Detection and Clinical Significance of Thrombus Molecular Markers in Diffuse Large B-cell Lymphoma
-
摘要:目的
探讨血栓分子标志物在弥漫大B细胞淋巴瘤(DLBCL)中的检测及临床意义。
方法收集DLBCL患者60例血标本,其中初治组23例、缓解组24例、未缓解组13例;淋巴瘤并发血栓组23例,未并发血栓组37例。选取同期健康体检者46例作为对照组。化学免疫分析法检测各组血浆中血栓调节蛋白(TM)、纤溶酶-α2纤溶酶抑制剂复合物(PIC)、组织型纤溶酶原激活物-抑制剂-1复合物(t-PAIC)和凝血酶-抗凝血酶Ⅲ复合物(TAT)水平,全自动生化分析仪检测淋巴瘤组血清中乳酸脱氢酶(LDH)水平。比较血栓分子标志物在各组间的差异以及预后因素分析。
结果淋巴瘤患者血浆TM、PIC水平明显高于健康对照组(P < 0.05);初治和未缓解组TM、PIC水平均明显高于缓解组(P < 0.05);淋巴瘤并发血栓组TM、PIC、TAT水平均明显高于未并发血栓组(P < 0.05)。血浆TM、PIC与DLBCL患者预后密切相关,PIC是独立预后因素(P < 0.001)。TM、PIC与LDH预后指标有相关性(P < 0.01)。
结论DLBCL患者血浆TM、PIC水平明显升高,有望作为DLBCL疗效及预后判断指标。
-
关键词:
- 淋巴瘤 /
- 血栓调节蛋白 /
- 凝血酶-抗凝血酶Ⅲ复合物 /
- 组织纤溶酶原激活剂/抑制剂-1复合物 /
- 纤溶酶-α2纤溶酶抑制物复合物
Abstract:ObjectiveTo investigate the detection and clinical significance of thrombus molecular markers in diffuse large B-cell lymphoma (DLBCL).
MethodsWe collected the blood specimens of 60 patients with DLBCL, involving 23 cases in the initial treatment group, 24 cases in the remission group and 13 cases in the non-remission group, 23 cases in the thrombus group and 37 cases in the non-thrombus group. We selected 46 healthy people in the same period as the control group. The levels of thrombomodulin (TM), plasmin-α2 plasmin inhibitor complex (PIC), tissue plasminogen activator-plasminogen activator inhibitor-1 complex (t-PAIC) and thrombin-antithrombin Ⅲ complex (TAT) in plasma were detected by chemical immunoassay, and the levels of lactate dehydrogenase (LDH) in serum was detected by automatic biochemical analyzer. We analyzed the differences of thrombus molecular markers among groups and prognostic factors.
ResultsThe levels of TM and PIC in plasma of lymphoma patients were higher than those in health control group (P < 0.05). The levels of TM and PIC in the initial treatment and non-remission groups were significantly higher than those in the remission group (P < 0.05). The levels of TM, PIC and TAT in thrombus group were higher than those in non-thrombus group (P < 0.05). TM and PIC levels in plasma were closely related to the prognosis of DLBCL patients. PIC was an independent prognostic factor (P < 0.001). TM and PIC levels were correlated with LDH prognostic indicators in lymphoma patients.
ConclusionTM and PIC levels in plasma are significantly increased in DLBCL patients. They are expected to be the indicators for effectiveness and prognosis of DLBCL patients.
-
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 cancer1.3 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 models3 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。
Competing interests: The authors declare that they have no competing interests.作者贡献王玉虹:研究设计和操作、文献查阅、论文撰写与修改江秀娟:研究设计和实验实施、实验操作指导崔杰:指导研究设计、统计分析姜俊峰:数据资料收集、保管段赟:收集标本、数据汇总 -
表 1 淋巴瘤组与健康对照组血栓分子标志物比较
Table 1 Comparison of thrombus molecular markers between lymphoma group and health control group
表 2 初治组与缓解组血栓分子标志物比较
Table 2 Comparison of thrombus molecular markers between initial treatment and remission groups
表 3 初治组与未缓解组血栓分子标志物比较
Table 3 Comparison of thrombus molecular markers between initial treatment and non-remission groups
表 4 缓解组与未缓解组血栓分子标志物比较
Table 4 Comparison of thrombus molecular markers between remission and non-remission groups
表 5 淋巴瘤并发血栓组与未并发血栓组血栓分子标志物比较
Table 5 Comparison of thrombus molecular markers between thrombus and non-thrombus groups
表 6 单因素和多因素Cox回归分析淋巴瘤患者的预后因素
Table 6 Univariate and multivariate Cox regression analyses of prognostic factors for lymphoma patients
表 7 血浆TM、PIC、TAT和t-PAIC与各组LDH的相关性
Table 7 Correlation of TM, PIC, TAT and t-PAIC levels with LDH in different groups of lymphoma patients
表 8 生存组与死亡组血栓分子标志物比较
Table 8 Comparison of thrombus molecular markers between survival and death groups
-
[1] 林晓燕. 凝血纤溶指标在淋巴瘤的临床应用研究[D]. 厦门大学, 2016. Lin XY. Clinical application of coagulation and fibrinolysis indexes in lymphoma[D]. Xiamen University, 2016.
