急性早幼粒细胞白血病药物与疗效的相关因素分析

林海玲，郑伊琳，廖基霖，高分飞

(1.汕头大学医学院第二附属医院药学部，广东 汕头 515041；2.汕头市中心医院药学部，广东 汕头 515041；3.汕头大学医学院药理教研室，广东 汕头 515041)

急性早幼粒细胞白血病(acute promyelocytic leukemia，APL)是急性髓细胞性白血病的一个亚型，占10%～15%[1]。主要表现为在未成熟的粒细胞发育早期出现分化阻滞，并且可治愈[2-3]。采用全反式维甲酸(all-trans retinoic acid，ATRA)联合蒽环类化疗药物治疗初诊APL 患者的完全缓解率可超过90%，长期生存率超过70%，但仍有患者复发和死亡[4-6]。ATRA 存在皮肤干燥、脱屑、消化道反应等诸多不良反应，三氧化二砷(arsenic trioxide，ATO)有肝肾毒性、心脏毒性以及血液系统、神经系统等诸多方面的不良反应[7]。这些不良反应在一定程度上制约了ATRA 和ATO 在APL 治疗中的应用。本文探讨药物等可能影响APL 治疗效果的相关因素，以期构建一个可以预测影响APL疗效相关因素的模型。

1 材料与方法

1.1 一般资料

收集2009—2019 年汕头大学医学院第二附属医院和汕头市中心医院收治的APL 初诊患者101例。其中男性50 例，女性51 例，年龄3～80 岁，中位年龄42 岁。诊断依据临床表现、体格检查、血液检查、外周血和骨髓细胞学涂片和组化染色等检查，均符合APL诊断标准[8-10]。收集的临床因素共149 个。为避免样本量不足，先对众多因素进行分类初筛，根据单个因素与因变量相关性大小和分类因素与因变量的多因素分析结果，确定最终用于建立模型的具体自变量(因素)。本研究经汕头大学医学院第二附属医院伦理委员会和汕头市中心医院伦理委员会审查批准。

1.2 方法

用SPSS 23.0 进行数据分析及建模，包括Logistic 回归模型、判别回归模型和人工神经网络模型，探讨药物等可能影响APL 疗效的因素。采用双侧检验，P≤0.05认为差异有统计学意义。

1.2.1 多因素Logistic逐步回归模型将分类初筛中有统计学意义的变量纳入多因素Logistic 分析，采用逐步回归法。按照α=0.05 显著水平，计算综合因素作用下各个研究因素的OR值及其95%置信区间。同时研究多个研究因素与疗效的关系，并消除变量间的混杂作用。

1.2.2 多因素逐步判别回归模型逐步判别分析通过建立一种线性组合，用最优化的模型来概括各分类疗效间的差异，可以根据已知样本的疗效分类情况来判断未知待判的样本的归属问题。具体步骤为：以两分类疗效为因变量(恶化无效=0，好转缓解=1)，分类初筛中有统计学意义的变量为自变量Xi进行判别分析，利用筛选变量(进入标准α入=0.05，剔除标准α出=0.10)建立判别函数式，采用交叉验证法对判别效果进行评价。

1.2.3 人工神经网络模型建立人工神经网络模型，计算出各个因素的相对重要性，并按照其绝对值大小列出各因素对早幼粒白血病疗效的可能影响的相对重要性顺位，从而达到筛选影响因素的目的。具体步骤为：以两分类疗效(恶化无效=0；好转缓解=1)为因变量，以分类初筛出的因素进行神经网络模型拟合。

2 结果

2.1 多因素Logistic逐步回归模型

Logistic 回归模型各分类变量赋值如表1 所示，结果显示年龄(P=0.041)与住院天数(P=0.001)两个因素均有统计学意义，提示APL 患者的年龄与住院天数对该病疗效可能存在影响。随着年龄的递增，疗效向好的概率呈上升趋势；年龄每增加1 岁，疗效“好转缓解”的概率可能增加1.039倍。随着住院天数的延长，疗效向好的概率呈上升趋势；住院天数每增加1 d，疗效“好转缓解”的概率可能增加1.173倍。见表2。

表1 分类变量赋值表

表2 可能影响急性早幼粒细胞白血病疗效的相关临床因素的Logistic逐步回归

2.2 多因素逐步判别回归模型

通过逐步判别分析，筛选出4 个与APL 疗效有一定关系的临床因素，见表3。代进判别函数的这4 个临床因素对APL 疗效都是有影响的(均P=0.001)，提示年龄、住院天数、注射用氢化可的松琥珀酸钠使用天数和庆大霉素注射液使用天数对疗效存在联合作用。对APL 疗效的影响从大到小依次为住院天数、庆大霉素注射液使用天数、注射用氢化可的松琥珀酸钠使用天数、年龄。交叉验证法对APL 疗效的平均正确判别率是80.2%，普通自身验证法对APL 疗效的平均正确判别率为82.2%。见表4。

