Estudio objetivo sobre el diagnóstico de la gastritis atrófica crónica en la lengua

1.1 Diseño de la investigación Tipo de estudio: Estudio transversal prospectivo y estudio de modelo de predicción clínica.

Hipótesis de investigación: Tomando PLGC como objeto de observación, se recopilaron objetivamente y estandarizaron la imagen de la lengua y la flora del revestimiento de la lengua de los pacientes con PLGC, y se estableció la base de datos de investigación de imágenes de la lengua de PLGC. Con base en las características de la imagen de la lengua y la flora del recubrimiento de la lengua, se construyó el modelo de predicción clínica de PLGC, para realizar la predicción dinámica en tiempo real del riesgo de PLGC en pacientes con CAG a través de imágenes de la lengua, reducir la detección endoscópica no válida y reducir la costo de la evaluación repetida.

Métodos de búsqueda :

(1) Encuesta de datos clínicos: el cuestionario se utilizó para recopilar información del paciente. Los datos de referencia incluyeron información personal básica, estilo de vida, antecedentes de infección por HP (anteriormente HP positivo y actual HP positivo), antecedentes de enfermedades del tracto digestivo y antecedentes familiares de cáncer. Los registros médicos también incluyen antecedentes médicos actuales, antecedentes médicos pasados, antecedentes de vida personal, síntomas adversos gastrointestinales, etc.; (2) Tinción con yodo en endoscopia electrónica: Se utilizó endoscopia electrónica Olympus para la tinción con yodo. Si se encontraba alguna lesión positiva o sospechosa en la mucosa gástrica, se mordía la zona correspondiente y se enviaba a examen patológico. Si no se encontró ninguna anomalía mediante endoscopia, no se tomó biopsia. Se registraron manifestaciones gastroscópicas (erosión, úlcera, edema, congestión, eritema, reflujo biliar, infección por HP).

(3) Examen patológico: después de procesar las muestras de biopsia, se realizó la tinción patológica HE y se observó y realizó el diagnóstico patológico. Se registraron las lesiones histopatológicas (inflamación crónica, inflamación activa, metaplasia intestinal, atrofia, grado y rango de displasia).

(4) Recopilación de información de imágenes de la lengua: 1 Equipo de adquisición estandarizado: La imagen de la lengua fue recopilada y analizada automáticamente por el sistema de adquisición de información de diagnóstico de la superficie de la lengua (DS01-B, Shanghai Daosheng Medical Technology Co., Ltd., Shanghai Machinery injection 20202200062). y la información de la imagen fue digitalizada y almacenada. Método 2 de extensión de la lengua: antes de disparar, se entrenó a los sujetos para que extendieran la lengua. Los sujetos se sentaron al final y la boca se abrió tanto como fuera posible cuando se extendió la lengua. El cuerpo de la lengua estaba relajado, la superficie de la lengua estaba aplanada y la punta de la lengua estaba naturalmente caída. No es apropiado extender la lengua con demasiada fuerza y ​​el tiempo de extensión de la lengua debe minimizarse para evitar que la fatiga del cuerpo de la lengua afecte la estabilidad de la lengua. 3 Nota: Evite la influencia de la dieta y las drogas.

(5) Recolección de flora de la capa de la lengua: los pacientes hacen gárgaras con agua de 3 a 5 veces antes del inicio de la toma de muestras para enjuagar la posible contaminación de residuos de alimentos en la boca. Luego, se raspó una cantidad adecuada de muestras de recubrimiento de la lengua sobre la superficie del recubrimiento de la lengua con un hisopo estéril, se raspó hacia adelante y hacia atrás 20 veces, se colocó en un tubo estéril que contenía la solución de conservación y se congeló en un refrigerador a -80°. C tan pronto como sea posible. Para analizar la flora se utilizó el método de análisis de ADNr 16s.

1.2 Sujetos (incluidos los criterios de inclusión y exclusión) Se realizó un estudio transversal en el Primer Hospital de la Universidad de Pekín. Se seleccionaron como sujetos de estudio pacientes CAG que se sometieron a una endoscopia gastrointestinal superior y fueron diagnosticados patológicamente como PLGC. Según la coincidencia de sexo y edad, el grupo de control fue confirmado mediante gastroscopia como pacientes CAG sin PLGC. Todos los participantes fueron informados de los objetivos, procedimientos, riesgos potenciales y beneficios del estudio y luego firmaron un formulario de consentimiento.

