急性早幼粒細胞白血病藥物與療效的相關因素分析

林海玲，鄭伊琳，廖基霖，高分飛

(1.汕頭大學醫(yī)學院第二附屬醫(yī)院藥學部，廣東 汕頭 515041；2.汕頭市中心醫(yī)院藥學部，廣東 汕頭 515041；3.汕頭大學醫(yī)學院藥理教研室，廣東 汕頭 515041)

急性早幼粒細胞白血病(acute promyelocytic leukemia，APL)是急性髓細胞性白血病的一個亞型，占10%～15%[1]。主要表現為在未成熟的粒細胞發(fā)育早期出現分化阻滯，并且可治愈[2-3]。采用全反式維甲酸(all-trans retinoic acid，ATRA)聯合蒽環(huán)類化療藥物治療初診APL 患者的完全緩解率可超過90%，長期生存率超過70%，但仍有患者復發(fā)和死亡[4-6]。ATRA 存在皮膚干燥、脫屑、消化道反應等諸多不良反應，三氧化二砷(arsenic trioxide，ATO)有肝腎毒性、心臟毒性以及血液系統、神經系統等諸多方面的不良反應[7]。這些不良反應在一定程度上制約了ATRA 和ATO 在APL 治療中的應用。本文探討藥物等可能影響APL 治療效果的相關因素，以期構建一個可以預測影響APL療效相關因素的模型。

1 材料與方法

1.1 一般資料

收集2009—2019 年汕頭大學醫(yī)學院第二附屬醫(yī)院和汕頭市中心醫(yī)院收治的APL 初診患者101例。其中男性50 例，女性51 例，年齡3～80 歲，中位年齡42 歲。診斷依據臨床表現、體格檢查、血液檢查、外周血和骨髓細胞學涂片和組化染色等檢查，均符合APL診斷標準[8-10]。收集的臨床因素共149 個。為避免樣本量不足，先對眾多因素進行分類初篩，根據單個因素與因變量相關性大小和分類因素與因變量的多因素分析結果，確定最終用于建立模型的具體自變量(因素)。本研究經汕頭大學醫(yī)學院第二附屬醫(yī)院倫理委員會和汕頭市中心醫(yī)院倫理委員會審查批準。

1.2 方法

用SPSS 23.0 進行數據分析及建模，包括Logistic 回歸模型、判別回歸模型和人工神經網絡模型，探討藥物等可能影響APL 療效的因素。采用雙側檢驗，P≤0.05認為差異有統計學意義。

1.2.1 多因素Logistic逐步回歸模型將分類初篩中有統計學意義的變量納入多因素Logistic 分析，采用逐步回歸法。按照α=0.05 顯著水平，計算綜合因素作用下各個研究因素的OR值及其95%置信區(qū)間。同時研究多個研究因素與療效的關系，并消除變量間的混雜作用。

1.2.2 多因素逐步判別回歸模型逐步判別分析通過建立一種線性組合，用最優(yōu)化的模型來概括各分類療效間的差異，可以根據已知樣本的療效分類情況來判斷未知待判的樣本的歸屬問題。具體步驟為：以兩分類療效為因變量(惡化無效=0，好轉緩解=1)，分類初篩中有統計學意義的變量為自變量Xi進行判別分析，利用篩選變量(進入標準α入=0.05，剔除標準α出=0.10)建立判別函數式，采用交叉驗證法對判別效果進行評價。

1.2.3 人工神經網絡模型建立人工神經網絡模型，計算出各個因素的相對重要性，并按照其絕對值大小列出各因素對早幼粒白血病療效的可能影響的相對重要性順位，從而達到篩選影響因素的目的。具體步驟為：以兩分類療效(惡化無效=0；好轉緩解=1)為因變量，以分類初篩出的因素進行神經網絡模型擬合。

2 結果

2.1 多因素Logistic逐步回歸模型

Logistic 回歸模型各分類變量賦值如表1 所示，結果顯示年齡(P=0.041)與住院天數(P=0.001)兩個因素均有統計學意義，提示APL 患者的年齡與住院天數對該病療效可能存在影響。隨著年齡的遞增，療效向好的概率呈上升趨勢；年齡每增加1 歲，療效“好轉緩解”的概率可能增加1.039倍。隨著住院天數的延長，療效向好的概率呈上升趨勢；住院天數每增加1 d，療效“好轉緩解”的概率可能增加1.173倍。見表2。

表1 分類變量賦值表

表2 可能影響急性早幼粒細胞白血病療效的相關臨床因素的Logistic逐步回歸

2.2 多因素逐步判別回歸模型

通過逐步判別分析，篩選出4 個與APL 療效有一定關系的臨床因素，見表3。代進判別函數的這4 個臨床因素對APL 療效都是有影響的(均P=0.001)，提示年齡、住院天數、注射用氫化可的松琥珀酸鈉使用天數和慶大霉素注射液使用天數對療效存在聯合作用。對APL 療效的影響從大到小依次為住院天數、慶大霉素注射液使用天數、注射用氫化可的松琥珀酸鈉使用天數、年齡。交叉驗證法對APL 療效的平均正確判別率是80.2%，普通自身驗證法對APL 療效的平均正確判別率為82.2%。見表4。

