慢性萎缩性胃炎舌诊的客观研究

1.1 研究设计 研究类型：前瞻性横断面研究和临床预测模型研究。

研究假设：以PLGC为观察对象，客观规范地收集PLGC患者的舌象和舌苔菌群，建立PLGC舌象研究数据库。 基于舌象和舌苔菌群的特点，构建PLGC临床预测模型，实现通过舌象对CAG患者PLGC风险的实时动态预测，减少无效内镜筛查，减少无效内镜筛查。重复筛查的成本。

研究方法 ：

(1)临床资料调查：采用问卷调查的方式收集患者信息。 基线资料包括个人基本信息、生活方式、HP感染史（既往HP阳性和当前HP阳性）、消化道疾病史和癌症家族史。 病历还包括当前病史、既往病史、个人生活史、胃肠道不良症状等； (2)电子内窥镜碘染色：采用Olympus电子内窥镜进行碘染色。 如果发现胃粘膜有阳性或可疑病变，则咬伤相应区域并送病理检查。 如果内镜检查未发现异常，则不进行活检。 记录胃镜表现（糜烂、溃疡、水肿、充血、红斑、胆汁反流、HP感染）。

(3)病理检查：活检标本处理后进行病理HE染色，观察并进行病理诊断。 记录组织病理学病变（慢性炎症、活动性炎症、肠化生、萎缩、不典型增生的程度和范围）。

（4）舌象信息采集：1台标准化采集设备：通过舌面诊断信息采集系统（DS01-B，上海道生医疗科技有限公司，沪机注20202200062）采集舌象并自动分析，并将图像信息数字化并存储。 2 舌头伸展法：拍摄前，训练被摄者伸展舌头。 受试者坐在最后，当舌头伸出时，嘴巴尽可能张开。 舌体放松，舌面压平，舌尖自然下垂。 伸出舌头时不宜用力过猛，应尽量减少伸出舌头的时间，以免舌体疲劳影响舌头的稳定性。 3 注意事项：避免饮食及药物的影响。

(5)舌苔菌群采集：采样开始前患者用水漱口3-5次，冲洗掉口腔内可能存在的食物残渣污染。 然后，用无菌拭子将适量舌苔样品刮于舌苔表面，来回刮擦20次，置于盛有保存液的无菌管中，冷冻于-80°冰箱中C 尽快。 采用16s rDNA分析方法对菌群进行分析。

1.2 受试者（包括纳入和排除标准） 在北京大学第一医院进行横断面研究，选择接受上消化道内镜检查并病理诊断为PLGC的CAG患者作为研究对象。 根据性别和年龄匹配，对照组经胃镜检查确诊为非PLGC CAG患者。 所有参与者均被告知研究的目的、程序、潜在风险和益处，然后签署同意书。

诊断标准：慢性胃炎胃镜及病理诊断标准依据《中国慢性胃炎共识（2017年，上海）》和《慢性萎缩性胃炎中西医结合诊治共识（2017年）》制定。

纳入标准：

(1)3个月内进行过上消化道内镜检查； (2)经胃镜及病理检查确诊为慢性萎缩性胃炎的患者； （3）年龄40-70岁，性别不限； (4)同意采集舌象并接受随访； (5)自愿参加本研究并签署知情同意书。

排除标准 ：

(一)不能配合标准化舌象采集和数据采集者； (2)刮舌、舌染或舌伸异常的患者； (3)疑似胃恶变倾向或胃肿瘤及胃手术史； （4）患有肝炎、梅毒、艾滋病毒、血吸虫病等已知传染病； (5)患有严重心、肝、肾、血液疾病及恶性肿瘤的患者； (6)合并急性呼吸道感染、活动性消化性溃疡等急性疾病； （7）1个月内使用过抗生素、抑酸剂、微生态调节剂的患者； (8)长期使用免疫抑制剂、激素等药物； (9)孕妇或哺乳期妇女。 1.3 观察指标及后续计划

1.观察指标 1.1 舌象特征与 PLGC 的相关性 舌色（淡舌、粉舌、绛舌、淡紫舌、瘀斑舌）和舌形（齿印舌、刺痛舌、瘀斑舌、裂痕舌、 PLGC患者的舌胖瘦与PLGC的相关性； 2.