表3 急性早幼粒细胞白血病疗效判别函数的标准化系数及分类函数系数

表4 急性早幼粒细胞白血病疗效的判别回归模型验证(n=101)

2.3 人工神经网络模型

人工神经网络模型筛选出前15个因素的正态化重要性如图1。电脑随机抽取71.3%(72 例)的样本为训练样本建立模型，28.7%(29例)为预测检验样本进行预测。结果显示，神经网络模型预测APL 疗效的准确率，训练集是88.9%，测试集是96.6%。其中“恶化无效”的预测效果优于“好转缓解”的预测效果。见表5。神经网络模型拟合预测效果较好(96.6%)，优于Logistic回归模型(89.1%)及判别回归模型(82.2%)。

表5 神经网络模型预测急性早幼粒细胞白血病疗效的准确率

图1 急性早幼粒细胞白血病疗效相关因素重要性条形图

3 讨论

本研究探索性地采用了多因素Logistic 逐步回归模型、判别分析模型和神经网络模型进行影响APL 疗效的可能相关因素的研究。多因素Logistic逐步回归分析和判别分析均属于直线分析。当各种影响因素之间存在复杂的非线性关系时，采用传统的多元统计方法很难精确地对APL 疗效的可能影响因素进行建模分析。而神经网络模型能够对多因素非线性资料进行分析和预测，还能够用交叉验证的方法来确保新样本的预测效果，结果也更为符合实际情况中的资料。本研究以影响APL 疗效的可能相关因素为自变量，APL 疗效为应变量建立神经网络模型，疗效预测准确度为96.6%，均优于Logistic 回归模型(89.1%)及判别回归模型(82.2%)，神经网络模型对APL 疗效的预测更为敏感。

神经网络模型筛选结果显示注射用氢化可的松琥珀酸钠的使用天数为影响APL 疗效最重要的药物。氢化可的松琥珀酸钠作为一种糖皮质激素，能很好地缓解患者的维甲酸综合征、呕吐等不良反应，具有极强的抗炎作用。有研究[11-12]表明，氢化可的松琥珀酸钠可抑制白血病细胞的增殖并诱导其凋亡。这可能是氢化可的松琥珀酸钠对疗效重要性靠前的原因。联合早幼粒细胞占比+出血，即入院骨髓涂片中早幼粒细胞的占比和入院前有出血症状，这一联合因素的重要性提示对于APL 如果能够及时地作出诊断，做到早发现早治疗，患者将得到更好的疗效。APL 经常出现严重的凝血障碍，这可能是出入院血小板计数差值、止血敏这些因素对疗效重要性靠前的原因。如果能更好地控制凝血功能，必要时使用止血敏进行止血，患者将得到更好的疗效。另外，联合用药因素(ATRA+ATO+柔红霉素、甲氨蝶呤+阿糖胞苷+氢化可的松琥珀酸钠、甲氨蝶呤+阿糖胞苷)可能对早幼粒细胞白血病疗效有重要的作用。这与众多临床结果和研究经验相符：采用ATRA 联合蒽环类化疗药物治疗初诊APL 的完全缓解率可超过90%，长期生存率超过70%[4-6]。Adès 等[13]研究中，ATRA 联合化疗药物，如蒽环类药物联合阿糖胞苷与ATRA 单药治疗相比，两者的完全缓解率分别是96.5%和92.6%。Shen 等[14]分别使用单药ATRA、单药ATO 以及ATRA 联合ATO 诱导治疗APL，结果显示完全缓解率均超过90%，但是联合用药组获得完全缓解的时间和血象恢复的时间都比单一药物组要短，而且PML-RARα融合基因的量相比于单一药物组也出现了显著下降。

本研究存在一定的局限性：(1)样本数量相对较少；(2)在患者的远期预后统计中，未对患者进行随访收集其生存期、复发率等方面的资料，只对患者在院期间的临床资料进行了分析；(3)因为早期有较多的患者并未接受PML-RARα融合基因的检查，所以并没有对PML-RARα融合基因这一因素进行研究分析。根据不同染色体不同的易位和断裂，会产生不同的融合基因[15]。当前使用的主要治疗药物维甲酸和亚砷酸是靶向作用于PML和RARα基因[16]，因此这两类药物对其他融合基因的患者的治疗效果相对差很多。

综上所述，本研究初步建立了一个APL 疗效的预测模型——神经网络模型，可通过此神经网络模型较好地预测药物等临床因素对APL 疗效的影响，但还需要继续搜集大量临床资料。建议在诊疗指南用药基础上，加用氢化可的松琥珀酸钠、甲氨蝶呤和阿糖胞苷，关注出血风险。