[2] 陈冲, 吴雪. 凝血和纤溶标志物在恶性肿瘤治疗中的应用研究进展[J]. 山东医药, 2019, 59(20): 100-103. doi: 10.3969/j.issn.1002-266X.2019.20.029 Chen C, Wu X. Application research progress of coagula-tion and fibrinolysis markers in the treatment of malignant tumors[J]. Shandong Yi Yao, 2019, 59(20): 100-103. doi: 10.3969/j.issn.1002-266X.2019.20.029
[3] 李小秋, 李甘地, 高子芬, 等. 中国淋巴瘤亚型分布: 国内多中心性病例10002例分析[J]. 诊断学理论与实践, 2012, 11(2): 111-115. https://www.cnki.com.cn/Article/CJFDTOTAL-ZDLS201202007.htm Li XQ, Li GD, Gao ZF, et al. Distribution pattern of lymphoma subtypes in china: A nationwide multicenter study of 10002 cases[J]. Zhen Duan Xue Li Lun Yu Shi Jian, 2012, 11(2): 111-115. https://www.cnki.com.cn/Article/CJFDTOTAL-ZDLS201202007.htm
[4] Saito M, Wages NA, Schiff D. Incidence, risk factors and management of venous thromboembolism in patients with primary CNS lymphoma[J]. J Neurooncol, 2021, 154(1): 41-47. doi: 10.1007/s11060-021-03791-x
[5] 兰映霞, 张翼鷟. 淋巴瘤患者静脉血栓栓塞症的研究进展[J]. 肿瘤防治研究, 2020, 47(11): 885-888. doi: 10.3971/j.issn.1000-8578.2020.19.1461 Lan YX, Zhang YZ. Progress of Venous Thromboembolism in Lymphoma Patients[J]. Zhong Liu Fang Zhi Yan Jiu, 2020, 47(11): 885-888. doi: 10.3971/j.issn.1000-8578.2020.19.1461
[6] 刘鹏飞, 李亚妮, 李兰芳, 等. 淋巴瘤相关血栓的临床分析[J]. 中国肿瘤临床, 2013, 40(10): 596-599. doi: 10.3969/j.issn.1000-8179.2013.10.011 Liu PF, Li YN, Li LF, et al. Clinical features of lymphoma-related thrombosis[J]. Zhongguo Zhong Liu Lin Chuang, 2013, 40(10): 596-599. doi: 10.3969/j.issn.1000-8179.2013.10.011
[7] Nielsen VG, Matika RW, Ley ML, et al. Tissue-type plasminog-enactivator-induc -ed fibrinolysis is enhanced in patients with breast, lung, pancreas and colon cancer[J]. Blood Coagul Fibrinolysis, 2014, 25(3): 248-253. doi: 10.1097/MBC.0000000000000040
[8] 陈文欣, 李强, 薛赢俊, 等. 恶性肿瘤患者凝血-纤溶系统标志物检测及其临床意义[J]. 检验医学, 2018, 33(8): 722-726. doi: 10.3969/j.issn.1673-8640.2018.08.012 Chen WX, Li Q, Xue YJ, et al. Determination of coagulation-fibrinolytic system markers in patients with malignant tumor and its role[J]. Jian Yan Yi Xue, 2018, 33(8): 722-726. doi: 10.3969/j.issn.1673-8640.2018.08.012
[9] Akita N, Ma N, Okamoto T, et al. Host protein C inhibitor inhibits tumor growth, but promotes tumor metastasis, which is closely correlated with hypercoagulability[J]. Thromb Res, 2015, 135(6): 1203-1208. doi: 10.1016/j.thromres.2015.03.026
