预后。

因此，如何在术前准确预测NCR的风险，成为提高治疗效果和减少患者不必要的手术风险的关键。本研究通过分析244例在青岛大学附属医院接受ESD治疗的R-NENs患者的内镜超声（Endoscopic Ultrasound, EUS）检查结果，识别出影响NCR的主要因素，并基于这些因素构建了一个预测模型——即“列线图模型”（Nomogram Model）。该模型的建立，旨在为内镜医生提供一种便捷、有效的工具，帮助他们在术前动态评估患者的NCR风险，并据此决定是否采取ESD还是开放手术等更为彻底的治疗方案。

研究团队采用回顾性队列研究的方法，对所有患者的EUS图像和临床特征进行了系统分析。结果显示，肿瘤直径较大、边界不规则以及肿瘤侵犯至黏膜下层是影响NCR的独立危险因素。通过构建列线图模型，将这些因素整合为一个可量化的预测系统，研究者进一步验证了该模型的预测能力。通过受试者工作特征曲线（Receiver Operating Characteristic Curve, ROC Curve）分析，模型的曲线下面积（Area Under the Curve, AUC）达到0.791，敏感性为68.6%，特异性为86.0%，表明该模型在临床诊断中具有较高的准确性。此外，Hosmer–Lemeshow拟合优度检验结果显示，模型的校准度良好，说明模型预测的概率与实际结果之间存在较高的一致性。

在构建模型时，研究者特别注意到了CgA（Chromogranin A）这一标志物的重要性。CgA是神经内分泌肿瘤中广泛表达的生物标志物，其水平在几乎所有神经内分泌肿瘤中都会升高。然而，由于CgA的检测需要依赖术后病理结果，因此在列线图模型的构建中被排除。相比之下，EUS可以在术前提供关于肿瘤大小、边界状态以及侵犯深度等关键信息，从而为临床决策提供更早的依据。

为了简化模型的使用，研究团队还设计了一张评分表，将三个主要变量——肿瘤直径、边界状态和侵犯深度——转化为具体的分数，并通过加总这些分数来估算NCR的概率。例如，如果一个肿瘤直径为13.5 mm，边界不规则且侵犯至黏膜下层，那么其对应的分数为75、30和15，总分为120，对应的NCR概率约为95%。这种直观的评分系统有助于内镜医生在实际操作中快速判断患者的手术风险，并作出更合理的治疗决策。

列线图模型的临床适用性也得到了进一步验证。通过决策曲线分析（Decision Curve Analysis, DCA），研究者发现该模型在不同的阈值概率范围内，相较于“全治疗”或“不治疗”的策略，能够显著提高净临床收益。这意味着该模型不仅具备良好的预测能力，还能在实际临床中发挥积极作用，帮助医生减少不必要的手术或检查，从而优化医疗资源的使用，提高患者治疗的效率。

此外，研究团队还探讨了模型的局限性。首先，由于不同地区和机构对病理诊断标准可能存在差异，研究结果的普遍适用性受到一定限制。其次，模型的敏感性相对较低，表明未来需要更多的前瞻性研究来进一步优化其性能。第三，本研究样本量相对有限，未能将数据划分为训练集和验证集，因此缺乏外部验证。这些不足提示，未来的研究应扩大样本量，并开展多中心、大样本的验证工作，以提高模型的稳定性和推广性。最后，本研究未纳入其他可能的生物标志物，如神经特异性烯醇化酶（Neuron-Specific Enolase, NSE）和突触素（Synaptophysin），这些指标可能对模型的预测能力有进一步的提升作用，未来研究中可以考虑将它们纳入分析。

本研究的意义在于，它首次基于EUS特征构建了一个用于预测R-NENs患者术后NCR风险的列线图模型，为临床提供了新的工具。这一模型不仅能够帮助医生在术前识别高风险患者，还能为制定个体化治疗方案提供依据。在实际应用中，医生可以根据模型预测的结果，判断是否需要进一步进行手术或内镜治疗，从而提高治疗的成功率，降低术后复发风险。

总体来看，尽管本研究存在一定的局限性，但其在探索R-NENs患者NCR风险因素以及构建预测模型方面取得了重要进展。研究结果为R-NENs的临床管理提供了新的思路，特别是在术前评估和治疗决策方面。未来，随着更多研究的开展和技术的进一步发展，这一模型有望在更大范围内得到应用，并为改善R-NENs患者的预后提供更有力的支持。

研究团队在论文中也对其他相关研究进行了回顾。已有研究表明，肿瘤直径是影响R-NENs转移风险的重要因素。例如，肿瘤直径小于1 cm时，转移率较低，而超过2 cm的肿瘤则具有更高的转移可能性。这种趋势可能与肿瘤的增殖活性有关，较大的肿瘤往往具有更强的增殖能力，因此更容易发生转移。此外，EUS在术前评估肿瘤深度和边界状态方面具有显著优势，能够更早识别出可能影响ESD效果的高风险患者。相比之下，一些传统的研究更多关注术后病理结果，而本研究通过EUS特征构建的模型，能够在手术前提供更全面的信息，从而提升术前评估的准确性。

值得一提的是，虽然本研究成功构建了一个预测模型，但目前该模型的临床应用仍需进一步验证。模型的预测结果虽然具有一定的参考价值，但在实际临床环境中，仍需结合患者的具体情况和医生的专业判断。此外，该模型的应用可能受到多种因素的影响，如内镜医生的经验、设备的精度以及患者的个体差异等。因此，未来的临床实践应注重模型的推广和优化，确保其在不同医疗环境中的适用性。

本研究还强调了多学科协作的重要性。对于直径在10至20 mm之间的R-NENs，治疗方案的选择需要经过多学科团队的讨论。这不仅包括内镜医生，还应涉及外科医生、病理科医生以及影像科医生等，以确保治疗决策的科学性和合理性。列线图模型的建立，正是为了在这一过程中提供一个客观、量化的参考依据，从而减少主观判断带来的不确定性。

此外，该研究还对EUS在R-NENs诊断和治疗中的作用进行了深入探讨。EUS不仅能够清晰显示肿瘤的大小、回声强度和侵犯层次，还能够评估肿瘤与血管壁的关系，为判断肿瘤的可切除性提供关键信息。因此，EUS已成为R-NENs术前评估的重要工具，而列线图模型的构建，则进一步拓展了EUS在临床中的应用价值。

从长远来看，随着人工智能和大数据技术的发展，列线图模型可能被进一步优化，甚至发展为更智能化的预测系统。例如，结合EUS图像识别技术和机器学习算法，可以提高模型的准确性和泛化能力，使其在更广泛的患者群体中发挥作用。同时，该模型的推广也有助于提高基层医疗机构对R-NENs的诊断和治疗水平，使更多患者能够受益于精准的术前评估。

综上所述，本研究通过EUS特征识别出影响R-NENs术后NCR的关键因素，并构建了一个具有临床诊断价值的列线图模型。这一成果不仅为R-NENs的治疗决策提供了科学依据，也为进一步优化内镜治疗策略奠定了基础。尽管模型仍需在更大范围的临床实践中进行验证，但其在提升治疗效果和减少手术风险方面的潜力已经显现。未来，随着研究的深入和技术的不断进步，该模型有望成为R-NENs管理的重要工具，为患者带来更精准、更高效的治疗方案。