原发性肝癌射频消融术后复发预测模型的建立及评价

目的 构建和评价用于预测原发性肝癌（primary liver cancer，PLC）患者射频消融（radiofrequency ablation，RFA） 术后无瘤生存率的列线图模型。 方法 回顾性分析2009年6月至2017年5月于广西医科大学附属肿瘤医院接受射频消融治疗的213例PLC患者的临床资料。ＰＬＣ患者被随机分为训练组（n=133）和验证组（n=80）。采用Cox回归模型分析射频消融术后复发的因素，并建立复发的列线图模型。通过校准曲线评估模型的预测符合度，Kaplan-Meier 曲线评估模型的实用性，一致性指数（C-index）评估模型的准确度。结果 训练组1年、3年、5年无瘤生存率分别为65.25%、40.91%、26.99%，验证组分别为66.29%、48.10%、24.59%，两组生存曲线比较差异无统计学意义（P=0.785）。Cox回归分析结果显示，肿瘤数目（HR=1.921， 95%CI：1.136~3.251）、丙肝抗体阳性（HR=4.545，95%CI：1.700~12.149）、HBV-DNA≥10² IU/mL（HR=1.993，95%CI：1.209~3.284）及血清前白蛋白（HR=0.996，95%CI：0.993~0.999）为无瘤生存率的影响因素。基于肿瘤数目、HBV-DNA和血清前白蛋白等因素建立列线图模型，训练组和验证组的 C-index 分别为 0.649（95%CI：0.588~0.710）、0.641（95%CI：0.556~0.724），校准图形中标准曲线与预测校准曲线贴合良好。采用列线图将患者分为高风险组和低风险组，高风险组无瘤生存率低于低风险组（P<0.05）。结论 基于肿瘤数目、HBV-DNA和血清前白蛋白等因素建立的列线图测模型可预测PLC射频消融术后的无瘤生存率，对患者辅助治疗具有一定指导价值。     

基于列线图构建和验证肝细胞癌伴门静脉癌栓患者肝切除术后的预后评估模型

目的 分析影响肝细胞癌伴门静脉癌栓（PVTT-HCC）患者肝切除术后预后的影响因素,并基于列线图模型构建和验证预后评估模型。方法 本研究为回顾性队列研究,选择2008年1月—2017年11月在本院行肝切除术的PVTT-HCC患者为研究对象,随访截至2021年1月。主要预测结局为1、3、5年总生存率。按照7∶3的比例将患者随机分为训练集和验证集,在训练集中采用Cox比例风险回归分析影响预后的影响,并基于影响因素构建列线图模型。同时在训练集和验证集中采用C-index评价模型的区分度,一致性曲线评估模型的校准度。结果 共231例患者符合纳入排除标准纳入分析,其中训练集162例,验证集69例。Cox比例风险回归模型显示,AFP≥400 μg/L、AST≥40 U/L、ALP≥80 U/L、肿瘤个数>1个及肿瘤包膜不完整是影响预后的危险因素。在训练集中,列线图模型预测1、3、5年总生存率的C-index分别为0.826（95%CI: 0.791~0.861）、0.818（95%CI：0.782~0.854）、0.781（95%CI：0.742~0.820）,在验证集中分别为0.814（95%CI：0.777~0.851）、0.798（95%CI：0.758~0.837）、0.769（95%CI：0.728~0.810）。校正曲线显示列线图模型在训练集和验证集均有较好的校准度。结论 本研究构建的列线图模型可准确预测PVTT-HCC患者的预后。     

卵巢癌免疫相关预后模型的构建与验证

目的 构建卵巢癌免疫相关预后模型并初步筛选预后标志物。方法 将癌症基因组图谱（TCGA）中卵巢癌样本按照7∶3的比例随机分为训练集和测试集,GSE26712作为外部验证集。通过limma软件包分析免疫相关的差异基因（IRDEGs）,单因素Cox回归筛选预后相关的IRDEGs,通过LASSO回归和多因素Cox回归构建模型,采用受试者工作特征（ROC）曲线和C-index对模型进行评价。构建列线图模型,通过校准曲线和决策曲线评价列线图的预测性能。 结果 本研究在训练集中成功构建了包含11个基因（C5AR1、CX3CR1、CXCL11、CXCL13、IGF1、IL27RA、NFKBIB、PENK、PI3、PSMC1和PSME3）的预后模型,C-index为0.69,1、3、5年的曲线下面积分别为0.67、0.71和0.75;多因素Cox回归分析显示该风险模型是卵巢癌患者的独立预后因素（HR=2.58, 95%CI=2.15~3.25）。基于风险得分成功构建了列线图模型,其校准曲线拟合良好,决策曲线显示列线图在指导临床决策方面具有积极的净收益。结论 本研究构建的免疫相关预后模型在卵巢癌预后预测中具有良好的效能,其中的相关基因可能是卵巢癌患者免疫治疗的潜在标志物。     

