一、引言

前列腺癌，一種在男性中普遍存在的惡性腫瘤，隨著(zhù)醫學(xué)檢測技術(shù)的進(jìn)步，其診斷率持續上升。傳統的治療方法，如根治性前列腺切除術(shù)（RP）或放療，雖然在某些情況下能夠提供治愈的可能，但也帶來(lái)了不可忽視的風(fēng)險和生活質(zhì)量的顯著(zhù)下降。在這樣的背景下，積極監測成為了一種可行的替代方案，尤其是對于那些中度風(fēng)險的前列腺癌患者。然而，要準確判斷哪些患者適合積極監測，需要更為精準的風(fēng)險評估模型。

本文旨在解讀最近的一項創(chuàng )新研究[1]，通過(guò)結合術(shù)前臨床參數和磁共振成像（MRI）結果構建的MAP模型，并探討其在前列腺癌個(gè)體化治療中的應用。這項研究不僅開(kāi)辟了利用綜合數據提高治療決策準確性的新途徑，還可能改變我們對前列腺癌治療策略的整體認知。

二、研究背景

隨著(zhù)科學(xué)研究的深入，醫學(xué)界對前列腺癌的理解不斷增加，尤其是在疾病管理方面。然而，對于患有中度風(fēng)險前列腺癌的患者來(lái)說(shuō)，治療路徑選擇仍然具有挑戰性。積極監測作為一種治療策略，旨在減少不必要的治療干預，同時(shí)密切監控疾病進(jìn)展，以便在必要時(shí)及時(shí)介入。這種策略的有效實(shí)施，依賴(lài)于準確評估患者出現不良病理結果的風(fēng)險，即那些可能會(huì )在根治性前列腺切除術(shù)（RP）中發(fā)現的高級別癌癥或其他危險特征。

三、研究概述

這項研究的設計和開(kāi)展包含了幾個(gè)關(guān)鍵步驟，以確保其能夠有效地達到研究目的。以下是其主要步驟：

1、目標人群的選擇：研究對象是1284名在2013年至2019年間接受根治性前列腺切除術(shù)（RP）治療的低至中等風(fēng)險前列腺癌患者。

2、數據收集與分析：

- 收集了患者的術(shù)前臨床參數，如年齡、前列腺特異性抗原（PSA）水平、活檢的Gleason分級組等。

- MRI發(fā)現也被納入，包括前列腺體積、前列腺成像報告和數據系統（PI-RADS）評分，以及是否有MRI可見(jiàn)的前列腺外擴展（MRI-EPE）。

3、統計方法的應用：

- 使用邏輯回歸分析來(lái)確定哪些因素與不良病理結果顯著(zhù)相關(guān)。不良病理定義為RP時(shí)的非器官限制性疾病、淋巴結侵犯或病理分級組3以上。

- 基于這些因素，開(kāi)發(fā)了一個(gè)新的諾莫圖，用于評估中度風(fēng)險前列腺癌患者進(jìn)行積極監測的適宜性。

4、模型的驗證：

- 對比了新開(kāi)發(fā)的諾莫圖與現有的Gandaglia風(fēng)險計算器（Gandaglia-RC）在預測不良病理結果方面的有效性。

- 通過(guò)曲線(xiàn)下面積（AUC）來(lái)評估模型的預測能力。

5、結果的解讀：

- 分析了使用這個(gè)新的諾莫圖選擇積極監測患者的可能性，與使用傳統方法相比，新模型是否能更準確地選擇適合積極監測的患者。

- 對模型進(jìn)行了外部驗證，確保其在不同的人群中的適用性。

通過(guò)以上步驟，這項研究成功地開(kāi)發(fā)并驗證了一個(gè)新的工具，能夠更準確地評估中度風(fēng)險前列腺癌患者是否適合進(jìn)行積極監測。這不僅提高了治療的個(gè)體化程度，也可能減少不必要的治療和相關(guān)副作用，從而提升患者的生活質(zhì)量。

