修回日期: 2023-08-30
接受日期: 2023-09-18
在线出版日期: 2023-10-08
早期快速准确预测急性胰腺炎(acute pancreatitis, AP)病情程度, 筛选高危人群对逆转病情进展具有显著现实意义, 本研究基于超声心动图、全身免疫炎症指数(systemic immune inflammation index, SⅡ)构建AP病情程度列线图预测模型, 以期为个体化病情评估和治疗提供新思路.
探讨联合超声心动图、SⅡ对AP病情程度预测能力和危险分层能力.
选取2019-01/2022-12我院收治的350例AP患者, 遵循7:3比例随机分为建模组(n = 245)和验证组(n = 105), 依据AP病情程度分为重症AP亚组[急性重症胰腺炎(severe acute pancreatitis, SAP)亚组]和非重症AP亚组(NSAP亚组), 统计分析一般资料、实验室检查、SⅡ评分、超声心动图等, 采用Logistic回归方程分析SAP发病影响因素, 根据有统计学差异指标得出回归方程式, 采用R语言软件可视化处理逻辑回归模型获取列线图并验证.
(1)经多重线性排除Th17细胞、Treg细胞后, Logistic回归方程显示SII、BISAP评分、CXC趋化因子配体13(CXC chemokine ligand 13, CXCL-13)、N端脑钠肽前体(n-terminal pro-brain natriuretic peptide, NT-proBNP)、左心室射血分数(left ventricular ejection fraction, LVEF)、每搏输出量(stroke volume, SV)、侧壁二尖瓣口舒张早期峰值流速/侧壁二尖瓣口舒张晚期峰值流速(early diastolic peak velocity of lateral mitral valve opening/late diastolic peak velocity of lateral mitral valve opening, E,/A,)是SAP发病影响因素(P<0.05); (2)列线图预测模型在建模组、验证组中C指数分别为0.955、0.979, NRI值分别为0.590、0.572, IDI值分别为0.091、0.089, 且SAP校准曲线接近于45°参考线.
基于SⅡ、BISAP评分、CXCL-13、NT-proBNP、LVEF、SV、E,/A,构建AP病情程度的列线图预测模型具有可靠预测价值, 有助于指导临床诊治, 控制病情进展.
核心提要: 急性胰腺炎(acute pancreatitis, AP)是急诊科常见疾病, 虽具有自愈倾向, 但仍有20%患者进展至重症AP, 因此需早期快速准确预测AP病情程度, 筛选高危人群; 本研究基于全身免疫炎症指数、BISAP评分、CXC趋化因子配体13、N端脑钠肽前体、左心室射血分数、每搏输出量、侧壁二尖瓣口舒张早期峰值流速/侧壁二尖瓣口舒张晚期峰值流速构建AP病情程度的列线图预测模型具有可靠预测价值.
引文著录: 沈海萍, 朱书渊. 基于超声心动图、全身免疫炎症指数构建急性胰腺炎病情程度的列线图预测模型. 世界华人消化杂志 2023; 31(19): 822-829
Revised: August 30, 2023
Accepted: September 18, 2023
Published online: October 8, 2023
Early, rapid, and accurate prediction of the severity of acute pancreatitis (AP) and screening high-risk populations have significant practical significance in reversing the progression of the disease. This study developed a nomogram prediction model for AP severity based on echocardiography and the systemic immunoinflammatory index (SⅡ), in order to provide new ideas for personalized disease assessment and treatment.
To investigate the ability of echocardiography combined with systemic immunoinflammatory index (SⅡ) to predict the severity and stratify the risk of AP.
Three hundred and fifty AP patients admitted to our hospital from January 2019 to December 2022 were randomly divided into either a modeling group (n = 245) or a verification group (n = 105) in a 7:3 ratio, and they were divided into a severe AP subgroup (SAP subgroup) and non-severe AP subgroup (NSAP subgroup) according to the severity of AP. General data, laboratory tests, SⅡ score, and echocardiography parameters were statistically analyzed. The influencing factors of SAP morbidity were analyzed by Logistic regression, and regression equations were obtained according to the indicators with a statistical difference. A nomogram was obtained and verified by visual processing of the logistic regression model with R software.
