An Interpretation of Screening for Thyroid Cancer: US Preventive Services Task Force Recommendation Statement in 2017
-
摘要:
近10年来，甲状腺癌的发病率增长较快，高于其他肿瘤，但死亡率却没有相应改变。甲状腺结节已成为常见的临床问题，甲状腺结节的过度诊断和过度治疗也随之增加。2017年美国预防服务工作组（US Preventive Services Task Force, USPSTF）发布了甲状腺癌筛查推荐声明更新。声明指出：反对在无症状人群中进行甲状腺癌筛查。本文对2017年USPSTF甲状腺癌筛查推荐声明的更新部分给予解读。
Abstract:In the past decade, the incidence of thyroid cancer has increased faster than other cancers, but without a corresponding change in the mortality rate. Now thyroid nodules have become a common clinical problem, therefore overdiagnosis and overtreatment have increased accordingly. In 2017, US Preventive Services Task Force(USPSTF) updated the recommendation on the screening for thyroid cancer. The USPSTF recommends against screening for thyroid cancer in asymptomatic adults. The updates of the USPSTF recommendation statement are interpreted in this article.
-
Key words:
- Thyroid nodules /
- Thyroid neoplasm /
- Guidebooks
-
0 引言
晚期肺癌患者5年生存率仅5%，但若能在早期诊断并治疗，5年存活率可达57%[1-2]。因此，结合肺癌危险因素及其临床特征建立肺癌危险度预测模型对早期诊断及治疗肺癌，提高患者5年生存率具有重要意义。近年来，数据挖掘技术已经在生物医学预测模型中得到广泛应用。人工神经网络（artificial neural network, ANN）具有良好的鲁棒性、高容错性和较强的归纳能力，而C5.0算法作为决策树模型的常用算法之一，适用于分类变量和大数据集[3]。因此，该研究拟将肺癌常见危险因素与临床症状相结合，采用C5.0决策树与ANN构建肺癌危险度预测模型，并评价两模型的性能优劣，为肺癌早期筛查及临床辅助诊断提供依据和工具。
1 资料与方法
1.1 研究对象
收集2014年10月至2016年10月郑州大学第一附属医院的住院患者样本420例，其中包括肺癌患者180例，肺良性疾病患者240例。入组患者均知情同意并自愿参加。
入选标准：肺癌组：以《中华医学会肺癌临床诊疗指南（2019版）》为标准[4]，经病理学或细胞学被证实为原发性肺癌患者；肺良性疾病组：由郑州大学第一附属医院诊断为肺部良性病变患者。排除标准：（1）入组前曾接受放化疗、药物治疗或手术治疗者；（2）主要脏器功能衰竭患者；（3）合并肺或其他恶性肿瘤患者；（4）妊娠或哺乳期患者；（5）不同意入组者。
1.2 观察指标
调查人员经过统一培训后，通过问卷访谈形式对患者进行调查询问获得数据资料，包括流行病学资料（疾病诊断、年龄、吸烟史、饮酒史、粉尘接触史、输血史、肺癌家族史、炎性反应史）和临床症状（咳嗽、咳痰、痰中带血、咯血、胸闷、胸痛、心慌、乏力、畏寒、发热出汗）。其中年龄根据《中华医学会肺癌临床诊疗指南（2019版）》以45岁为界限进行分组。总数据集包括18个定性变量（17个预测变量和1个因变量），因变量为诊断结果，各变量赋值见表 1。
表 1 肺癌危险度评价研究的变量赋值说明Table 1 Instructions of variables assignment in risk assessment studies of lung cancer
1.3 统计学方法
应用SPSS21.0对420例样本数据进行统计分析，对所有变量进行描述性统计分析，采用χ2检验进行差异分析，检验水准α=0.05。
使用SPSS Clementine 12.0软件建立两种数据挖掘预测模型，使用MedCalc15.10软件绘制受试者工作特征（receiver operating characteristic curve, ROC）曲线。将两组样本均按照7:3随机分为两部分，其中训练数据集包含302例样本，测试数据集包含118例样本。C5.0决策树模型和ANN模型的比较采用敏感度、特异性、准确度、阳性预测值（positive predictive values, PPV）、阴性预测值（positive and negative predictive values, NPV）、约登指数和ROC曲线下面积（area under ROC curve, AUC）进行评估。