表3 急性早幼粒細胞白血病療效判別函數的標準化系數及分類函數系數

表4 急性早幼粒細胞白血病療效的判別回歸模型驗證(n=101)

2.3 人工神經網絡模型

人工神經網絡模型篩選出前15個因素的正態(tài)化重要性如圖1。電腦隨機抽取71.3%(72 例)的樣本為訓練樣本建立模型，28.7%(29例)為預測檢驗樣本進行預測。結果顯示，神經網絡模型預測APL 療效的準確率，訓練集是88.9%，測試集是96.6%。其中“惡化無效”的預測效果優(yōu)于“好轉緩解”的預測效果。見表5。神經網絡模型擬合預測效果較好(96.6%)，優(yōu)于Logistic回歸模型(89.1%)及判別回歸模型(82.2%)。

表5 神經網絡模型預測急性早幼粒細胞白血病療效的準確率

圖1 急性早幼粒細胞白血病療效相關因素重要性條形圖

3 討論

本研究探索性地采用了多因素Logistic 逐步回歸模型、判別分析模型和神經網絡模型進行影響APL 療效的可能相關因素的研究。多因素Logistic逐步回歸分析和判別分析均屬于直線分析。當各種影響因素之間存在復雜的非線性關系時，采用傳統的多元統計方法很難精確地對APL 療效的可能影響因素進行建模分析。而神經網絡模型能夠對多因素非線性資料進行分析和預測，還能夠用交叉驗證的方法來確保新樣本的預測效果，結果也更為符合實際情況中的資料。本研究以影響APL 療效的可能相關因素為自變量，APL 療效為應變量建立神經網絡模型，療效預測準確度為96.6%，均優(yōu)于Logistic 回歸模型(89.1%)及判別回歸模型(82.2%)，神經網絡模型對APL 療效的預測更為敏感。

神經網絡模型篩選結果顯示注射用氫化可的松琥珀酸鈉的使用天數為影響APL 療效最重要的藥物。氫化可的松琥珀酸鈉作為一種糖皮質激素，能很好地緩解患者的維甲酸綜合征、嘔吐等不良反應，具有極強的抗炎作用。有研究[11-12]表明，氫化可的松琥珀酸鈉可抑制白血病細胞的增殖并誘導其凋亡。這可能是氫化可的松琥珀酸鈉對療效重要性靠前的原因。聯合早幼粒細胞占比+出血，即入院骨髓涂片中早幼粒細胞的占比和入院前有出血癥狀，這一聯合因素的重要性提示對于APL 如果能夠及時地作出診斷，做到早發(fā)現早治療，患者將得到更好的療效。APL 經常出現嚴重的凝血障礙，這可能是出入院血小板計數差值、止血敏這些因素對療效重要性靠前的原因。如果能更好地控制凝血功能，必要時使用止血敏進行止血，患者將得到更好的療效。另外，聯合用藥因素(ATRA+ATO+柔紅霉素、甲氨蝶呤+阿糖胞苷+氫化可的松琥珀酸鈉、甲氨蝶呤+阿糖胞苷)可能對早幼粒細胞白血病療效有重要的作用。這與眾多臨床結果和研究經驗相符：采用ATRA 聯合蒽環(huán)類化療藥物治療初診APL 的完全緩解率可超過90%，長期生存率超過70%[4-6]。Adès 等[13]研究中，ATRA 聯合化療藥物，如蒽環(huán)類藥物聯合阿糖胞苷與ATRA 單藥治療相比，兩者的完全緩解率分別是96.5%和92.6%。Shen 等[14]分別使用單藥ATRA、單藥ATO 以及ATRA 聯合ATO 誘導治療APL，結果顯示完全緩解率均超過90%，但是聯合用藥組獲得完全緩解的時間和血象恢復的時間都比單一藥物組要短，而且PML-RARα融合基因的量相比于單一藥物組也出現了顯著下降。

本研究存在一定的局限性：(1)樣本數量相對較少；(2)在患者的遠期預后統計中，未對患者進行隨訪收集其生存期、復發(fā)率等方面的資料，只對患者在院期間的臨床資料進行了分析；(3)因為早期有較多的患者并未接受PML-RARα融合基因的檢查，所以并沒有對PML-RARα融合基因這一因素進行研究分析。根據不同染色體不同的易位和斷裂，會產生不同的融合基因[15]。當前使用的主要治療藥物維甲酸和亞砷酸是靶向作用于PML和RARα基因[16]，因此這兩類藥物對其他融合基因的患者的治療效果相對差很多。

綜上所述，本研究初步建立了一個APL 療效的預測模型——神經網絡模型，可通過此神經網絡模型較好地預測藥物等臨床因素對APL 療效的影響，但還需要繼續(xù)搜集大量臨床資料。建議在診療指南用藥基礎上，加用氫化可的松琥珀酸鈉、甲氨蝶呤和阿糖胞苷，關注出血風險。