After multiple linear exclusion of Th17 cells and Treg cells, logistic regression showed that SII, BISAP score, CXC chemokine ligand 13 (CXCL-13), N-terminal pro-brain natriuretic peptide (NT-proBNP), left ventricular ejection fraction (LVEF), stroke volume (SV), and early diastolic peak velocity of lateral mitral valve opening/late diastolic peak velocity of lateral mitral valve opening (E/A) were the factors influencing the development of SAP (P < 0.05). The C index of the prediction model in the modeling group and the verification group was 0.955 and 0.979, the net reclassification index (NRI) value was 0.590 and 0.572, and the integrated discrimination improvement (IDI) value was 0.091 and 0.089, respectively. The SAP calibration curve was close to the 45° reference line.
The nomogram prediction model for AP severity developed based on SⅡ, BISAP score, CXCL-13, NT-proBNP, LVEF, SV, and E/A has reliable predictive value, which can help to guide the clinical diagnosis and treatment and control the disease progression.
- Citation: Shen HP, Zhu SY. Development of a nomogram prediction model for severity of acute pancreatitis based on echocardiography parameters and systemic immunoinflammatory index. Shijie Huaren Xiaohua Zazhi 2023; 31(19): 822-829
- URL: https://www.wjgnet.com/1009-3079/full/v31/i19/822.htm
- DOI: https://dx.doi.org/10.11569/wcjd.v31.i19.822
急性胰腺炎(acute pancreatitis, AP)是急诊科常见疾病, 绝大多数患者病情较轻, 具有自愈倾向, 但仍有20%患者进展至重症AP, 病死率达36%-50%, 因此早期快速准确预测AP病情程度, 筛选高危人群对逆转病情进展具有显著现实意义[1-3]. 全身免疫炎症指数(systemic immune inflammation index, SⅡ)是一种基于淋巴细胞计数(lymphocyte count, LYM)、中性粒细胞(neutrophils, NEU)和血小板计数的综合性指标, 可客观、准确反映机体炎症状态, 其在AP病情程度及预后评估中价值已得到论证, 但仍需大量循证支持[4]. 另有研究表明[5], 心肌受损是急性重症胰腺炎(severe acute pancreatitis, SAP)最为严重并发症, 两者相互影响, 相互作用, 形成恶性循环. 超声心动图利用彩超机器和探头回声技术, 明确心脏内结构变化, 定量评价心脏功能, 在心肌损害鉴别诊断中凸显独特优势, 但其参数在AP病情评估中是否具有提示作用尚不得知[6]. 本研究基于超声心动图、SⅡ构建AP病情程度列线图预测模型, 以期为个体化病情评估和治疗提供新思路. 结果如下.
选取2019-01/2022-12我院收治的350例AP患者, 均符合AP诊断标准[7]: 典型腹痛、血清淀粉酶或脂肪酶升高超过3倍正常值上限, CT显示AP表现; 首次发病, 发病至入院时间不足48 h; 患者家属知晓并签署同意书. 排除免疫性疾病、肝肾异常、其他病因引起AP、造血系统异常、临床资料缺失、关键数据存在异常值和缺失值、近期接受激素及免疫抑制剂治疗者. 遵循7:3比例随机分为建模组(n = 245)和验证组(n = 105). 本研究经医院伦理委员会审核批准.
1.2.1 一般资料: 采用自制一般资料调查问卷收集350例AP患者性别、年龄、发病至入院时间、病因、吸烟、饮酒、机械通气、使用血管活性药物、实验室检查、超声心动图相关参数. 采集入院当天4 mL外周肘静脉血, 离心取上清液, 以全自动血细胞分析仪(希森美康株式会社XN-10[B4])测定白细胞计数(white blood cell count, WBC)、NEU%、NEU、LYM、血小板计数, 酶联免疫吸附法测定C-反应蛋白(C-reactive protein, CRP)、CXC趋化因子配体13(CXC chemokine ligand 13, CXCL-13)、N端脑钠肽前体(n-terminal pro-brain natriuretic peptide, NT-proBNP), 流式细胞仪(深圳迈瑞生物BriCyte E6)测定Th17细胞、Treg细胞, 计算SⅡ, SⅡ = 血小板计数×NEU/LYM. 入院当天急性胰腺炎严重程度床边指数(BISAP)评估标准[8]: 含血尿素氮、意识障碍、SIRS、年龄、胸膜渗出5个项目, 上述项目24 h内出现记1分, 总分5分, 分值越高病情越严重. 入院当天, 应用荷兰飞利浦Q7超声心动图测定左心室射血分数(left ventricular ejection fraction, LVEF)、二尖瓣口舒张早期峰值流速/二尖瓣口舒张晚期峰值流速(early peak diastolic velocity of mitral valve opening/late peak diastolic velocity of mitral valve opening, E/A)、每搏输出量(stroke volume, SV)、侧壁二尖瓣口舒张早期峰值流速/侧壁二尖瓣口舒张晚期峰值流速(early diastolic peak velocity of lateral mitral valve opening/late diastolic peak velocity of lateral mitral valve opening; E,/A,), 注意所有患者超声检查前均未应用血管活性药物.
