Un nomogramma per prevedere la diagnosi di tumori maligni centrali basati su caratteristiche cliniche preoperatorie e indicatori di laboratorio: uno studio retrospettivo (PCNSL，GLIOMA)

Questo studio mirava a sviluppare e convalidare un nuovo modello diagnostico, basato su una grande coorte di dati clinici, per una differenziazione accurata tra PCNSL e glioma e GBM e non GBM.

Il comitato di revisione etica dell'ospedale popolare provinciale del Guangdong ha concesso l'approvazione etica per questo studio (KY-Z-2022-231-01). Questo studio di coorte retrospettivo ha incluso 127 pazienti con sistema nervoso centrale primario di nuova diagnosi diffusi linfoma a cellule B (PCNSL) e 586 pazienti con glioma di nuova diagnosi, trattati presso il Dipartimento di Neurochirurgia, ospedale popolare provinciale del Guangdong, tra il 2016 e il 2024. I pazienti inclusi in questo studio hanno soddisfatto i seguenti criteri: (1) stato di sieonegativo dell'HIV; (2) nessuna storia di immunosoppressione o trapianto di organi; (3) disponibilità di tutti gli indicatori clinici prima del primo intervento chirurgico; (4) Sufficiente disponibilità clinica e dati. Tutti i partecipanti sono stati informati sullo scopo dello studio e hanno fornito il consenso informato firmato prima della partecipazione, in conformità con i principi delineati nella Dichiarazione di Helsinki.

I dati demografici e clinici di base sono stati raccolti prima della diagnosi iniziale e del primo trattamento chirurgico. I dati demografici includevano l'età e il sesso, mentre i dati clinici comprendevano la conta dei globuli bianchi periferici (WBC), il rapporto neutrofilo-linfocita (neudo1), rapporto linfocitario (linf1), conteggio dei neutrofili (neuci), neutto (tempo di linfociti) albumina.

I pazienti sono stati assegnati in modo casuale a coorti di addestramento e validazione in un rapporto 7: 3 per entrambi i modelli diagnostici, che comprendono rispettivamente 713 e 586 pazienti. Non sono state osservate differenze significative nelle caratteristiche demografiche o cliniche tra i set di addestramento e validazione. Per identificare potenziali predittori, è stata eseguita l'analisi di regressione di Lazo sul set di addestramento, eliminando efficacemente diverse variabili indipendenti irrilevanti o multicollinear per ridurre la dimensionalità. Successivamente, è stata impiegata un'analisi di regressione logistica multivariabile per determinare le variabili caratteristiche. Infine, è stato costruito un nomogramma in base al set di addestramento e validato nel set di convalida.

Le prestazioni predittive del modello sono state valutate e validate utilizzando le tecniche di apprendimento automatico e di apprendimento profondo. La discriminazione del modello è stata valutata utilizzando l'analisi della curva caratteristica operativa del ricevitore (ROC). L'analisi della curva decisionale (DCA) è stata impiegata per valutare il beneficio netto del modello e l'utilità clinica.

Le variabili categoriali sono state descritte utilizzando frequenze e percentuali. Sono stati utilizzati test chi-quadrati o test t per confrontare i dati tra le due coorti. È stato applicato un modello di regressione di lazo per mitigare la potenziale multicollinearità. Tutte le variabili con dati completi nella coorte di addestramento sono state incluse nell'analisi di regressione di Lazo utilizzando il pacchetto "GLMNET" nel software R. Il modello ha ottenuto prestazioni ottimali su lambda.min, identificando così le variabili candidate. Successivamente, è stata eseguita un'analisi di regressione proporzionale di Cox multivariabile per identificare i predittori indipendenti associati al risultato binario. Questi fattori sono stati quindi integrati per costruire un modello di previsione nomogramma utilizzando il pacchetto "RMS" nel software R. Sette altri modelli logistici di regressione, albero decisionale, foresta casuale, macchina vettoriale di supporto (SVM), rete neurale, XGBoost e LightGBM non costruite utilizzate utilizzando il pacchetto "Caret" e le curve decisionali sono state generate utilizzando il pacchetto "RMDA". Tutte le analisi statistiche sono state eseguite utilizzando il software R versione 4.4.2 e un valore p <0,05 è stato considerato statisticamente significativo.