肺腺癌患者列线图预后模型的构建与验证

目的 基于SEER数据库的大样本数据,构建肺腺癌患者生存预后的列线图预测模型.方法 回顾性分析SEER数据库收集的2010—2015年诊断为肺腺癌患者的临床数据.根据影响肺腺癌患者预后的独立因素,采用Lasso Cox回归分析构建列线图模型.C指数和校准曲线评估列线图的判别和校准能力.使用NRI和DCA曲线评估列线图的...     

中国肝癌分期Ⅲ期肝细胞癌放疗后预后因素分析及列线图构建

目的 探讨影响接受调强放疗（intensity⁃modulated radiotherapy,IMRT）的中国肝癌分期（China liver cancer staging,CNLC）Ⅲ期肝细胞癌（hepatocellular carcinoma,HCC）患者预后的危险因素,并建立预后列线图模型。方法 收集2012年1月到2021年3月在广西医科大学附属肿瘤医院接受IMRT治疗的CNLC Ⅲ期HCC患者的临床资料进行回顾性分析。采用单因素和多因素Cox回归分析影响患者预后的独立危险因素。构建列线图模型预测患者1年、 2年、3年的总生存率,并采用受试者工作特征（receiver operating characteristic,ROC）曲线和校准曲线评估模型效能。根据 Cox 模型风险评分的中位数将患者分为高、低风险组,使用Kaplan⁃Meier 法绘制生存曲线图,log⁃rank检验分析两组的生存差异。结果 本研究共纳入250 HCC例患者。多因素Cox回归分析结果显示,肿瘤数目、甲胎蛋白（alpha⁃fetoprotein,AFP）、血清碱性磷酸酶(alkaline phosphatase,ALP）、血小板（blood platelet,PLT）是CNLC Ⅲ期HCC患者IMRT预后的独立影响因素（均P<0.05）。列线图模型预测患者1年、2年、3年总生存率的ROC曲线下面积（area under the curve,AUC）分别为0.680（95%CI：0.613~0.748）、0.717（95%CI：0.638~0.796）、0.783（95%CI：0.696~0.871）,校准曲线显示预测发生率和实际发生率之间一致性较好。log⁃rank检验显示,低风险组的总生存期（overall survival,OS）明显优于高风险组（P<0.001）。结论 肿瘤数目、AFP、ALP、PLT是影响接受IMRT治疗的CNLC Ⅲ期HCC患者预后的独立危险因素,基于上述指标建立的列线图模型有助于临床医师对患者预后做出更准确的评估并指导临床个体化治疗。     

基于术前FAR和SⅡ的预后模型与TNM分期系统在评估胰腺癌根治术患者预后中的比较

目的 探讨胰腺导管腺癌患者术前纤维蛋白原/白蛋白比值（FAR）和系统免疫炎症指数（SⅡ）对预后的预测价值。方法 受试者工作特征（ROC）曲线确定FAR、SⅡ的最佳截断值,并进行分组。Cox风险比例模型分析胰腺癌根治术的预后影响因素,依此建立列线图（Nomogram）预后模型。C-index、AUC和校准曲线评估列线图的辨别和校准能力。DCA曲线评估列线图的临床有效性。结果 术前FAR及SⅡ的最佳截断值分别为0.095和532.945。Cox比例风险回归模型显示：FAR≥0.095、SⅡ≥532.945、CA199≥450.9U/ml、肿瘤最大径≥4cm、术后未进行化疗是影响胰腺癌预后不佳的独立危险因素（P<0.05）。C-index、AUC、校准曲线和DCA曲线表明,列线图预后模型的辨别能力、校准能力和临床有效性均优于TNM分期系统预后模型。结论 构建的Nomogram预后模型较TNM分期预后模型具有更高的准确性、区分度及临床获益。     