Criterios de diagnóstico: La gastroscopia y los criterios de diagnóstico patológico para la gastritis crónica se establecieron de acuerdo con el 'Consenso chino sobre gastritis crónica (2017, Shanghai)' y el 'Consenso sobre el diagnóstico y tratamiento integrados de la medicina tradicional china y occidental de la gastritis atrófica crónica (2017)'.

Criterios de inclusión :

(1) La endoscopia gastrointestinal superior se realizó dentro de los 3 meses; (2) Pacientes con gastritis atrófica crónica diagnosticada mediante gastroscopia y examen patológico; (3) Edad entre 40 y 70 años, género ilimitado; (4) aceptaron recopilar imágenes de la lengua y aceptar el seguimiento; (5) Voluntario para participar en este estudio y consentimiento informado firmado.

Criterio de exclusión :

(1) aquellos que no pueden cooperar con la recopilación de datos y de imágenes de la lengua estandarizadas; (2) pacientes con raspado de lengua, tinción de lengua o extensión anormal de la lengua; (3) Sospecha de tendencia a malignidad gástrica o tumor gástrico y antecedentes de cirugía gástrica; (4) Tiene hepatitis, sífilis, VIH, esquistosomiasis y otras enfermedades infecciosas conocidas; (5) pacientes con enfermedades graves del corazón, hígado, riñón, sangre y tumores malignos; (6) Combinado con infección aguda del tracto respiratorio, úlcera péptica activa y otras enfermedades agudas; (7) Pacientes que usaron antibióticos, inhibidores de ácido y reguladores microecológicos dentro de 1 mes; (8) uso prolongado de agentes inmunosupresores, hormonas y otras drogas; (9) mujeres embarazadas o lactantes. 1.3 Indicadores de observación y plan de seguimiento

1.Indicadores de observación 1.1 Correlación entre las características de la imagen de la lengua y el PLGC Análisis del color de la lengua (lengua pálida, lengua rosada, lengua carmesí, lengua lavanda, lengua con equimosis) y la forma de la lengua (lengua con dientes impresos, lengua con pinchazos, lengua con equimosis, lengua fisurada, lengua gruesa y delgada) en pacientes con PLGC y correlación con PLGC; 2.

2 Análisis de las características del revestimiento de la lengua: Se analizó la correlación entre la calidad del revestimiento de la lengua (recubrimiento grueso y fino, revestimiento grasoso, revestimiento podrido, revestimiento descascarado) y el color del revestimiento (blanco y amarillo) y PLGC en pacientes con PLGC.

Análisis de colaterales sublinguales: De acuerdo con los criterios de diagnóstico de clasificación de las colaterales sublinguales, las colaterales sublinguales se describieron según la longitud, ancho (grosor), tortuosidad y color de las colaterales sublinguales, y se analizó la correlación con los cambios patológicos de PLGC.

Análisis del color de la lengua y de los parámetros de color del recubrimiento de la lengua: se utilizaron los tipos de espacio de color RGB, HIS y Lab para analizar los índices de espacio de color RGB, Lab y HSV de toda la lengua y la parte media (correspondiente a la partición del bazo y el estómago) de PLGC. pacientes. Entre ellos, R representa el valor rojo, G representa el valor verde, B representa el valor azul, H representa el tono, S representa la saturación del color, I representa el brillo, L representa el brillo, a representa el eje rojo-verde, b representa el eje amarillo-azul.

1.2 Correlación entre la flora del revestimiento de la lengua y PLGC

1. Análisis de diversidad α: La diversidad de la comunidad microbiana entre diferentes grupos se comparó mediante un análisis de diversidad α.
2. Análisis de diversidad β: mediante el análisis β, se exploraron las diferencias en la estructura comunitaria entre diferentes grupos y se exploró la flora clave.
3. Análisis de composición de especies: las diferencias en la composición de la flora entre grupos se compararon a nivel de filo y género para encontrar la flora característica.

Mediante análisis de contribución funcional y de especies, análisis de regresión y análisis de correspondencia, se predijo la función de la composición microbiana para encontrar la función de la flora característica.