1.2.2 AP病情程度: 根据2012年亚特兰大分类标准评价[9], 包含轻症(无局部或全身并发症, 无器官衰竭)、中度重症(器官衰竭时间不足48 h)、重症(器官衰竭时间持续48 h以上)3个等级, 轻症、中度重症纳入非重症AP亚组, 即NSAP组; 重症纳入重症AP亚组, 即SAP亚组. 建模组、验证组分别检出24例、11例SAP患者和221例、94例NSAP患者.
1.2.3 质量控制: 以统一指导语协助患者或家属填写问卷, 阅读或理解困难者, 采用中性语言耐心解释, 由患者或家属做出选择, 研究者记录, 现场核实问卷填写情况, 逐一检查, 检查无误后, 双人录入数据, 进行统计分析.
统计学处理 应用SPSS 22.0及R语言(4.0.3)处理数据, 计量资料、计数资料以mean±SD、[例(%)]表示, t、χ2检验, Logistic回归方程筛选影响因素, rms程序包绘制列线图, 采用受试者工作特征曲线(receiver operating characteristic curve, ROC)、校准曲线、净重新分类指数(net reclassification index, NRI)、综合判别改善指数(integrated discrimination improvement, IDI)评估列线图模型预测效能, 检验水准a = 0.05.
两组SII、BISAP评分、CXCL-13、Th17细胞、Treg细胞、NT-proBNP、LVEF、SV、E,/A,比较差异有统计学意义(P<0.05). 见表1.
| 项目 | 建模组 | 验证组 | ||||
| SAP亚组(n = 24) | NSAP亚组(n = 221) | t/χ2, P | SAP亚组(n = 11) | NSAP亚组(n = 94) | t/χ2, P | |
| 性别(男/女) | 13/11 | 115/106 | 5/6 | 49/45 | ||
| 年龄(岁) | 53.22±3.41 | 52.48±4.67 | 0.751, 0.452 | 52.38±4.42 | 50.99±5.56 | 0.798, 0.426 |
| 发病至入院时间(h) | 10.32±1.48 | 9.96±1.65 | 1.025, 0.307 | 10.28±1.43 | 10.11±1.57 | 0.342, 0.733 |
| SⅡ | 2293.66±456.68 | 1105.56±271.13 | 18.818, 0.000 | 2294.71±455.86 | 1107.01±269.34 | 12.733, 0.000 |
| BISAP评分(分) | 3.01±0.34 | 2.12±0.30 | 13.621, 0.000 | 3.05±0.30 | 2.20±0.33 | 8.152, 0.000 |
| 病因 | 0.221, 0.974 | 1.010, 0.798 | ||||
| 特发性 | 2(8.33) | 16(7.24) | 1(9.10) | 7(7.44) | ||
| 酒精性 | 1(4.17) | 6(2.71) | 0(0.00) | 4(4.26) | ||
| 高脂血症 | 9(37.50) | 83(37.56) | 5(45.45) | 32(34.04) | ||
| 胆源性 | 12(50.00) | 116(52.49) | 5(45.45) | 51(54.26) | ||
| 吸烟 | 7(29.17) | 68(30.77) | 0.026, 0.872 | 4(36.36) | 31(32.98) | 0.013, 0.910 |
| 饮酒 | 6(25.00) | 64(28.96) | 0.166, 0.683 | 3(27.27) | 25(26.59) | 0.097, 0.755 |
| 机械通气 | 14(58.33) | 130(58.82) | 0.002, 0.963 | 6(54.55) | 54(57.45) | 0.020, 0.890 |
| 使用血管活性药物 | 4(16.67) | 33(14.93) | 0.005, 0.940 | 3(27.27) | 22(23.40) | 0.008, 0.930 |
| 实验室检查 | ||||||
| WBC(×109/L) | 11.42±1.03 | 10.96±1.52 | 1.446, 0.150 | 11.56±1.00 | 10.92±1.16 | 1.753, 0.083 |
| NEU(%) | 8.30±0.68 | 7.95±0.90 | 1.847, 0.066 | 8.35±0.70 | 8.01±0.88 | 1.234, 0.220 |