基于SEER数据库构建肺肉瘤样癌的生存预测模型

目的 分析影响肺肉瘤样癌（PSC）患者预后的因素,构建PSC患者预后列线图预测模型。方法 基于SEER数据库收集1988—2015年间诊断为PSC患者1671例,按照7:3的比例分为建模组和验模组。对建模组患者进行单因素和多因素Cox回归分析影响PSC患者预后的独立因素并构建列线图预测模型,通过一致性指数和校准曲线分别在建模组和验模组进行验证。结果 单因素和多因素分析年龄、性别、组织学类型、TNM分期、肿瘤直径>50 mm、手术、放疗和化疗都是影响PSC患者预后的独立因素。基于独立因素构建列线图预测模型并进行验证。建模组和验模组一致性指数分别为0.790（95%CI: 0.776~0.804）和0.781（95%CI: 0.759~0.803）。建模组和验模组的校准曲线提示预测生存率与实际生存率基本一致。结论 基于多因素分析结果构建的列线图预测模型可预测PSC患者的预后,并且具有较高的准确性和一致性。     

早期胃癌患者ESD术后并发肺炎相关因素分析及风险模型预测

目的 探讨早期胃癌患者内镜黏膜下剥离（ESD）术后并发肺炎的相关因素及风险模型预测。方法 选取2016年5月—2019年2月六安市人民医院171例接受治疗的早期胃癌患者,所有患者均接受ESD术,采用Logistic回归分析筛选早期胃癌患者ESD术后并发肺炎的独立危险因素。根据筛选出的独立危险因素建立列线图预测模型,并对模型的准确度及预测性进行验证。结果 高血脂（OR=0.216, 95%CI: 0.052~1.274）、抗菌药物使用情况（OR=12.591, 95%CI: 3.242~48.899）、是否入住CU（OR=12.591, 95%CI: 0.015~0.281）、是否吞咽障碍（OR=0.217, 95%CI: 0.048~0.972）、浸润深度（OR=0.12, 95%CI: 0.025~0.572）、口腔护理（OR=8.976, 95%CI: 2.291~35.16）及留置胃管（OR=3.906, 95%CI: 1.097~13.907）为ESD术后并发肺炎的独立危险因素,基于筛选出的7项独立危险因素,建立预测ESD术后并发肺炎风险的列线图模型。通过对该模型进行验证表明：预测值和观察值基本一致,说明本研究的列线图预测模型具有较好的预测能力,同时使用Bootstrap部验证法对ESD术后并发肺炎的列线图模型进行验证,C-index指数高达0.937（95%CI: 0.929~0.945）,说明列线图模型有良好的精准度和区分度。 结论 对行ESD术后的早期胃癌患者及时考虑高血脂、抗菌药物使用情况、是否入住ICU、是否吞咽障碍、浸润深度、口腔护理及留置胃管等因素综合评估ESD术后肺炎的发生率,能提高对早期胃癌患者ESD术后并发肺炎的诊断效能。     

系统免疫炎症指数与接受新辅助化疗胰腺导管腺癌患者预后的关系

目的 探讨新辅助化疗后系统免疫炎症指数（systemic immune-inflammation index，SII）对胰腺导管腺癌（pancreatic ductal adenocarcinoma，PDAC）预后评估的价值。方法 回顾性分析2013年1月至2016年12月在盘锦辽油宝石花医院行胰腺切除术的PDAC患者的临床资料。新辅助化疗后检测SII，依据ROC曲线确定SII最佳临界值（885）分为SII＞885组（n=37）和SII≤885组（n=58），采用Cox回归评估SII与PDAC患者术后生存的关系。结果 SII与肿瘤大小、胆道引流、术前CA19-9水平有关（P<0.05）。SII≤885组的3年生存率高于SII＞885（43.1% vs 18.9%，P=0.015）。多因素Cox回归显示，肿瘤大小>3 cm（HR=1.367，95%CI：1.227～2.215，P=0.031）、CA19-9>37 IU/mL（HR=1.292，95%CI：1.132～1.931，P=0.011）及SII＞885（HR=1.451，95%CI：1.327～2.431，P=0.021）是影响PDAC患者术后生存的独立危险因素。结论 新辅助化疗后SII高的PDAC患者预后较差且SII＞885提示PDAC患者预后不良。     