2 结果
2.1 基本情况
420例患者中，肺癌患者180例（42.9%），肺良性疾病患者240例（57.1%）。肺良性疾病患者中小于45岁者（63.8%）明显多于肺癌组（36.2%），差异有统计学意义（P=0.004）。肺癌患者中吸烟、饮酒者（57.1%、55.7%）均多于肺良性疾病患者（42.9%、44.3%）。肺癌组有粉尘接触史或肺癌家族史者分别仅2例。肺良性疾病组中有6例有输血史，而肺癌组中没有。10个临床症状变量中，肺癌组中痰中带血（64.0%）及胸痛（55.3%）的比例高于肺良性疾病患者（36.0%、44.7%）。两组样本的基线特征分析结果见表 2。
表 2 肺癌组和肺良性疾病组的样本基线特征及卡方检验(n(%))Table 2 Baseline characteristics and chi-square test of lung cancer and lung benign disease groups (n(%))
2.2 输入变量的选择
两组间年龄（P=0.004）、吸烟史（P < 0.001）、饮酒史（P=0.028）、输血史（P=0.033）、炎症史（P < 0.001）、痰中带血（P=0.001）、胸痛（P=0.006）、乏力（P=0.049）和发热出汗（P < 0.001）9个因素差异有统计学意义，见表 2。此外由于既往研究提示粉尘接触史、癌症家族史、咳痰、咳嗽和咯血为肺癌的影响因素[4-5]，该研究入选这14个因素作为输入变量建立风险预测模型。
2.3 危险度预测模型的构建与比较
2.3.1 两种风险预测模型的建立
经过训练，C5.0决策树风险预测模型的参数设置如下：Use partitioned data: no, Output type: Decision Tree, Group symbolic: no, Use boosting: yes, Cross-validate: no, Mode: expert, Pruning severity: 75, Minimum records per child brunch: 2, Use global pruning: yes, Window attributes: no, Use misclassification costs: no。ANN风险预测模型的参数设置如下：Use partitioned data: yes, Method: prune, Prevent overtraining sample: 50%, Set random seed: 321, Stop on: time (mins) 1 min, Optimize: memory, Continue training existing model: no; Use binary set encoding: yes, Show feedback graph: yes, Model selection: Use best network, Mode: expert。
2.3.2 两种危险度预测模型的性能比较
两种模型训练集和测试集样本的分类结果见表 3。在训练集与测试集样本中C5.0模型的准确率分别为68.54%和61.0%，ANN模型的准确率分别为69.5%和65.3%。可以看出ANN模型在训练集和预测集中准确度均高于C5.0模型。根据两个数据挖掘模型的ROC曲线中各危险因素对应的AUC评估各自变量对模型的影响大小，重要性前10位影响因素排序见表 4。由表可知，对模型影响最大的三个影响因素在ANN模型中分别是吸烟史、痰中带血与胸痛；而在C5.0模型中分别是吸烟史、胸痛与年龄。在ANN模型和C5.0模型中吸烟均为最主要的影响因素。
表 3 C5.0决策树和ANN模型的训练集和测试集样本分类结果Table 3 Classification results of training set and testing set samples by Decision tree C5.0 and ANN models
表 4 C5.0决策树模型和ANN模型中纳入变量的重要性排序Table 4 Importance ranking of variables in Decision tree C5.0 model and ANN model
两种数据挖掘模型对肺癌综合预测性能的相关指标包括准确度、约登指数、敏感度、特异性、预测值和AUC。其中C5.0决策树模型的特异性和NPV高于ANN模型，ANN模型预测模型的准确度、约登指数、敏感度、PPV和AUC均高于C5.0决策树模型，见表 5。测试集中两种数据挖掘模型的ROC曲线可发现ANN模型预测性能优于C5.0决策树模型，见图 1。
表 5 两种数据挖掘模型的测试集结果比较Table 5 Comparison of testing set results between two data mining models