| CRP(mg/L) | 12.12±1.46 | 11.53±2.23 | 1.266, 0.207 | 12.05±1.53 | 10.98±2.97 | 1.173, 0.243 |
| Th17细胞(%) | 4.88±0.41 | 4.05±0.34 | 11.122, 0.000 | 4.85±0.43 | 4.10±0.31 | 7.273, 0.000 |
| Treg细胞(%) | 5.71±0.53 | 6.51±0.70 | 5.428, 0.000 | 5.64±0.55 | 6.43±0.66 | 3.813, 0.000 |
| CXCL-13(pg/mL) | 104.24±12.25 | 85.56±8.47 | 9.770, 0.000 | 105.12±10.87 | 86.13±8.03 | 7.138, 0.000 |
| NT-proBNP(pg/mL) | 1035.33±211.12 | 275.52±89.89 | 32.918, 0.000 | 1040.11±208.94 | 274.75±90.13 | 22.326, 0.000 |
| 超声心动图相关参数 | ||||||
| LVEF(%) | 45.45±4.33 | 50.52±4.16 | 5.648, 0.000 | 44.78±4.56 | 50.37±4.38 | 3.988, 0.000 |
| SV(mL) | 49.50±4.56 | 55.58±4.33 | 6.500, 0.000 | 50.12±4.13 | 55.12±4.56 | 3.471, 0.000 |
| E/A | 0.94±0.33 | 1.01±0.30 | 1.075, 0.283 | 0.96±0.50 | 1.00±0.28 | 0.407, 0.685 |
| E,/A, | 0.70±0.34 | 0.91±0.35 | 2.800, 0.006 | 0.68±0.36 | 0.95±0.31 | 2.688, 0.008 |
对11个变量进行多重线性诊断, 显示Th17细胞与Treg细胞两变量的条件指数为32.900, 方差膨胀因子分别为4.090、4.011, 明显高于其他变量, 方差分解比例分别为92%、90%, 超过50%, 综合认为两者之间存在较强共线性, 给予剔除处理.
以是否为SAP为自变量, 2.2共线性诊断结果为因变量纳入Logistic回归方程, 结果发现SⅡ、BISAP评分、CXCL-13、NT-proBNP、LVEF、SV、E,/A,是SAP发病影响因素(P<0.05). 见表2.
| 自变量 | 赋值 | β | S.E. | Wald χ2 | P | OR | 95%CI | |
| 下限 | 上限 | |||||||
| SⅡ | 实测值 | 1.652 | 0.448 | 13.601 | <0.001 | 5.218 | 1.688 | 16.132 |
| BISAP评分 | 实测值 | 1.843 | 0.422 | 19.083 | <0.001 | 6.318 | 1.951 | 20.463 |
| CXCL-13 | 实测值 | 1.607 | 0.371 | 18.760 | <0.001 | 4.987 | 1.513 | 16.440 |
| NT-proBNP | 实测值 | 2.016 | 0.546 | 13.631 | <0.001 | 7.507 | 2.668 | 21.124 |
| LVEF | 实测值 | -0.504 | 0.122 | 17.081 | <0.001 | 0.604 | 0.489 | 0.746 |
| SV | 实测值 | -0.432 | 0.097 | 19.845 | <0.001 | 0.649 | 0.512 | 0.823 |
| E,/A, | 实测值 | -0.517 | 0.101 | 26.214 | <0.001 | 0.596 | 0.500 | 0.711 |
| 常量 | 15.331 | |||||||
基于2.3结果得出Logistic回归方程式: Y = 15.331+SⅡ×1.652 +BISAP评分×1.843+CXCL-13×1.607+NT-proBNP×2.016+LVEF×(-0.504)+SV×(-0.432)+E,/A,×(-0.517), 经R语言软件可视化处理得到SAP列线图, 见图1.
2.5.1 区分度: 列线图预测模型在建模组、验证组中C指数分别为0.955、0.979, 见图2.
2.5.2 校准度: 列线图预测模型在建模组、验证组中SAP校准曲线与45°参考线大致接近, 预测点分布均匀. 见图3.