胃癌No.14v组淋巴结转移的危险因素及预后分析

目的 探讨胃癌No.14v组淋巴结转移的危险因素及对预后的影响。方法 回顾性分析72例行胃癌D2根治术+No.14v组淋巴结清扫患者的临床资料。采用Logistic回归分析影响No.14v组淋巴结转移的因素，Cox回归分析No.14v组淋巴结转移与预后的关系。结果 No.14v组淋巴结转移率为25.0%（18/72）。Logistic回归分析显示，Borromann分型Ⅲ~Ⅳ型（OR=81.508，95%CI：4.805~1　382.635，P=0.002）、远处转移（OR=11.494，95%CI：1.085~121.723，P=0.043）和TNM分期Ⅲ~Ⅳ期（OR=8.101，95%CI：1.355~48.437，P=0.005）是影响No.14v组淋巴结转移的独立危险因素。No.14v组淋巴结转移组患者的中位生存时间低于非转移组（22个月 vs 33 个月，χ²=22.737，P<0.001）；多因素Cox回归分析显示，No.14v组淋巴结转移是影响患者总生存期的独立影响因素（HR=2.881，95%CI：1.222~6.793，P=0.016）。 结论 No.14v组淋巴结转移的胃癌患者预后较差，Borromann分型Ⅲ~Ⅳ型、远处转移及TNM分期Ⅲ~Ⅳ期是No.14v组淋巴结转移的独立危险因素。     

Development and validation of prognostic nomogram based on log odds of positive lymph nodes for patients with gastric signet ring cell carcinoma

ObjectiveOur aims were to establish novel nomogram models, which directly targeted patients with signet ring cell carcinoma (SRC), for individualized prediction of overall survival (OS) rate and cancer-specific survival (CSS).MethodsWe selected 1,365 SRC patients diagnosed from 2010 to 2015 from Surveillance, Epidemiology and End Results (SEER) database, and then randomly partitioned them into a training cohort and a validation cohort. Independent predicted indicators, which were identified by using univariate testing and multivariate analyses, were used to construct our prognostic nomogram models. Three methods, Harrell concordance index (C-index), receiver operating characteristics (ROC) curve and calibration curve, were used to assess the ability of discrimination and predictive accuracy. Integrated discrimination improvement (IDI), net reclassification improvement (NRI) and decision curve analysis (DCA) were used to assess clinical utility of our nomogram models.ResultsSix independent predicted indicators, age, race, log odds of positive lymph nodes (LODDS), T stage, M stage and tumor size, were associated with OS rate. Nevertheless, only five independent predicted indicators were associated with CSS except race. The developed nomograms based on those independent predicted factors showed reliable discrimination. C-index of our nomogram for OS and CSS was 0.760 and 0.763, which were higher than American Joint Committee on Cancer (AJCC) 8th edition tumor-node-metastasis (TNM) staging system (0.734 and 0.741, respectively). C-index of validation cohort for OS was 0.757 and for CSS was 0.773. The calibration curves also performed good consistency. IDI, NRI and DCA showed the nomograms for both OS and CSS had a comparable clinical utility than the TNM staging system.ConclusionsThe novel nomogram models based on LODDS provided satisfying predictive ability of SRC both in OS and CSS than AJCC 8th edition TNM staging system alone.     

基于深度学习算法开发和验证的肝细胞癌预后预测模型：一项大样本队列和外部验证研究

目的 基于深度学习算法开发和验证可评估肝细胞癌（hepatocellular carcinoma,HCC）患者预后的预测模型,并评估其价值。方法 选择2011年1月—2015年12月美国国立癌症研究所的监测、流行病学和最终结果（Surveillance,Epidemiology and Results,SEER）数据库中经病理确诊的HCC患者为训练队列用于构建模型,选择同期在本院经病理确诊的HCC患者为外部验证队列用于评估模型。主要预测结局为1、3、5年总生存率。分别使用深度学习算法DeepSurv、随机生存森林（RFS）、Cox比例风险回归开发模型,使用C-index评价模型的区分度,一致性曲线评估模型的校准度,log-rank检验评估危险分层能力。结果 训练队列9 730例患者和外部验证队列405例患者被纳入分析。在训练队列中,DeepSurv算法1、3、5年的C-index分别为0.85 （95%CI：0.80~0.90）、0.82 （95%CI：0.77~0.89）、0.80 （95%CI：0.73~0.87）,在外部验证队列中分别为0.83 （95%CI：0.78~0.87）、0.79 （95%CI：0.74~0.83）、0.72 （95%CI：0.67~0.77）。无论在训练队列还是外部验证队列中,DeepSurv算法的C-index和校准度均优于RFS、Cox回归和TNM分期（均P<0.05）;log-rank检验显示,DeepSurv算法具有良好的危险分层能力（P<0.001）。结论 基于深度学习算法DeepSurv开发的预测模型可有效预测HCC患者死亡率,且优于常规的算法和预后评价指标。       