四、研究結果的深入解讀與分析

1、1284例中危前列腺癌患者接受根治性前列腺切除術(shù)（RP）的最終病理結果

圖1表格總結了1284名接受根治性前列腺切除術(shù)（RP）的中度風(fēng)險前列腺癌患者的最終病理結果。以下是對表格內容的解讀分析：

- RP GGG（Gleason grade group）：該列顯示了患者術(shù)后Gleason評分的分布。Gleason評分是一種評估前列腺癌嚴重程度的標準，數值越高表示癌癥越嚴重。

·GGG1（18%）：這一組患者的病情相對較輕。

·GGG2（72%）：這是最大的一組，表明大多數患者屬于中度風(fēng)險組。

·GGG3-5（10.7%）：這些患者的癌癥較為嚴重。

- pT stage：該列顯示了患者術(shù)后腫瘤分期，這是根據腫瘤在前列腺和周?chē)M織中的擴散程度來(lái)評定的。

·pT2（85%）：表示腫瘤局限在前列腺內。

·pT3a和pT3b（14.8%）：表示腫瘤開(kāi)始擴散至前列腺外的組織。

- pN stage：該列顯示了術(shù)后淋巴結的病理分期。

·pN0-X（98%）：表示沒(méi)有淋巴結轉移。

·pN1（2%）：表示發(fā)現了淋巴結轉移。

綜上所述，在有利病理結果的患者中（76.9%），大部分患者屬于GGG1和GGG2，且所有這些患者均未出現pT3b階段的腫瘤或淋巴結轉移。在不良病理結果的患者中（23.1%），大部分患者有較高的GGG分數，大多數屬于pT3階段，并且有較高比例的淋巴結轉移。這強調了RP GGG和pT stage在預測病理結果上的重要性。這些信息對于理解前列腺癌的臨床特征和預后至關(guān)重要。

圖1

2、根治性前列腺切除術(shù)（RP）后出現不良病理結果的危險因素

圖2表格具體展示了單變量分析和多變量分析預測在根治性前列腺切除術(shù)（RP）中出現不良病理結果的危險因素。表格中的數據包括了危險因素的名稱(chēng)、比值比（OR）、95%置信區間（CI）和p值。以下是對表格內容的詳細解讀：

- 年齡：在單變量分析中，每增加一年，不良病理的風(fēng)險增加3%，在多變量分析中增加4%，這在統計上是顯著(zhù)的（p < 0.001）。

- 種族：非裔美國人與參考組相比，在單變量分析中沒(méi)有顯著(zhù)差異，但在多變量分析中未給出數據。

- PSA：每單位PSA增加，不良病理的風(fēng)險在單變量分析中增加11%（p < 0.001），在多變量分析中增加13%（p < 0.001），這在統計上是顯著(zhù)的。

- PSA密度：每0.1單位增加，不良病理的風(fēng)險在單變量分析中增加20%（p < 0.001），在多變量分析中未給出數據。

- cT階段：cT2a與參考組cT1c相比，在單變量分析中風(fēng)險增加了37%（p= 0.031），在多變量分析中未給出數據。

- GGG活檢：Gleason分數組2在單變量分析中比參考組（Gleason分數組1）風(fēng)險高出129%（p < 0.001），在多變量分析中風(fēng)險高出95%（p < 0.001）。

- 陽(yáng)性活檢芯數：在單變量分析中每增加一個(gè)陽(yáng)性活檢芯，不良病理的風(fēng)險增加4%（p=0.07），在多變量分析中未給出數據。

- 陽(yáng)性活檢芯百分比：在單變量分析中，隨著(zhù)陽(yáng)性活檢芯占比增加，不良病理的風(fēng)險輕微增加（p=0.002），在多變量分析中未給出數據。

- NCCN風(fēng)險：與NCCN低風(fēng)險相比，有利病理的風(fēng)險在單變量分析中增加了117%（p < 0.001），在不利病理中增加了490%（p < 0.001），在多變量分析中未給出數據。

- 靶向活檢：進(jìn)行靶向活檢的患者在單變量分析中風(fēng)險降低了29%（p=0.029），在多變量分析中風(fēng)險降低了41%（p =0.001）。