2舌苔特征分析:分析PLGC患者舌苔质量(厚薄苔、腻苔、烂苔、剥苔)、苔色(白、黄)与PLGC的相关性。

舌下络脉分析:根据舌下络络分级诊断标准,根据舌下络络的长度、宽度(厚度)、迂曲度、颜色等对舌下络脉进行描述,并分析与PLGC病理变化的相关性。

舌色、舌苔颜色参数分析：采用RGB、HIS、Lab颜色空间类型，分析PLGC全舌及中部（对应脾胃分区）的RGB、Lab、HSV颜色空间指标患者。 其中，R代表红色值，G代表绿色值，B代表蓝色值，H代表色调，S代表色彩饱和度，I代表亮度，L代表亮度，a代表红绿轴， b代表黄蓝轴。

1.2 舌苔菌群与PLGC的相关性

1. α多样性分析：通过α多样性分析比较不同类群之间的微生物群落多样性。
2. β多样性分析：通过β分析，探究不同类群之间群落结构的差异，探索关键菌群。
3. 物种组成分析：在门水平和属水平上比较组间菌群组成的差异，寻找特征菌群。

通过物种和功能贡献分析、回归分析和对应分析，预测微生物组成的功能，找出特征菌群的功能。

1.3 基于舌象特征的PLGC风险预测模型构建对具有统计学意义的因素采用t检验和χ2检验进行单因素条件Logistic回归分析。 使用 PLGC 作为结果变量来计算每个因素的比值比 (OR) 和 95% 置信区间。 以αin=0.05，αout=0.1，将上述变量引入Logistic多元分析，筛选出PLGC相关的危险因素，并建立风险预测模型。 采用受试者工作特征（ROC）曲线来表示预测模型的区分能力。 通过Hosmer-Lemeshow拟合优度、伪R平方和曲线下面积（AUC）评价模型的拟合优度和预测精度。

2.随访计划随访：诊断为严重萎缩性胃炎、或严重肠化生、或低度上皮内瘤变的患者，每年至少随访一次；拒绝治疗的高级别上皮内瘤变患者应每六个月随访一次。 通过OLGA系统（萎缩）或OLGIM系统（肠化）判断CAG的严重程度。 通过内镜碘染色、指示性活检和病理诊断进行随访。 随访率> 70%。

1.4 确定样本量的依据 根据专家咨询、文献查阅和深度学习建模的要求，采用经验方法计算样本量，样本量为自变量数的10倍以上（20个自变量） ）。 另外，前期预调查发现，本研究科室CAG患者中PLGC的发生率预计为50%。 考虑到10%的脱落率，本研究中CAG的最小样本量为500例。 这项研究预计将包括 500 名 CAG 患者。 在Logistic回归模型中，训练组和测试组的人数比例为7：3，训练组的样本量设置为350例，因此测试组的样本量不应小于150案例。

1.5 统计分析方法 采用SPSS 25.0软件对本研究数据进行分析。 符合正态分布的计量数据以均数±标准差(x±s)表示，组间比较采用t检验。 不符合正态分布的计量数据用M（P25、P75）表示，两组间比较采用非参数检验。 计数资料以（%）表示，组间比较采用卡方检验（χ2）。 P<0.05表示差异有统计学意义。 模型构建中使用的方法包括线性回归、Logistic回归（列线图）、Cox回归（列线图）和Lasso回归（筛选变量）。 预测模型评价： 1 判别力：利用拟合的Logistic回归模型绘制ROC曲线，得到ROC曲线的AUC值并评价判别力。 2 校准：通过 Hosmer-Lemeshow 拟合优度检验评估校准。 如果 P < 0.05，则认为模型拟合不良。 如果P > 0.05，则表明该模型在新数据集的验证中拟合良好。3 临床有效性：通过决策曲线决策曲线分析（DCA）评估模型的临床有效性。

1.6 数据采集和管理 数据录入和管理是数据管理员的职责。 数据管理员编制数据库并使用Epidata软件进行数据录入和管理。 两名数据管理员独立进行复录和校对。 建立的数据库确定后，由主要研究人员、统计分析师和数据管理人员锁定数据库，最终确定分析数据库。