만성 위축성 위염의 혀 진단에 관한 객관적인 연구

1.1 연구 설계 연구 유형 : 전향적 단면 연구 및 임상 예측 모델 연구.

연구 가설 : PLGC를 관찰 대상으로 하여 PLGC 환자의 혀 영상과 혀 코팅 상재균을 객관적으로 수집하고 표준화하여 PLGC 혀 영상 연구 데이터베이스를 구축하였다. 혀 영상과 혀 코팅 상재균의 특성을 기반으로 PLGC의 임상 예측 모델을 구축하여 혀 영상을 통해 CAG 환자의 PLGC 위험에 대한 실시간 동적 예측을 실현하고 잘못된 내시경 검사를 줄이고 반복 심사 비용.

연구 방법:

(1) 임상자료 조사 : 환자정보 수집을 위해 설문지를 활용하였다. 기본 데이터에는 개인 기본 정보, 생활 방식, HP 감염 병력(이전 HP 양성 및 현재 HP 양성), 소화기 질환 병력 및 암 가족력이 포함되었습니다. 의료 기록에는 현재 병력, 과거 병력, 개인 생활 병력, 위장관 이상 증상 등도 포함됩니다. (2) 전자내시경 요오드염색 : 요오드염색은 올림푸스 전자내시경을 사용하였다. 위점막에 양성 또는 의심되는 병변이 발견되면 해당 부위를 물려서 병리학적 검사를 받았다. 내시경 검사에서 이상이 발견되지 않으면 조직검사를 실시하지 않습니다. 위내시경 증상(미란, 궤양, 부종, 충혈, 홍반, 담즙 역류, HP 감염)이 기록되었습니다.

(3) 병리학적 검사 : 생검 검체를 처리한 후 병리학적 HE 염색을 실시하여 병리학적 진단을 관찰 및 시행하였다. 조직병리학적 병변(만성 염증, 활동성 염증, 장상화생, 위축, 이형성 정도 및 범위)을 기록했습니다.

(4) 혀 영상 정보 수집 : 1 표준화된 획득 장비 : 혀 표면 진단 정보 획득 시스템(DS01-B, Shanghai Daosheng Medical Technology Co., Ltd., Shanghai Machinery Injection 20202200062)에 의해 혀 영상을 수집하고 자동 분석하고, 이미지 정보는 디지털화되어 저장되었습니다. 2가지 혀 확장 방법: 촬영 전 피험자들에게 혀를 확장하는 훈련을 실시했습니다. 대상자는 맨 끝에 앉았고, 혀를 펼칠 때 입은 최대한 벌렸다. 혀몸이 이완되고, 혀표면이 편평해졌으며, 혀끝이 자연스럽게 처졌습니다. 혀를 너무 세게 펴는 것은 적절하지 않으며, 혀를 펴는 시간을 최소화하여 혀의 안정성에 영향을 미치는 혀체의 피로를 피해야 합니다. 3 주의사항 : 식이요법과 약물의 영향을 피하십시오.

(5) 혀 코팅 균 수집 : 환자는 샘플링 시작 전 3~5회 물로 가글하여 입안에 있을 수 있는 음식물 찌꺼기 오염을 씻어냅니다. 이후, 혀 코팅 시료 적당량을 멸균 면봉으로 혀 코팅 표면에 긁어내고, 앞뒤로 20회 긁어낸 후 보존액이 담긴 멸균 튜브에 넣고 -80°C 냉장고에 냉동보관하였다. C 최대한 빨리. 식물군 분석에는 16s rDNA 분석법이 사용되었습니다.

1.2 피험자(포함 및 제외 기준 포함) 북경대학교 제1병원에서 단면 연구가 수행되었습니다. 상부 위장 내시경 검사를 받고 병리학적으로 PLGC로 진단된 CAG 환자를 연구 피험자로 선정했습니다. 성별, 연령 매칭에 따라 대조군은 위내시경 검사를 통해 non-PLGC CAG 환자로 확인되었다. 모든 참가자에게는 연구의 목적, 절차, 잠재적 위험 및 이점에 대한 정보가 제공되었으며 동의서에 서명했습니다.