- MRI前列腺體積：在單變量分析中，每增加一單位體積，不良病理的風(fēng)險降低了1%（p=0.01），在多變量分析中風(fēng)險降低了2%（p<0.001）。

- PIRADS評分：與1-2分相比，PIRADS評分為5的患者在單變量分析中風(fēng)險增加了121%（p<0.001），在多變量分析中未給出數據。

- MRI-EPE：存在EPE的患者在單變量分析中風(fēng)險增加了106%（p<0.001），在多變量分析中增加了75%（p<0.001）。

綜上所述，在對前列腺癌進(jìn)行根治性切除術(shù)（RP）的決策過(guò)程中，準確地評估不良病理結果的風(fēng)險是至關(guān)重要的。圖2中展示的數據通過(guò)單變量和多變量分析，精細地描繪了影響這一結果的多種因素。這些詳盡的統計數據不僅證實(shí)了已知的風(fēng)險因素，而且還為包括MRI特征在內的新的預測因子提供了科學(xué)依據。這些發(fā)現提供了強有力的證據，支持在前列腺癌治療計劃中使用綜合臨床和影像學(xué)參數的決策模型。

圖2

3、MAP預測模型的構建

圖3顯示了MAP預測模型的構成。最終的多變量模型中包括的因素有：

- 手術(shù)時(shí)的年齡

- PSA值

- 活檢格里森分級組（Bx-GGG）

- 活檢技術(shù)（目標活檢與標準活檢）

- MRI測量的前列腺體積

- MRI顯示的前列腺外擴展（MRI-EPE）

圖3

4、不同預測模型之間的優(yōu)劣

圖4展示了在前列腺癌治療決策中用于預測不良病理結果的不同模型的效果。以下是對各圖的解讀分析：

（1）圖4A - ROC曲線(xiàn)

ROC曲線(xiàn)比較了不同模型預測不良病理結果的能力。在這里，AUC衡量了模型的預測準確性；AUC越接近1，預測能力越好。

- MAP模型：AUC為0.71，表明其預測不良病理的能力較好。

- Gandaglia-RC：AUC為0.63，低于MAP模型，表明其預測能力較弱。

- PRIAS：AUC為0.54，預測能力最弱。

- NCCN LR/FIR：AUC值在0.58和0.59之間，預測能力處于中等水平。

（2）圖4B - 決策曲線(xiàn)分析（DCA）

決策曲線(xiàn)分析展示了不同概率閾值下各個(gè)模型的凈收益。凈收益是指在特定閾值下，通過(guò)使用模型預測而得到的真正益處（例如，正確預測不良病理）與因錯誤預測產(chǎn)生的代價(jià)（例如，不必要的治療）之間的差值。

- MAP模型和Gandaglia-RC的曲線(xiàn)顯示在大部分概率閾值下它們提供正凈收益，但MAP模型在更多的閾值范圍內提供更高的凈收益。

- PRIAS和NCCN LR的曲線(xiàn)在大部分閾值下凈收益較低。

（3）圖4C - 校準圖

校準圖比較了預測概率與實(shí)際發(fā)生概率的一致性。理想情況下，模型的預測概率應當緊貼45度線(xiàn)（表示完美預測）。

- MAP模型的曲線(xiàn)在邏輯回歸和留一法交叉驗證（LOOCV）后顯示了良好的校準性，尤其是在預測概率低于約0.6時(shí)。

總體而言，MAP模型在預測前列腺癌的不良病理結果方面，相較于其他模型展現出更好的效果。它在ROC曲線(xiàn)上有更高的AUC值，在決策曲線(xiàn)分析中提供了更高的凈收益，在校準圖中顯示了較好的一致性。這些結果表明，MAP模型可能是一個(gè)更可靠的工具，用于在根治性前列腺切除術(shù)（RP）中預測不良病理結果，從而可能幫助臨床醫生在治療計劃選擇上做出更精確的決策。