2.5.3 NRI和IDI: 列线图预测模型在建模组、验证组中NRI值分别为0.590、0.572, IDI值分别为0.091、0.089, 提示列线图预测模型优秀预测性能.
Logistic回归方程主张各变量间独立存在, 但研究过程中各变量间往往存在线性依存关系, 扩大估计参数标准误、均方误差, 导致部分重要变量无法进入模型[10,11]. 本研究针对有统计学意义单因素展开多重共线性诊断, 排除Th17细胞、Treg细胞后进行多因素分析, 发现SAP发病影响因素涉及8个变量: (1)BISAP是评价AP病情程度重要工具, 其分值越高, AP病情越严重. 相关研究表明, BISAP与AP患者住院时间呈正相关, 可在AP发病早期发现重症趋势, 该结果在本研究中得到证实[12]. 但需注意的是, BISAP量表涉及多项指标, 计算繁琐, 无法短时间内完成, 且存在假阴性情况; (2)诸多学者指出, 采用LYM、NEU、血小板计数等血清学分子预测AP病情程度, 随着AP病情程度进展, NEU可在趋化因子作用下聚集于胰腺局部, 黏附至内皮细胞, 形成血栓, 加重胰腺微循环障碍, 减少血小板数量, 而LYM呈现下降趋势, 但上述指标单独预测精准差异较大, 临床应用受限[13,14]. SⅡ指数囊括LYM、NEU、血小板计数, 相比于单项指标, 可全面反映炎症过程, 参与SAP发生发展[15]. 本研究数据显示, SⅡ指数是SAP发病独立预测因子, 可为临床学者早期识别病情程度变化提供科学依据; (3)CXCL-13在正常胰腺组织中呈低表达, AP发生后, 可合成过量炎性细胞因子, 诱发炎症反应瀑布效应, 介导CXCL-13生成. 刘伟等[16]学者指出, 血清CXCL-13含量随着AP病情程度增加而升高, 但相关循证依据少. 本研究发现, 高CXCL-13是SAP发病高危因素, 考虑原因与高CXCL-13可促进胰腺上皮细胞及间质细胞损伤有关; (4)当患者病情程度进展至SAP后, 可合成过量细胞因子、氧衍生自由基等, 引起心肌细胞损伤、凋亡, 从而导致心肌受损[17]. 心肌标志物在心功能受损中具有高准确度, 如NT-proBNP, 其值越高说明心肌损伤越严重, 但该指标出现异常时间较晚, 易延误治疗时机. 超声心动图通过测定LVEF、SV、E,/A,等参数判断AP患者心脏功能, 上述参数越接近正常范围说明心脏功能越好. 统计分析发现LVEF、SV、E,/A,、NT-proBNP均是SAP发病影响因素, 监测超声心动图及实验室指标有助于临床学者及早识别AP病情程度, 采取合理有效治疗措施, 延缓病情进展.
传统预测模型需将模型指标代入模型进行自然数幂次方计算, 计算过程复杂, 导致低年资护士无法准确评估、识别和处理疾病[18]. 列线图是新兴预测工具, 其优势在于简化复杂统计学计算过程, 根据各因素对终点事件影响程度赋分, 汇总各因素总分, 获取直观目标终点预测概率, 具有便携性、准确性、直观可视性等优点, 在多种实体肿瘤预后评估中凸显独特优势[19,20]. 目前用于AP病情程度的列线图预测模型研究较少, 本研究基于Logistic回归方程筛选影响因素构建列线图预测模型, 结果发现列线图预测模型在建模组、验证组中C指数分别为0.955、0.979, 且SAP校准曲线接近于45°参考线, 可为SAP个体化治疗提供新思路. 资料显示, NRI值>0提示新模型比旧模型预测能力提高[21]. IDI值越大说明新模型预测能力越好, 可弥补NRI、C指数缺陷, 更为全面、准确反映模型改善程度. 统计分析发现该模型在建模组、验证组中NRI值分别为0.590、0.572, IDI值分别为0.091、0.089, 说明基于SAP发病影响因素构建列线图预测模型具有良好预测效能. 相比于亚特兰标准, 列线图预测模型中涉及SⅡ、超声心动图指标具有方便快捷这一优势, 可快速有效识别病情程度, 采取诊治措施, 降低器官衰竭风险.