3 讨论
当前，肺癌的高发病率和高病死率已经造成巨大的公共卫生负担，利用肺癌的危险因素来预测肺癌危险度，对于肺癌的预防和早期筛查具有重要意义。本研究分别建立了C5.0决策树与ANN肺癌风险预测模型，比较发现，ANN模型预测性能优于C5.0决策树模型。
本研究按照0.05的显著性水平，单因素检验发现有9个变量与肺癌患病率呈相关关系：5个流行病学变量中年龄、吸烟史、饮酒史、炎性反应史与肺癌患病率呈正相关，输血史与肺癌患病率呈负相关；4个临床症状中痰中带血、胸痛与肺癌患病率正相关，乏力和发热出汗与肺癌患病率存在负相关关系。同时，本研究的两种数据挖掘模型中吸烟均为关键影响变量。既往研究表明肺癌常见于70岁以上人群且发病率和死亡率随年龄增加而升高，同时吸烟、饮酒以及慢性炎性反应均为肺癌的危险因素之一[5]，而围手术期输血对肺癌预后和复发的影响当前研究仍不一致[6]，这与本研究结果基本相符。有研究显示，遗传因素与职业性粉尘接触也是肺癌的危险因素之一[7]，这与本研究结果不符。
决策树模型是一种由层次分类逐步构建的贪心算法，作为一种新兴的数据挖掘技术，它可以经过多次迭代演算后得到最优化的算法模型，具有较高的数据分析能力。相关研究已经将C5.0决策树模型用于利用基因表达数据和职业危险因素预测肺癌风险的模型建立[8-10]。C5.0算法作为决策树模型的常用算法之一，适用于分类变量和大数据集，已经在生物医学预测模型的建立中得到广泛应用。另外一些研究将C5.0决策树模型与其他多种研究进行比较，建立疾病风险预测模型，均得到C5.0决策树模型的预测性能最优的结果[11-12]。
ANN模型的数学结构模拟人类大脑的生物神经元学习动态，对输入变量经过训练产生一个加权组合的输出结果。ANN相比于一般统计学方法优势显著，具有良好的鲁棒性、高容错性和较强的归纳能力，可以快速识别线性模型、受阈值影响的非线性模型、分类模型、逐步线性模型，甚至偶然影响，故其可以确定潜在的预后影响因素[13]。已有研究将ANN应用于肺癌风险评估相关模型的构建[3, 14]。该研究结果同样显示ANN模型在准确度、敏感度、约登指数、阳性预测值、ROC曲线下面积均优于决策树模型[15-16]，这与相关研究结果一致。因此，本研究建议利用ANN模型结合人群的流行病学资料和临床症状判别肺癌高危人群，为肺癌的早期诊断早期治疗提供参考依据[17]。
本研究仍然存在一定的局限性：一方面，纳入的样本量较少，如果能收集更大样本量和多中心样本资料，样本数据将具有更好的代表性，模型将具有更优异的性能；另一方面，纳入的变量种类有限，而与肺癌相关的危险因素众多且对肺癌存在交互作用，如果能纳入环境因素、职业因素、遗传因素、行为生活方式等多种研究变量，模型将更为准确可靠。因此，我们建议未来的研究应涵盖更大的样本量，纳入更为丰富的研究变量进行综合分析，同时将ANN模型应用于肺癌高危人群中筛查验证。
-
表 2 主要医疗机构关于无症状人群甲状腺癌筛查的意见
Table 2 Recommendation on screening for thyroid cancer in asymptomatic persons from major medical institutions
下载: 导出CSV
-
[1] US Preventive Services Task Force, Bibbins-Domingo K, Grossman DC, et al. Screening for Thyroid Cancer: US Preventive Services Task Force Recommendation Statement[J]. JAMA, 2017, 317(18): 1882-7. doi: 10.1001/jama.2017.4011
[2] 中华医学会内分泌学分会, 中华医学会外科学分会内分泌学组, 中国抗癌协会头颈肿瘤专业委员会, 等.甲状腺结节和分化型甲状腺癌诊治指南[J].中华核医学与分子影像杂志, 2013, 33(2): 96-115. doi: 10.3760/cma.j.issn.2095-2848.2013.02.003 Endocrinology branch of Chinese Medical Association, Endocrine Group of Surgery Branch of Chinese Medical Association, Committee for Head and Neck Oncology of Chinese Anti Cancer Association, et al. Guidelines for the diagnosis and treatment of thyroid nodules and differentiated thyroid carcinoma[J]. Zhonghua He Yi Xue Yu Fen Zi Ying Xiang Za Zhi, 2013, 33(2): 96-115. doi: 10.3760/cma.j.issn.2095-2848.2013.02.003