Prognosis prediction model for a special entity of gastric cancer,linitis plastica

BackgroundGastric linitis plastica (GLP) is characteristic by its poor prognosis and highly aggressive characteristics compared with other types of gastric cancer (GC). However, the guidelines have not yet been distinguished between GLP and non-GLP.MethodsA total of 342 eligible patients with GLP identified in the Surveillance, Epidemiology, and End Results (SEER) dataset were randomly divided into training set (n=298) and validation set (n=153). A nomogram would be developed with the constructed predicting model based on the training cohort’s data, and the validation cohort would be used to validate the model. Principal component analysis (PCA) was used to evaluate the differences between groups. Cox regression and LASSO (least absolute shrinkage and selection operator) were used to construct the models. Calibration curve, time-dependent receiver operating characteristic (ROC) curve, concordance index (C-index) and decision curve analysis (DCA) were used to evaluate the predicting performance. Restricted mean survival time (RMST) was used to analyze the curative effect of adjuvant therapy.ResultsFor patients in training cohort, univariable and multivariable Cox analyses showed that age, examined lymph nodes (LN.E), positive lymph nodes (LN.P), lesion size, combined resection, and radiotherapy are independent prognostic factors for overall survival (OS), while chemotherapy can not meet the proportional hazards (PHs) assumption; age, race, lesion size, LN.E, LN.P, combined resection and marital status are independent prognostic factors for cancer-specific survival (CSS). The C-index of the nomogram was 0.678 [95% confidence interval (CI), 0.660–0.696] and 0.673 (95% CI, 0.630–0.716) in the training and validation cohort, respectively. Meanwhile, the C-index of the CSS nomogram was 0.671 (95% CI, 0.653–0.699) and 0.650 (95% CI, 0.601–0.691) in the training and validation cohort for CSS, respectively. Furthermore, the nomogram was well calibrated with satisfactory consistency. RMST analysis further determined that chemotherapy and radiotherapy might be beneficial for improving 1- and 3-year OS and CSS, but not the 5-year CSS.ConclusionsWe developed nomograms to help predict individualized prognosis for GLP patients. The new model might help guide treatment strategies for patients with GLP.     

HER-2阳性乳腺癌新辅助化疗疗效影响因素分析及相关预后模型的构建

目的:分析接受新辅助化疗的人类表皮生长因子受体2（human epidermal growth factor receptor 2,HER-2）阳性的乳腺癌患者术后病理完全缓解（pathological complete response,pCR）的影响因素,并构建相关临床预测模型来预测pCR率。方法:收集中国人民解放军空军军医大学西京医院2017年10月至2021年05月收治的464例接受新辅助化疗的HER-2阳性乳腺癌患者的临床病理资料作为建模集;收集西安市第三医院2018年01月至2021年05月收治的91例接受新辅助化疗的HER-2阳性乳腺癌患者的临床病理资料作为验证集。分析对比建模集与验证集的临床病理特征,在建模集中通过Lasso Logistic回归模型分析,确立HER-2阳性乳腺癌患者新辅助化疗后pCR的独立危险因素,并构建列线图模型。在验证集中对模型进行外部验证,通过一致性指数（C-index）、受试者工作特征（receiver operating characteristic,ROC）曲线及曲线下面积（area under curve,AUC）对模型进行内部验证,通过校准曲线评估模型的准确性,并通过临床决策曲线分析（decision curve analysis,DCA）评价模型的临床获益和应用价值。结果:建模集和验证集中的临床病理特征进行比较,其中手术术式、化疗方案、激素受体（hormone receptor,HR）状态和T分期进行比较差异具有统计学意义（P＜0.05）。Lasso Logistic回归模型分析结果显示,N分期、靶向治疗方案、HR状态及临床疗效评估是HER-2阳性乳腺癌患者新辅助化疗后pCR的影响因素（P＜0.05）,将这些因素纳入并构建列线图预测模型。建模集中模型的AUC=0.781（95%CI:0.734~0.827）;验证集中模型AUC=0.713（95%CI:0.635~0.859）。bootstrap法内部验证C-index＝0.744,显示模型无论在建模集还是验证集都具有良好的区分度。校准曲线显示列线图预测的生存率与实际生存率接近,建模集中Brier Score为0.019,验证集中,Brier Score为0.043,DCA显示模型的临床获益及应用价值较高。结论:列线图能准确预测HER-2阳性乳腺癌患者新辅助化疗后的pCR率,为临床的诊疗提供科学依据。     