1.3 Construcción del modelo de predicción de riesgo de PLGC basado en características de la imagen de la lengua Se realizó un análisis de regresión logística condicional univariado en los factores con significación estadística mediante la prueba t y la prueba χ2. Se utilizó PLGC como variable de resultado para calcular el odds ratio (OR) y el intervalo de confianza del 95 % de cada factor. Con αin = 0,05, αout = 0,1, las variables anteriores se introdujeron en el análisis multivariado logístico para descartar los factores de riesgo relacionados con PLGC y se estableció un modelo de predicción de riesgo. La curva característica operativa del receptor (ROC) se utilizó para representar la capacidad del modelo de predicción para distinguir. La bondad del ajuste y la precisión de la predicción del modelo se evaluaron mediante la bondad del ajuste de Hosmer-Lemeshow, el pseudo R cuadrado y el área bajo la curva (AUC).

2.Plan de seguimiento Seguimiento: los pacientes diagnosticados con gastritis atrófica grave, metaplasia intestinal grave o neoplasia intraepitelial de bajo grado deben ser objeto de seguimiento al menos una vez al año; Los pacientes con neoplasia intraepitelial de alto grado que rechazaron el tratamiento deben ser objeto de seguimiento cada seis meses. La gravedad de CAG se juzgó mediante el sistema OLGA (atrofia) o el sistema OLGIM (metaplasia intestinal). El seguimiento se realizó mediante tinción endoscópica con yodo, biopsia indicativa y diagnóstico patológico. La tasa de seguimiento fue > 70 %.

1.4 Base para determinar el tamaño de la muestra De acuerdo con los requisitos de la consulta de expertos, la revisión de la literatura y el modelado de aprendizaje profundo, el tamaño de la muestra se calculó utilizando el método empírico en el que el tamaño de la muestra era más de 10 veces el número de variables independientes (20 variables independientes). ). Además, la encuesta previa anterior encontró que se esperaba que la incidencia de PLGC en pacientes CAG en el departamento de este estudio fuera del 50 %. Considerando la tasa de eliminación del 10 %, el tamaño mínimo de muestra de CAG en este estudio fue de 500 casos. Se espera que este estudio incluya 500 pacientes CAG. En el modelo de regresión logística, la proporción numérica del grupo de entrenamiento y el grupo de prueba es 7: 3, y el tamaño de la muestra del grupo de entrenamiento se establece en 350 casos, por lo que el tamaño de la muestra del grupo de prueba no debe ser inferior a 150. casos.

1.5 Método de análisis estadístico Se utilizó el software SPSS 25.0 para analizar los datos de este estudio. Los datos de medición que se ajustaban a la distribución normal se expresaron como media ± desviación estándar ( x ± s ) y se utilizó la prueba t para la comparación entre grupos. Los datos de medición que no se ajustaban a la distribución normal se expresaron como M (P25, P75) y se utilizó la prueba no paramétrica para comparar entre los dos grupos. Los datos de enumeración se expresaron como (%) y se utilizó la prueba de chi-cuadrado (χ2) para la comparación entre grupos. P <0,05 indicó que la diferencia era estadísticamente significativa. Los métodos utilizados en la construcción del modelo incluyen regresión lineal, regresión logística (nomograma), regresión de Cox (nomograma) y regresión de Lasso (variables de detección). Evaluación del modelo de predicción: 1 Discriminación: La curva ROC se dibujó utilizando el modelo de regresión logística ajustado para obtener el valor AUC de la curva ROC y evaluar la discriminación. 2 Calibración: La calibración se evaluó mediante la prueba de bondad de ajuste de Hosmer-Lemeshow. Si P <0,05, se consideró que el modelo estaba mal ajustado. Si P > 0,05, se sugiere que el modelo encaja bien en la validación del nuevo conjunto de datos.3 Eficacia clínica: La eficacia clínica del modelo se evaluó mediante análisis de curva de decisión (DCA).

1.6 Adquisición y gestión de datos La entrada y gestión de datos es responsabilidad del administrador de datos. El administrador de datos compila la base de datos y utiliza el software Epidata para la entrada y gestión de datos. Dos administradores de datos realizan de forma independiente la doble entrada y la revisión. Una vez determinada la base de datos establecida, los investigadores principales, analistas estadísticos y administradores de datos bloquean la base de datos y, finalmente, se determina la base de datos de análisis.