[10] Wu CT, Chang YH, Lin PY, et al. Thrombomodulin expression regulates tumorigenesis in bladder cancer[J]. BMC Cancer, 2014, 14: 375. doi: 10.1186/1471-2407-14-375
[11] 张蕾, 谭榜云, 李燕平. 血浆凝血和纤溶标志物在肿瘤治疗与预后中的研究进展[J]. 临床检验杂志, 2017, 35(12): 949-951. https://www.cnki.com.cn/Article/CJFDTOTAL-LCJY201712022.htm Zhang L, Tan BY, Li YP. Research progress of plasma coagulation and fibrinolysis markers in the treatment and prognosis of tumors[J]. Lin Chuang Jian Yan Za Zhi, 2017, 35(12): 949-951. https://www.cnki.com.cn/Article/CJFDTOTAL-LCJY201712022.htm
[12] 邹丽芳, 朱琦, 程毅敏, 等. 血液系统恶性肿瘤患者止凝血功能的研究[J]. 血栓与止血学, 2013, 19(6): 257-260, 263. https://www.cnki.com.cn/Article/CJFDTOTAL-XSZX201306006.htm Zou LF, Zhu Q, Cheng YM, et al. The study of heamostatic function in patients with hematological malignancy[J]. Xue Shuan Yu Zhi Xue Xue, 2013, 19(6): 257-260, 263. https://www.cnki.com.cn/Article/CJFDTOTAL-XSZX201306006.htm
[13] 段雪辉, 吴伟东, 谭燕萌, 等. 血浆TAFI和TAT水平与胃癌的关系[J]. 肿瘤, 2016, 36(2): 215-219. https://www.cnki.com.cn/Article/CJFDTOTAL-ZZLL201602013.htm Duan XH, Wu WD, Tan YM, et al. Correlation of TAFI and TAT levels in plasma with gastric cancer[J]. Zhong Liu, 2016, 36(2): 215-219. https://www.cnki.com.cn/Article/CJFDTOTAL-ZZLL201602013.htm
[14] Yu X, Tian Y, Wang K, et al. Effect of ulinastatin combined rivaroxaban on deep vein thrombosis in major orthopedic surgery[J]. Asian Pac J Trop Med, 2014, 7(11): 918-921. doi: 10.1016/S1995-7645(14)60162-0
[15] 宋佳琳, 魏小磊, 张元坤, 等. IPI、NCCN-IPI及年龄调整的IPI评分系统在弥漫大B细胞淋巴瘤患者中的预后价值比较[J]. 中华血液学杂志, 2018, 39(9): 739-744. Song JL, Wei XL, Zhang YK, et al. The prognostic value of the international prognostic index, the national comprehensive cancer network IPI and the age adjusted IPI in diffuse large B cell lymphoma[J]. Zhonghua Xue Ye Xue Za Zhi, 2018, 39(9): 739-744.
[16] Crombie JL, Armand P. Diffuse large B-cell lymphoma's new genomics: the bridge and the chasm[J]. J Clin Oncol, 2020, 38(30): 3565-3574. doi: 10.1200/JCO.20.01501
-
期刊类型引用(5)
1. 张志鹏,陈清江,张旭东. 血清VEGF、PLGF在新诊断非霍奇金淋巴瘤并发血栓栓塞症患者中的水平及临床意义. 检验医学与临床. 2024(17): 2465-2469+2475 . 百度学术
2. 姚丽,李娜,孙瑾. 凝血六项、血小板计数联合血栓四项在恶性肿瘤预后评估中的应用. 中外医学研究. 2024(34): 68-73 . 百度学术
3. 刘晓英,罗文丰,刘洋,曾孟兰,翟红,谢坤莹,魏锦. 初诊弥漫大B细胞淋巴瘤患者血清CEA、IL-17、PIC水平变化及意义. 山东医药. 2023(07): 12-15 . 百度学术
4. 于洪远,景淑贤,景倩. 血栓分子标志物与急性缺血性脑卒中病情严重程度及溶栓预后的相关性. 现代生物医学进展. 2023(08): 1506-1510 . 百度学术
5. 张红祥,张喜梅,李伟. 血清CRP与骨髓形态检测在弥漫大B淋巴瘤患者中的临床意义. 分子诊断与治疗杂志. 2022(05): 740-743 . 百度学术
其他类型引用(1)