腋窝临床淋巴结阳性超声特征与乳腺癌淋巴结转移负荷及预后的相关性研究

目的 分析腋窝临床淋巴结阳性乳腺癌患者的腋窝淋巴结超声特征,探索超声特征与腋窝淋巴结转移负荷及患者预后的相关性。方法 研究入组2009年1月至2020年12月于本中心接受腋窝淋巴结清扫术的临床淋巴结阳性乳腺癌患者,分析可预测腋窝淋巴结转移负荷的临床病理指标和超声指标。利用多因素Cox回归分析影响患者预后的超声指标。结果 共纳入1 055例乳腺癌患者,其中低淋巴结负荷（1~2枚淋巴结转移）398例（37.7%）,高淋巴结负荷（≥3枚淋巴结转移）657例（62.3%）。多因素分析显示,患者年龄≥55岁（OR=1.56,95%CI：1.20~2.02,P=0.001）,超声肿瘤大小<20.0 mm（OR=1.54,95%CI：1.14~2.09,P=0.005）、超声淋巴结长径<20.0 mm（OR=2.03,95%CI：1.48~2.79,P<0.001）、超声淋巴结短径<8.6 mm（OR=1.41,95%CI：1.06~1.89,P=0.019）和超声可疑淋巴枚数1~2枚（OR=2.74,95%CI：1.63~4.61,P<0.001）与低淋巴结负荷独立相关。孕激素受体和淋巴结长径是DFS（HR=2.06,95%CI：1.21~3.50,P=0.008;HR=1.66,95%CI：1.15~2.40,P=0.007）和OS（HR=4.53,95%CI：2.18~9.59,P<0.001;HR=3.49,95%CI：1.96~6.20,P<0.001）的独立预测因素。结论 超声特征有助于预测腋窝临床淋巴结阳性乳腺癌患者的淋巴结转移负荷及预后,指导后续个体化治疗。     

皮肤梭形细胞黑色素瘤患者生存预测模型的构建及验证

背景与目的：梭形细胞黑色素瘤（spindle cell melanoma,SCM）是一种罕见的黑色素瘤类型,有关SCM患者生存预后的研究较少。通过提取公共数据库中的SCM临床信息,构建并验证皮肤SCM患者5和10年癌症特异性生存率（cancer-specific survival,CSS）和总生存率（overall survival,OS）的生存预测模型。方法：从美国国立癌症研究所监测、流行病学和最终结果（Surveillance, Epidemiology, and End Results,SEER）数据库筛选出共1 445例患者,分成建模组（n=1 011）和验证组（n=434）。通过单因素和多因素COX回归分析确定独立预后影响因素,建立列线图预测模型。利用一致性指数（concordance index,C-index）、受试者工作特征（receiver operating characteristic,ROC）曲线和校准曲线评估模型的区分度和准确性,利用决策曲线分析（decision curve analysis,DCA）评估模型的临床实用性。结果：年龄、肿瘤部位、肿瘤厚度、溃疡、N分期、M分期及手术共7个独立预后影响因素纳入预测模型,CSS和OS预测模型在建模组中的C-index分别为0.778和0.753,在验证组中的C-index为0.749和0.712。建模组5和10年CSS的曲线下面积（area under curve,AUC）分别为0.815和0.825,5和10年OS的AUC分别为0.803和0.825,验证组5和10年CSS的AUC分别为0.777和0.836,5和10年OS的AUC分别为0.754和0.799。校准曲线与45°线贴合良好,DCA显示,列线图模型在较广泛阈概率范围内有临床净收益,具有良好的临床应用价值。结论：列线图对于皮肤SCM患者预后具有良好的预测能力和临床应用价值。