GRANT评分在乳头状肾细胞癌中的预测价值及其 nomogram 的开发：一项基于 SEER 数据的研究，并在中国队列中进行了外部验证

《Frontiers in Oncology》：Prognostic value of the GRANT score and development of a nomogram in papillary renal cell carcinoma: a SEER-based study with external validation in a Chinese cohort

本研究通过多中心回顾性分析，验证GRANT评分在肾乳头状细胞癌（pRCC）中的预后价值，并构建了包含手术方式、婚姻状况、TNM分期等变量的预后nomogram。结果显示，GRANT评分和nomogram在预测总体生存（OS）和癌症特异性生存（CSS）方面均表现良好，尤其在CSS预测中C-index达到0.860，外部验证集C-index为0.740，模型校准良好，风险分层有效。

　　在医学研究领域，尤其是癌症的诊断与治疗方面，精准的预后评估工具对于指导临床决策具有重要意义。肾癌作为常见的恶性肿瘤之一，其不同类型在临床表现、生物学行为及预后方面存在显著差异。其中，乳头状肾细胞癌（papillary renal cell carcinoma，简称pRCC）作为肾细胞癌（renal cell carcinoma，RCC）的第二大亚型，尽管其总体发病率相对较低，但其临床异质性显著，使得现有的预后模型在该亚型中的适用性受到一定限制。本研究聚焦于pRCC患者，旨在验证GRANT评分的预后价值，并构建一个全新的预测模型，以提高该亚型患者生存预后的预测准确性，从而为临床提供更加科学和实用的工具。

pRCC在病理学上表现出多样化的特征，包括不同的组织学分级、分子生物学特性以及对治疗的反应。这些差异不仅影响疾病的临床表现，还对患者的长期生存率产生重要影响。因此，针对pRCC的特定预后模型的建立显得尤为迫切。然而，目前用于pRCC的预后工具仍存在不足，多数模型基于混合性肾癌患者的数据，未能充分反映pRCC的特殊性。此外，由于pRCC的发病率较低，研究样本量不足也限制了模型的广泛适用性。为了克服这些问题，本研究采用了多中心数据整合的方法，结合美国国家癌症研究所（National Cancer Institute）的SEER数据库和国内机构的数据，构建了一个适用于pRCC的预测模型。

GRANT评分是一种基于四个关键临床参数的预后工具，包括肿瘤分级（Fuhrman核分级）、患者年龄（以60岁为分界点）、淋巴结状态（病理分期）以及肿瘤分期（pT分期）。每个参数被赋予0或1分，患者最终根据总分被划分为低风险、中风险和高风险三个组别。该评分系统最初来源于一项辅助治疗的临床试验，随后在另一项研究中得到了独立验证，证明其在预测疾病无进展生存（DFS）和总体生存（OS）方面的有效性。然而，GRANT评分在pRCC患者中的独立预后价值尚未得到充分验证，尤其是在大规模、多中心的临床数据中。因此，本研究通过多中心回顾性分析，进一步评估了GRANT评分在pRCC患者中的应用效果，并基于此构建了一个新的预测模型——nomogram，以提高预后评估的准确性。

研究团队从SEER数据库中筛选了2004年至2015年间接受手术治疗的pRCC患者，共计5,690例，并将其随机分为训练组（n=4,001）和内部验证组（n=1,689）。此外，还从中国某机构获取了151例pRCC患者的外部验证数据。所有患者均接受了手术治疗，包括部分肾切除术和根治性肾切除术。研究的主要终点为总体生存（OS）和癌症特异性生存（CSS），而GRANT评分则被用作关键的预后指标之一。研究通过单变量Cox回归分析初步筛选出与预后相关的变量，随后采用LASSO回归进行变量筛选，最终通过多变量Cox回归分析确定独立预后因素，并将这些因素整合到nomogram模型中，用于预测pRCC患者在术后1年、3年和5年的生存概率。

在训练组中，GRANT评分被证实为OS和CSS的独立预后因素，其在OS预测中的C指数为0.621，而在CSS预测中的C指数则达到了0.732。这表明GRANT评分在预测pRCC患者生存方面具有一定的可靠性。进一步构建的nomogram模型在训练组、内部验证组和外部验证组中均表现出良好的预测性能。对于OS预测，模型在训练组中的C指数为0.711，内部验证组为0.720，外部验证组为0.740；而在CSS预测方面，训练组的C指数为0.860，内部验证组为0.873，外部验证组为0.826。这些结果表明，该模型在预测CSS方面具有更高的准确性，尤其是在训练组中，其在1年、3年和5年的AUC值均超过0.80，显示出较强的区分能力。同时，校准曲线分析的结果也表明，模型的预测值与实际观察值之间存在高度一致性，进一步验证了其在临床中的实用性。

除了GRANT评分，研究还识别出其他重要的独立预后因素，包括手术方式、婚姻状况、TNM分期、肿瘤大小以及Fuhrman核分级。这些因素在OS和CSS预测中均显示出显著的相关性。其中，TNM分期作为目前广泛应用的肿瘤分期系统，被证实为pRCC患者预后的重要指标。此外，婚姻状况也被发现与OS存在显著关联，这可能反映了社会支持、经济状况及医疗依从性等非生物学因素对患者生存的影响。这些发现为临床医生提供了更全面的预后评估依据，有助于在制定个体化治疗方案时综合考虑多种因素。

为了进一步验证模型的泛化能力，研究团队采用了外部验证的方法，利用来自中国某医院的151例pRCC患者数据进行测试。结果显示，该模型在不同数据集中的表现均较为稳定，尤其是在CSS预测方面，其在训练组中的预测性能接近于已有的pRCC特异性模型，如VENUSS模型。尽管本研究并未直接与UISS或Leibovich模型进行对比，但其结果表明，针对pRCC构建的预测模型能够提供可靠的生存预测，为临床实践提供新的参考。

此外，研究团队还对模型的分层能力进行了评估。通过X-tile软件，他们将患者划分为低风险、中风险和高风险三个组别，并利用Kaplan-Meier生存曲线分析各组的生存差异。结果显示，不同风险组别在OS和CSS方面均表现出显著的生存差异，进一步证明了该模型在风险分层方面的有效性。这一结果不仅有助于识别高风险患者，还为制定个体化的随访策略和辅助治疗方案提供了依据。

本研究的创新之处在于，它不仅验证了GRANT评分在pRCC患者中的独立预后价值，还构建了一个结合多个临床参数的新型预测模型。该模型在多个数据集中的表现均优于传统方法，尤其是在CSS预测方面展现出较高的准确性。此外，该模型的构建和验证过程充分考虑了多中心数据的整合，提高了模型的泛化能力和临床适用性。然而，研究也指出了一些局限性，例如回顾性研究可能存在的选择偏倚、模型与现有工具的直接比较缺乏、以及外部验证样本量较小等问题。这些问题需要在未来的前瞻性研究中进一步探讨和解决。

总的来说，本研究为pRCC患者的预后评估提供了新的思路和工具。通过多中心数据的整合和模型的构建，研究团队成功开发了一个具有较高预测准确性的nomogram模型，能够帮助临床医生更有效地评估患者的生存风险，从而优化治疗方案和随访策略。该模型的临床价值不仅体现在其较高的预测性能上，还在于其操作简便，便于在实际医疗环境中推广应用。未来的研究应进一步扩大样本量，特别是在不同地区和不同种族的患者群体中，以验证该模型的广泛适用性。此外，随着分子生物学和基因组学技术的发展，结合更多生物标志物的预测模型可能在提升预后评估的准确性方面发挥更大的作用。