[3] 史晓光, 杨雯晴, 滕卫平.甲状腺癌的"过度诊断"和"过度治疗"[J].中华内分泌代谢杂志, 2016, 32(6): 443-7. doi: 10.3760/cma.j.issn.1000-6699.2016.06.002 Shi XG, Yang WQ, Teng WP. "Overdiagnosis" and "overtreatment" in thyroid cancer[J]. Zhonghua Nei Fen Mi Dai Xie Za Zhi, 2016, 32(6): 443-7. doi: 10.3760/cma.j.issn.1000-6699.2016.06.002
[4] 伍波, 樊友本.我国甲状腺癌治疗现状:不足、不规范和过度并存[J].浙江医学, 2017, 56(1): 857-9. http://d.old.wanfangdata.com.cn/Periodical/zhnk201701004 Wu B, Fan YB. Comments on management of thyroid carcinoma in China: over-treatment, inadequate and irregular treatment[J]. Zhejiang Yi Xue, 2017, 56(1): 857-9. http://d.old.wanfangdata.com.cn/Periodical/zhnk201701004
[5] 庹吉妤, 张敏, 常江, 等. 2012年湖北省肿瘤登记地区恶性肿瘤发病与死亡情况分析[J].肿瘤防治研究, 2016, 43(11): 974-9. doi: 10.3971/j.issn.1000-8578.2016.11.011 Tuo JY, Zhang M, Chang J, et al. Cancer Incidence and Mortality in Cancer Registries in Hubei Province, 2012[J]. Zhong Liu Fang Zhi Yan Jiu, 2016, 43(11): 974-9. doi: 10.3971/j.issn.1000-8578.2016.11.011
[6] Howlader N, Noone A, Krapcho M, et al. SEER Cancer Statistics Review, 1975-2013, National Cancer Institute. Bethesda, MD[EB/OL]. (2016-09-12)[2017-08-01]. https://seer.cancer.gov/archive/csr/1975_2013/.
[7] 刘玉琴, 张书全, 陈万青, 等.中国2003-2007年甲状腺癌发病死亡现状及流行趋势分析[J].中华流行病学杂志, 2012, 33(10): 1044-8. doi: 10.3760/cma.j.issn.0254-6450.2012.10.011 Liu YQ, Zhang SQ, Chen WQ, et al. Trend of incidence and mortality on thyroid cancer in China during 2003-2007[J]. Zhonghua Liu Xing Bing Xue Za Zhi, 2012, 33(10): 1044-8. doi: 10.3760/cma.j.issn.0254-6450.2012.10.011
[8] 陈万青, 孙可欣, 郑荣寿, 等. 2014年中国分地区恶性肿瘤发病和死亡分析[J].中国肿瘤, 2018, 27(1): 1-14. http://d.old.wanfangdata.com.cn/Periodical/zgzl201801001 Chen WQ, Sun KX, Zheng RS, et al. Report of Cancer Incidence and Mortality in Different Areas of China, 2014[J]. Zhongguo Zhong Liu, 2018, 27(1): 1-14. http://d.old.wanfangdata.com.cn/Periodical/zgzl201801001
[9] Chen W, Zheng R, Baade PD, et al. Cancer statistics in China, 2015[J]. Ca A Cancer J Clin, 2016, 66(2): 115-32. doi: 10.3322/caac.21338
[10] American Cancer Society.Thyroid cancer risk factors[EB/OL].[2017/8/13]. https://www.cancer.org/cancer/thyroid-cancer/causes-risks-prevention/risk-factors.html.
