基于贝叶斯网络的前列腺根治术后Gleason评分升级的预测模型.pdfVIP

基于贝叶斯网络的前列腺根治术后Gleason评分升级的预测模型

摘要

目的：探讨前列腺癌患者行前列腺根治性切除术（RP）后发生Gleason评分

升级（GSU）的危险因素，并利用贝叶斯网络建立预测模型指导临床决策。

方法：本研究通过收集了2018年1月至2021年5月于青岛大学附属医院行

RP的356例前列腺癌患者的临床资料，回顾性分析了年龄、体重指数（BMI）、总

前列腺特异性抗原（tPSA）、前列腺体积、总前列腺特异性抗原密度(PSAD)、前列

腺穿刺的阳性针数及比例、PI-RADS评分、临床分期及术后病理特征等14个危险

因素。先行单因素分析，然后对单因素分析中有统计学意义的因素进行多因素二

元Logistic回归分析，以确定GSU的独立危险因素，并基于独立预测因素构建列

线图模型。然后基于树增益算法，使用BayesiaLab软件建立GSU的预测模型。

采用受试者工作特征曲线及曲线下面积（AUC）评价模型的预测性能。同时利用

BayesiaLab验证函数进行先验概率统计分析，以发生GSU为目标变量、危险因素

为属性变量进行后验分析，在此基础上分析计算多态Birnbaum的重要性，并给出

各属性变量的重要性排序。

结果：356例患者中共110位患者术后Gleason评分升级，升级率30.89%。单

因素分析结果显示，穿刺阳性针数（P＜0.001）、阳性针数比（P＝0.005）、PI-

RADS评分（P＝0.009）、淋巴结转移（P0.010）、精囊侵犯（P＝0.032）以及穿

刺ISUP（P＜0.001）为GSU发生的危险因素。多因素Logistic回归分析结果显示，

穿刺阳性针数（OR＝0.890，95%CI0.810-0.977）、阳性针数比（OR＝3.683，

95%CI1.206-11.248）、PI-RADS评分（OR＝9.195，95%CI2.892-29.236）以及穿刺

ISUP（OR＝0.464，95%CI0.369-0.585）为GSU发生的独立危险因素。基于独立

危险因素构建列线图模型，所得模型AUC为0.79。基于所有危险因素建立贝叶斯

模型，所得模型AUC为0.81。重要度排序结果表明，淋巴结转移、穿刺阳性针数、

ISUP分期以及PI-RADS评分是影响患者前列腺根治术后Gleason评分升级的前4

位的影响因素。

结论：1.穿刺阳性针数、阳性针数比、PI-RADS评分以及穿刺ISUP为GSU

发生的独立危险因素。2.基于贝叶斯网络建立的RP术后GSU的预测模型具有较

高的准确性，优于列线图模型。该模型可对前列腺穿刺标本Gleason评分进行更准

确的评估并指导临床决策。3.重要度排序表明，淋巴结转移、穿刺阳性针数、

ISUP分期以及PI-RADS评分是影响患者前列腺根治术后Gleason评分升级的前4

位的影响因素。

硕士研究生：王桂鹏（泌尿外科）

指导教师：杨学成（副教授）

关键词：前列腺癌；Gleason评分；贝叶斯网络；临床预测模型

PredictionmodelofGleasonscoreupgradingafterradical

prostatectomybasedonbayesiannetwork

Abstract

Objective:ToinvestigatetheriskfactorsofGleasonscoreupgradeinpatientswith

prostatecancerwhounderwentradicalprostatectomy.Thenweestablishapredictive

modeltoguideclinicaldecision-makingusingBayesiannetwork.

Methods:Thisstudycollectedtheclinicaldataof356prostatecancerpatientswho

ha