TNMpBC-NeoBCSS 模型：三阴性化生性乳腺癌新辅助治疗患者生存预测的有力工具

为评估三阴性化生性乳腺癌（TNMpBC）新辅助治疗（NeoAT）患者的乳腺癌特异性生存（BCSS），研究人员构建 TNMpBC-NeoBCSS 模型，该模型有助于临床决策。

　　在乳腺癌的治疗领域，新辅助治疗（NeoAT）逐渐成为重要手段。它能使肿瘤降级、减少手术范围、提高保乳手术率等 ，被美国国家综合癌症网络（NCCN）指南推荐为乳腺癌患者的标准治疗选择之一。然而，对于三阴性化生性乳腺癌（TNMpBC）患者而言，NeoAT 的效果却存在诸多争议。

TNMpBC 是一种较为罕见的乳腺癌亚型，占乳腺癌的 0.2 - 5% ，患者往往肿瘤较大、具有三阴性乳腺癌（TNBC）特征，且远处转移风险高。以往针对 NeoAT 的大型随机对照临床研究大多集中在浸润性导管癌，很少涉及 TNMpBC。一些小规模研究表明，TNMpBC 患者接受 NeoAT 后的病理完全缓解（pCR）率较低，约为 10 - 23%，生存获益也不明显，因此目前缺乏针对 TNMpBC 的标准治疗策略。

为了深入探究 NeoAT 对 TNMpBC 患者的治疗效果，西安交通大学第一附属医院等多中心研究人员联合开展了一项研究。该研究成果发表在《Scientific Reports》上，旨在构建一个预测模型，评估 TNMpBC 患者接受 NeoAT 后的 BCSS，为临床医生和患者提供决策依据。

研究人员收集了来自中国多中心医院以及美国监测、流行病学和最终结果数据库（SEER）的数据。其中，多中心数据来自西安交通大学第一附属医院、新疆医科大学附属肿瘤医院和甘肃省肿瘤医院，SEER 数据则从 SEER 数据库获取。共纳入 1163 例原发性 TNMpBC 患者，其中 155 例接受了 NeoAT，1008 例接受了辅助治疗（AT）。

研究中运用了多种关键技术方法。首先，采用倾向得分匹配（PSM）平衡 NeoAT 组和 AT 组的混杂因素；接着，使用 Pearson’s χ2 检验分析患者人口统计学和治疗相关变量的独立性；通过 Kaplan - Meier（KM）分析评估生存结局差异，进行单因素和多因素 Cox 回归分析确定影响 BCSS 的因素；运用最小绝对收缩和选择算子（LASSO）回归筛选变量构建预测模型，利用 Harrell’s 一致性指数（C-index）、受试者工作特征（ROC）曲线、校准曲线和决策曲线分析（DCA）评估模型性能 。

研究结果主要如下：

• 患者特征：NeoAT 组患者较 AT 组更年轻，肿瘤侵袭和淋巴结转移比例更高，接受乳房切除术和放疗的比例也更高。在 NeoAT 组中，pCR 队列的患者肿瘤分期更早，保乳手术比例更高1。
• 生存结局：生存分析显示，达到 pCR 的患者 BCSS 最佳，5 年生存率为 96% ，AT 组和部分缓解（PR）亚组次之，无缓解（NR）亚组生存率最低，5 年生存率 PR 组与 NR 组分别为 67.6% 和 48.4% 。在匹配队列中也呈现类似趋势2。
• 影响因素：通过单因素和多因素 Cox 回归分析发现，T 分期、N 分期和治疗方法是 TNMpBC 患者 BCSS 的独立预后因素。PR 亚组和 NR 亚组患者的乳腺癌特异性死亡风险分别是 pCR 亚组的近 5 倍和 10 倍3。
• 模型构建与验证：基于 LASSO 回归筛选出的变量（T 分期、N 分期、对 NeoAT 的反应），结合诊断时年龄，构建了 TNMpBC-NeoBCSS 模型。该模型的 C-index 高达 0.82，训练队列中 3 年和 5 年 BCSS 的 AUC 值分别为 0.838 和 0.866 ，验证队列中分别为 0.922 和 0.868 ，表明模型预测效果良好4。
• 风险分层：根据 TNMpBC-NeoBCSS 模型的截断值 150.0，将患者分为低风险和高风险组。低风险组患者 pCR 率为 37.5% ，生存情况良好；高风险组患者 pCR 率为 0% ，生存率显著低于低风险组，3 年和 5 年生存概率分别为 32% 和 25% 56。

研究结论和讨论部分指出，TNMpBC-NeoBCSS 模型是首个针对接受 NeoAT 的 TNMpBC 患者 3 年和 5 年 BCSS 的预测模型，为临床医生和患者提供了重要决策依据。虽然该研究存在一定局限性，如回顾性研究的选择偏倚、部分临床病理变量缺失等，但研究样本量充足，AUC 值可靠，模型仍具有良好的应用价值。它能够帮助医生根据患者个体的 BCSS，更合理地选择是否进行 NeoAT，为 TNMpBC 患者的精准治疗提供了有力支持。