圖4

五、MAP預測模型的臨床應用價(jià)值

在現代醫療實(shí)踐中，個(gè)體化治療方案的制定已成為優(yōu)化患者治療結果的關(guān)鍵。MAP模型作為這一理念的具體體現，通過(guò)精細化的風(fēng)險評估，推動(dòng)了前列腺癌治療決策的革新。該模型不僅考慮了常規的臨床參數，如年齡和PSA水平，而且還納入了前列腺磁共振成像的結果，如MRI測量的前列腺體積和MRI-EPE，這些參數對于揭示腫瘤的性質(zhì)和行為至關(guān)重要。

Gleason評分，作為評估腫瘤分化程度的標準，長(cháng)久以來(lái)被用來(lái)預測前列腺癌的侵襲性和治療響應。MAP模型通過(guò)結合Gleason評分與MRI的定量分析，提供了一個(gè)全面的腫瘤特征描述，使得醫生能夠更加精確地判斷腫瘤的潛在風(fēng)險。

此外，EPE的存在是判斷腫瘤侵襲性的另一個(gè)關(guān)鍵指標。通過(guò)MRI可視化這一特征，MAP模型增加了對腫瘤行為的直觀(guān)了解，這在選擇適合的治療策略時(shí)是不可或缺的。當EPE呈陽(yáng)性時(shí)，通常意味著(zhù)腫瘤具有更高的侵襲性，這可能促使醫生推薦更積極的治療方法，而非積極監測。

MAP模型的一個(gè)顯著(zhù)優(yōu)勢在于其預測準確性的提高。如同ROC曲線(xiàn)所展示的那樣，該模型的AUC值顯著(zhù)高于其他傳統方法，這表明它在區分需要積極治療與適合積極監測的患者方面更為可靠。在實(shí)際臨床應用中，這種準確性的提高意味著(zhù)患者可以獲得更符合其病情的治療建議，從而可能避免不必要的侵入性治療及其相關(guān)的并發(fā)癥。

六、結論

在探索前列腺癌治療決策的新領(lǐng)域中，MAP模型代表了一種重要的進(jìn)步。通過(guò)綜合考慮臨床參數和先進(jìn)的MRI技術(shù)，該模型提供了一個(gè)更全面、更精確的方法來(lái)評估患者的病理風(fēng)險。盡管MAP模型在前列腺癌治療決策中展示了顯著(zhù)的潛力，但對其有效性和普適性的理解仍需進(jìn)一步深入。首先，考慮到研究的回顧性性質(zhì)，其結果可能受到數據選擇和記錄偏差的影響。此外，研究樣本可能不足以代表所有人群，特別是在不同種族、年齡或有不同健康狀況的患者中。

在今后的研究和實(shí)踐中，對這一模型的細化和完善將是重要的工作重點(diǎn)。包括前瞻性研究、模型的不斷更新以適應新的醫學(xué)發(fā)現，以及探索在不同臨床環(huán)境中有效實(shí)施該模型的策略。正如我們在臨床案例中所見(jiàn)，MAP模型有助于避免過(guò)度治療和提高治療決策的準確性，對患者的生活質(zhì)量和治療結果都有著(zhù)積極的影響。

總之，MAP模型的開(kāi)發(fā)和應用是向更精確、更個(gè)性化的醫療治療邁出的一大步。隨著(zhù)醫學(xué)技術(shù)的不斷進(jìn)步和數據驅動(dòng)決策在臨床實(shí)踐中的日益普及，我們期待這種模型能夠進(jìn)一步優(yōu)化，為前列腺癌患者提供更優(yōu)質(zhì)、更個(gè)性化的治療選擇。

參考文獻：

[1] Lantz A, Falagario UG, Ratnani P, Jambor I, Dovey Z, Martini A, Lewis S, Lundon D, Nair S, Phillip D, Haines K, Cormio L, Carrieri G, Kryprianou N, Tewari A. Expanding Active Surveillance Inclusion Criteria: A Novel Nomogram Including Preoperative Clinical Parameters and Magnetic Resonance Imaging Findings. Eur Urol Oncol. 2022 Apr;5(2):187-194. doi: 10.1016/j.euo.2020.08.001. Epub 2020 Sep 3. PMID: 32891599.