[11] Lin JS, Bowles EJA, Williams SB, et al. Screening for thyroid cancer: updated evidence report and systematic review for the us preventive services task force[J]. JAMA, 2017, 317(18): 1888-903. doi: 10.1001/jama.2017.0562
[12] Brander A, Viikinkoski P, Nickels J, et al. Thyroid gland: US screening in a random adult population[J]. Radiology, 1991, 181(3): 683-7. doi: 10.1148/radiology.181.3.1947082
[13] Brander A, Viikinkoski P, Nickels J, et al. Thyroid gland: US screening in middle-aged women with no previous thyroid disease[J].Radiology, 1989, 173(2): 507-10. doi: 10.1148/radiology.173.2.2678263
[14] Lin JS, Aiello Bowles EJ, Williams SB, et al. Screening for Thyroid Cancer: A Systematic Review for the US Preventive Services Task Force[M]. Rockville, MD: Agency for Healthcare Research and Quality, 2017: 13-25.
[15] Kim JY, Lee CH, Kim SY, et al. Radiologic and pathologic findings of nonpalpable thyroid carcinomas detected by ultrasonography in a medical screening center[J]. J Ultrasound Med, 2008, 27(2): 215-23. doi: 10.7863/jum.2008.27.2.215
[16] Kim SJ, Moon WK, Cho N. Sonographic criteria for fine-needle aspiration cytology in a Korean female population undergoing thyroid ultrasound screening[J]. Acta Radiol, 2010, 51(5): 475-81. doi: 10.3109/02841851003641834
[17] Davies L, Welch HG. Thyroid cancer survival in the United States: observational data from 1973 to 2005[J]. Arch Otolaryngol Head Neck Surg, 2010, 136(5): 440-4. doi: 10.1001/archoto.2010.55
[18] Ito Y, Miyauchi A, Inoue H, et al. An observational trial for papillary thyroid microcarcinoma in Japanese patients[J]. World J Surg, 2010, 34(1): 28-35. doi: 10.1007/s00268-009-0303-0
[19] Ito Y, Uruno T, Nakano K, et al. An observation trial without surgical treatment in patients with papillary microcarcinoma of the thyroid[J]. Thyroid, 2003, 13(4): 381-7. doi: 10.1089/105072503321669875
[20] Ito Y, Miyauchi A, Kihara M, et al. Patient age is significantly related to the progression of papillary microcarcinoma of the thyroid under observation[J]. Thyroid, 2014, 24(1): 27-34. doi: 10.1089/thy.2013.0367
[21] Oda H, Miyauchi A, Ito Y, et al. Incidences of unfavorable events in the management of low-risk papillary microcarcinoma of the thyroid by active surveillance versus immediate surgery[J].Thyroid, 2016, 26(1): 150-5. doi: 10.1089/thy.2015.0313
[22] 周鑫, 杨小平, 何怡, 等.常州市金坛区2003-2014年甲状腺癌患者生存状况及其影响因素[J].中国慢性病预防与控制, 2017, 25(1): 9-12. http://d.old.wanfangdata.com.cn/Periodical/zgmxbyfykz201701003 Zhou X, Yang XP, He Y, et al. The living condition and influencing factors in patients with thyroid carcinoma during 2003-2014 in Jintan district of Changzhou city[J]. Zhongguo Man Xing Bing Yu Fang Yu Kong Zhi, 2017, 25(1): 9-12. http://d.old.wanfangdata.com.cn/Periodical/zgmxbyfykz201701003
