子宫内膜癌p53abn分子亚型列线图模型的构建与验证

摘要

目的:构建子宫内膜癌(EC)p53异常型(p53abn)分子亚型的列线图模型并进行验证。方法:回顾性纳入2021年1月至2024年12月山东大学齐鲁医院收治的433例EC患者，基于分子分型检测结果分为p53abn组与非p53abn组(含POLEmut/MMRd/NSMP亚型),按时间截点划分为训练集(284例)与验证集(149例)。通过多因素logistic回归筛选独立预测因子，建立列线图模型并评估其性能：采用受试者工作特征曲线(ROC)分析区分度，校准曲线评估校准度，决策曲线分析(DCA)量化临床效用，并对模型进行内部验证。结果:对训练集进行多因素logistic回归分析结果显示，年龄≥56岁(OR=11.23,95%CI:4.029～31.306)、NLR≥2.78(OR=16.743,95%CI:6.286～44.594)、PROGRP≥45.19(OR=6.503,95%CI:2.507～16.864)、Ferr≥84.26(OR=3.363,95%CI:1.324～8.546)、分化程度(中分化：OR=0.091,95%CI:0.028～0.289;高分化：OR=0.039,95%CI:0.010～0.147)是p53abn亚型的独立预测因子(均P<0.001)。该列线图模型在训练集和验证集中AUC均为0.964,校准曲线显示预测风险与实际风险高度一致，具有良好的校准能力和临床净获益。结论:本研究构建的列线图模型可能为子宫内膜癌p53abn分子亚型的个体化预测及临床决策提供可靠工具。

关键词

机器学习 / 子宫内膜癌 / 分子分型 / p53abn / 列线图