진단 기준 : 만성 위염에 대한 위내시경 및 병리학적 진단 기준은 '만성 위염에 대한 중국 합의(2017, 상하이)'와 '만성 위축성 위염에 대한 중국 합의 및 서양 의학 통합 진단 및 치료(2017)'에 따라 확립되었습니다.

포함 기준 :

(1) 상부 위장관 내시경 검사를 3개월 이내에 시행하였다. (2) 위내시경 및 병리검사를 통해 진단된 만성 위축성 위염 환자; (3) 40-70세, 성별 제한 없음; (4) 혀 이미지를 수집하고 후속 조치를 받아들이는 데 동의했습니다. (5) 본 연구에 자발적으로 참여하고 사전 동의에 서명했습니다.

제외 기준 :

(1) 표준화된 혀 이미지 수집 및 데이터 수집에 협조할 수 없는 사람; (2) 혀 긁힘, 혀 염색 또는 비정상적인 혀 확장이 있는 환자; (3) 위악성 경향 또는 위종양이 의심되고 위수술 병력이 있는 경우. (4) 간염, 매독, HIV, 주혈흡충증 및 기타 알려진 전염병을 앓고 있는 경우. (5) 심각한 심장, 간, 신장, 혈액 질환 및 악성 종양이 있는 환자; (6) 급성 호흡기 감염, 활동성 소화성 궤양 및 기타 급성 질환과 결합된 경우; (7) 1개월 이내에 항생제, 산 억제제, 미생물 조절제를 사용한 환자; (8) 면역억제제, 호르몬 및 기타 약물의 장기간 사용; (9) 임신 또는 수유 중인 여성. 1.3 관찰지표 및 후속조치 계획

1.관찰 지표 1.1 혀 영상 특성과 PLGC의 상관 관계 혀 색상(창백한 혀, 분홍색 혀, 진홍색 혀, 연보라색 혀, 반상 출혈 혀)과 혀 모양(이무늬 혀, 찌르는 혀, 반상 출혈 혀, 갈라진 혀, PLGC 환자의 지방과 얇은 혀) 및 PLGC 상관관계; 2.

2 혀 코팅 특성 분석 : PLGC 환자의 혀 코팅 품질(두껍고 얇은 코팅, 기름진 코팅, 썩은 코팅, 벗겨지는 코팅)과 코팅 색상(흰색 및 노란색)과 PLGC 간의 상관 관계를 분석했습니다.

설하 측부 분석 : 설하 측부 등급의 진단 기준에 따라 설하 측부의 길이, 폭(두께), 비틀림, 색상에 따라 설하 측부를 기술하고, PLGC의 병리학적 변화와의 상관관계를 분석하였다.

혀 색상 및 혀 코팅 색상 매개변수 분석 : RGB, HIS 및 Lab 색상 공간 유형을 사용하여 PLGC의 전체 혀 및 중간 부분(비장 및 위 파티션에 해당)의 RGB, Lab 및 HSV 색상 공간 지수를 분석했습니다. 환자. 그 중 R은 빨간색 값, G는 녹색 값, B는 파란색 값, H는 색상, S는 채도, I는 밝기, L은 밝기, a는 적록 축을 나타내고, b는 노란색-파란색 축을 나타냅니다.

1.2 혀 코팅균과 PLGC의 상관관계

1. α 다양성 분석 : 서로 다른 그룹 간의 미생물 군집 다양성을 α 다양성 분석으로 비교했습니다.
2. β 다양성 분석 : β 분석을 통해 서로 다른 그룹 간의 군집 구조의 차이를 탐색하고 주요 식물상을 탐색했습니다.
3. 종 구성 분석 : 그룹 간 식물군 구성의 차이를 문 수준과 속 수준에서 비교하여 특징적인 식물상을 찾았습니다.

종 및 기능적 기여분석, 회귀분석, 대응분석을 통해 미생물 조성의 기능을 예측하여 특징적인 식물상의 기능을 찾아냈다.