[23] Abu-Yousef MM, Larson JH, Kuehn DM, et al. Safety of ultrasound-guided fine needle aspiration biopsy of neck lesions in patients taking antithromboticanticoagulant medications[J].Ultrasound Q, 2011, 27(3): 157-9. doi: 10.1097/RUQ.0b013e31822b5681
[24] Ito Y, Tomoda C, Uruno T, et al. Needle tract implantation of papillary thyroid carcinoma after fine-needle aspiration biopsy[J].World J Surg, 2005, 29(12): 1544-9. doi: 10.1007/s00268-005-0086-x
[25] Brown AP, Chen J, Hitchcock YJ, et al. The risk of second primary malignancies up to three decades after the treatment of differentiated thyroid cancer[J]. J Clin Endocrinol Metab, 2008, 93(2): 504-15. doi: 10.1210/jc.2007-1154
[26] Iyer NG, Morris LG, Tuttle RM, et al. Rising incidence of second cancers in patients with low-risk (T1N0) thyroid cancer who receive radioactive iodine therapy[J]. Cancer, 2011, 117(19): 4439-46. doi: 10.1002/cncr.26070
[27] Grewal RK, Larson SM, Pentlow CE, et al. Salivary gland side effects commonly develop several weeks after initial radioactive iodine ablation[J]. J Nucl Med, 2009, 50(10): 1605-10. doi: 10.2967/jnumed.108.061382
[28] Hyer S, Kong A, Pratt B, et al. Salivary gland toxicity after radioiodine therapy for thyroid cancer[J]. Clin Oncol (R Coll Radiol), 2007, 19(1): 83-6. doi: 10.1016/j.clon.2006.11.005
[29] Ish-Shalom S, Durleshter L, Segal E, et al. Sialochemical and oxidative analyses in radioactive I131-treated patients with thyroid carcinoma[J]. Eur J Endocrinol, 2008, 158(5): 677-81. doi: 10.1530/EJE-07-0634
[30] Ryu CH, Ryu J, Ryu YM, et al. Administration of Radioactive Iodine Therapy Within 1 Year After Total Thyroidectomy Does Not Affect Vocal Function[J]. J Nucl Med, 2015, 56(10): 1480-6. doi: 10.2967/jnumed.115.161463
[31] Solans R, Bosch JA, Galofré P, et al. Salivary and lacrimal gland dysfunction (sicca syndrome) after radioiodine therapy[J]. J Nucl Med, 2001, 42(5): 738-43. http://d.old.wanfangdata.com.cn/NSTLQK/NSTL_QKJJ02992003/
[32] Jeong SY, Kim HW, Lee SW, et al. Salivary gland function 5 years after radioactive iodine ablation in patients with differentiated thyroid cancer: direct comparison of pre-and postablation scintigraphies and their relation to xerostomia symptoms[J].Thyroid, 2013, 23(5): 609-16. doi: 10.1089/thy.2012.0106
[33] Esserman LJ, Thompson IM, Reid B, et al. Addressing overdiagnosis and overtreatment in cancer: a prescription for change[J]. Lancet Oncol, 2014, 15(6): e234-42. doi: 10.1016/S1470-2045(13)70598-9
[34] Ahn HS, Kim HJ, Welch HG. Korea's thyroid-cancer "epidemic"--screening and overdiagnosis[J]. N Engl J Med, 2014, 371(19): 1765-7. doi: 10.1056/NEJMp1409841
[35] Lee YS, Lim H, Chang HS, et al. Papillary thyroid microcarcinomas are different from latent papillary thyroid carcinomas at autopsy[J]. J Korean Med Sci, 2014, 29(5): 676-9. doi: 10.3346/jkms.2014.29.5.676
-
期刊类型引用(1)
1. 黄普超，原慧洁，张桂芳. 基于数据挖掘技术的肺癌危险度预测模型的构建. 实用预防医学. 2022(11): 1390-1394 . 
百度学术
其他类型引用(2)
计量
- 文章访问数: 1468
- HTML全文浏览量: 340
- PDF下载量: 277
- 被引次数: 3
