肺癌筛查新模型 烟龄是最佳的预测因素

　　研究者称，使用一种包含五项肺癌危险因素的评估模型可以鉴别肺癌高危人群，并使其在CT扫描的筛查中获益。该模型在三个大型队列研究中的两个里均显示了良好的鉴别能力，受试者操作性曲线(ROC曲线)下面积(AUC)为0.75至0.85(AUC=0.50时无诊断价值)。该模型优于传统的风险评估因素—烟龄和家族史。

　　尽管如此，研究者却强调，该评估模型目前还不适用于临床。

　　国家肺癌筛查试验显示，连续3年进行CT筛查的患者相对于胸片筛查，肺癌的死亡率减少20%，全因死亡率下降6%。国家肺癌筛查试验及其他近期的临床试验分析结果提示需要一种风险评估模型来鉴别高危患者，给予CT筛查。在研究报告的前言中，研究者提到，目前已有的几种风险评估模型，任意两个包含的危险因素都不相同，每个模型适用的人群也不相同，除此之外，大部分的评估模型都只限于对概率的计算。Field哲学博士及其同事在研究报告中写道，“这些评估模型的关键缺陷在于他们纯粹只关注模型数学上的准确性，并未评价预测结果的净效益，而净效益恰恰是建立在精确性和使用评估模型进行临床决策所带来的危害与利益之间的平衡之上的”。

　　利物浦肺癌项目风险评估模型对烟民和既往的烟民以及不抽烟的患者均适用。该模型还包含了肺炎病史、其他类型肿瘤病史、石棉制品暴露史和肺癌家族史(除烟龄外)等几个在其他风险评估模型中所没有的肺癌危险因素。为明确LLP模型对于临床决策的潜在应用价值，研究者将该模型回顾性应用于来自欧洲早期肺癌诊断研究(EUELC研究，病例数1868例)、哈佛肺癌病例对照研究(病例数2922)和利物浦肺癌项目回顾性队列研究(LLPC研究，病例数7652)的样本中。研究的主要目的是通过LLP评估模型的预测来确定肺癌5年生存的绝对风险。研究者通过2.5%，5%，和10%三个风险阈值评价评估模型的性能。研究者将LLP评估模型与全面筛查策略进行比较以确定净效益和获利。分别在3项不同的研究中应用LLP评估模型得到的曲线下面积(AUC)如下：

　　EUELC -- 0.67

　　Harvard -- 0.76

　　LLPC -- 0.82

　　烟龄是最佳的肺癌独立风险预测因素，在EUELC，Harvard和LLPC研究数据中得到的曲线下面积分别是0.63，0.74和0.72。研究者同样也指出了该研究的几个不足之处：LLPC研究中缺乏石棉制品暴露史人群的数据;获得的是预测收益，而非实际收益，还需要以CT扫描为依据的试验来证实;研究忽略了肺功能和遗传因素这两项潜在危险因素。费城宾夕法尼亚大学的A. Russell Localio哲学博士和斯坦福大学的Steven Goodman医学、哲学博士，在随后发表的社论中评价，使用LLP风险评估模型“总是比筛查所有人或不筛查要好”。然而，适用于制定临床决策的工具需要更有意义的结局评价指标。

　　分析的手段不能仅限于回归模型参数表，ROC曲线下面积，C统计量，敏感度，特异度等等。然而，通过在新的预测或筛查的方法和评估模型的研究报告中增加决策方法和相对效用曲线等创新，我们可以评价各种更复杂情况下临床决策的相对净健康收益。