1.3 혀 영상 특징 기반 PLGC 위험 예측 모델 구축 단변량 조건부 로지스틱 회귀 분석은 t 검정과 χ2 검정을 통해 통계적 유의성이 있는 요인에 대해 수행하였다. PLGC를 결과 변수로 사용하여 각 요인의 승산비(OR)와 95% 신뢰구간을 계산했습니다. αin = 0.05, αout = 0.1인 경우 위의 변수를 로지스틱 다변량 분석에 도입하여 PLGC 관련 위험 요인을 선별하고 위험 예측 모델을 구축했습니다. 수신자 조작 특성(ROC) 곡선은 예측 모델의 구별 능력을 나타내는 데 사용되었습니다. 모델의 적합도와 예측 정확도는 Hosmer-Lemeshow 적합도, 의사 R-제곱 및 곡선 아래 면적(AUC)으로 평가되었습니다.

2. 추적관찰 계획 추적관찰 : 중증 위축성 위염, 중증 장화생, 저등급 상피내 종양으로 진단받은 환자는 최소 1년에 1회 추적관찰해야 한다. 치료를 거부한 고도 상피내 신생물 환자는 6개월마다 추적 관찰해야 합니다. CAG의 중증도는 OLGA 시스템(위축) 또는 OLGIM 시스템(장화생)으로 판단했습니다. 내시경 요오드 염색, 지표 생검 및 병리학적 진단을 통해 추적 관찰을 수행했습니다. 후속율은 > 70%였습니다.

1.4 표본크기 결정 근거 전문가 자문, 문헌검토 및 딥러닝 모델링의 요구사항에 따라 표본크기가 독립변수 수의 10배 이상인 실증적 방법을 사용하여 표본크기를 계산하였다(20개 독립변수). ). 또한, 이전의 사전 조사에서는 본 연구과 내 CAG 환자의 PLGC 발생률이 50%로 예상되는 것으로 나타났다. 본 연구에서 CAG의 최소 표본 크기는 10%의 쉐딩율을 고려하여 500개 사례였다. 이 연구에는 500명의 CAG 환자가 포함될 것으로 예상됩니다. 로지스틱 회귀모형에서는 훈련그룹과 테스트그룹의 수비율이 7:3이고, 훈련그룹의 표본크기가 350건으로 설정되어 있으므로 테스트그룹의 표본크기는 150보다 작아서는 안된다. 사례.

1.5 통계 분석 방법 본 연구의 데이터 분석에는 SPSS 25.0 소프트웨어를 사용하였다. 정규분포를 따르는 측정 데이터는 평균±표준편차(x±s)로 표현하였고, 그룹 간 비교는 t test를 이용하였다. 정규분포를 따르지 않는 측정 데이터는 M(P25, P75)으로 표현하였고, 두 그룹 간의 비교를 위해 비모수적 검정을 사용하였다. 열거 데이터는 (%)로 표현하였고, 그룹 간 비교를 위해 카이제곱 검정(χ2)을 사용하였다. P<0.05는 차이가 통계적으로 유의하다는 것을 나타냅니다. 모델 구성에 사용되는 방법에는 선형 회귀, 로지스틱 회귀(노모그램), Cox 회귀(노모그램) 및 Lasso 회귀(선별변수)가 있습니다. 예측 모델 평가 : 1 판별 : ROC 곡선의 AUC 값을 구하고 판별을 평가하기 위해 적합화된 로지스틱 회귀 모델을 사용하여 ROC 곡선을 작성했습니다. 2 보정 : Hosmer-Lemeshow 적합도 테스트를 통해 보정을 평가했습니다. P < 0.05이면 모델이 제대로 적합하지 않은 것으로 간주됩니다. P > 0.05이면 모델이 새 데이터 세트의 검증에 잘 맞는 것으로 제안됩니다.3 임상적 유효성: 모델의 임상적 유효성은 DCA(Decision Curve Decision Curve Analysis)를 통해 평가되었습니다.

1.6 데이터 획득 및 관리 데이터 입력 및 관리는 데이터 관리자의 책임입니다. 데이터 관리자는 데이터베이스를 컴파일하고 데이터 입력 및 관리를 위해 Epidata 소프트웨어를 사용합니다. 두 명의 데이터 관리자가 독립적으로 이중 입력 및 교정을 수행합니다. 구축된 데이터베이스가 결정된 후 주요 연구자, 통계분석가 및 데이터 관리자에 의해 데이터베이스가 잠기고 최종적으로 분석 데이터베이스가 결정됩니다.