综上, 基于SⅡ、BISAP评分、CXCL-13、NT-proBNP、LVEF、SV、E,/A,构建AP病情程度的列线图预测模型具有可靠预测价值, 有助于临床医生更好评估患者病情程度, 提高个体化治疗方案, 促进疾病转归. 本研究纳入研究对象均源于单中心, 无法避免潜在选择性偏倚, 未来需多中心多渠道选取样本, 纳入更多相关因素, 补充验证模型预测能力, 获取更为准确研究成果.
急性胰腺炎(acute pancreatitis, AP)虽具有自愈倾向, 但仍有20%患者进展至重症AP, 因此需早期快速准确预测AP病情程度, 筛选高危人群; 监测超声心动图及实验室指标有助于临床学者及早识别AP病情程度, 采取合理有效治疗措施, 延缓病情进展.
本研究基于超声心动图、全身免疫炎症指数(systemic immune inflammation index, SⅡ)构建AP病情程度列线图预测模型, 以期为个体化病情评估和治疗提供新思路.
探讨联合超声心动图、SⅡ对AP病情程度预测能力和危险分层能力.
选取2019-01/2022-12我院收治的350例AP患者, 均符合AP诊断标准, 遵循7:3比例随机分为建模组(n = 245)和验证组(n = 105). 依据AP病情程度分为重症AP亚组[急性重症胰腺炎(severe acute pancreatitis, SAP)亚组]和非重症AP亚组(NSAP亚组), 根据有统计学差异指标得出回归方程式, 采用R语言软件可视化处理逻辑回归模型获取列线图并验证.采用受试者工作特征曲线(receiver operating characteristic curve, ROC)、校准曲线、净重新分类指数(net reclassification index, NRI)、综合判别改善指数(integrated discrimination improvement, IDI)评估列线图模型预测效能, 检验水准a = 0.05.
Logistic回归方程, 结果发现SⅡ、BISAP评分、CXC趋化因子配体13(CXC chemokine ligand 13, CXCL-13)、N端脑钠肽前体(n-terminal pro-brain natriuretic peptide, NT-proBNP)、左心室射血分数(left ventricular ejection fraction, LVEF)、每搏输出量(stroke volume, SV)、侧壁二尖瓣口舒张早期峰值流速/侧壁二尖瓣口舒张晚期峰值流速(early diastolic peak velocity of lateral mitral valve opening/late diastolic peak velocity of lateral mitral valve opening, E,/A,)是SAP发病影响因素(P<0.05). 基于回归方程结果得出Logistic回归方程式: Y = 15.331+SⅡ×1.652+BISAP评分×1.843+CXCL-13×1.607+NT-proBNP×2.016+LVEF×(-0.504)+SV×(-0.432)+E,/A,×(-0.517), 经R语言软件可视化处理得到SAP列线图, 列线图预测模型在建模组、验证组中C指数分别为0.955、0.979, NRI值分别为0.590、0.572, IDI值分别为0.091、0.089, 且SAP校准曲线接近于45°参考线.
本研究基于超声心动图、SⅡ构建AP病情程度列线图预测模型具有可靠预测价值, 以期为个体化病情评估和治疗提供新思路.
基于超声心动图、SⅡ构建AP病情程度列线图预测模型, 可快速有效识别病情程度, 采取诊治措施, 降低器官衰竭风险. 设计合理, 数据详实, 值得推广继承和研究, 对临床具有指导意义. 有助于临床医生更好评估AP患者病情程度及危险分层, 提高个体化治疗方案, 促进疾病转归.
学科分类: 胃肠病学和肝病学
手稿来源地: 浙江省
同行评议报告学术质量分类
A级 (优秀): 0
B级 (非常好): 0
C级 (良好): C, C
D级 (一般): D
E级 (差): 0
科学编辑:张砚梁 制作编辑:张砚梁
| 1. | Tan JH, Cao RC, Zhou L, Zhou ZT, Chen HJ, Xu J, Chen XM, Jin YC, Lin JY, Zeng JL, Li SJ, Luo M, Hu GD, Yang XB, Jin J, Zhang GW. ATF6 aggravates acinar cell apoptosis and injury by regulating p53/AIFM2 transcription in Severe Acute Pancreatitis. Theranostics. 2020;10:8298-8314. [PubMed] [DOI] |
| 2. | Mei QX, Hu JH, Huang ZH, Fan JJ, Huang CL, Lu YY, Wang XP, Zeng Y. Pretreatment with chitosan oligosaccharides attenuate experimental severe acute pancreatitis via inhibiting oxidative stress and modulating intestinal homeostasis. Acta Pharmacol Sin. 2021;42:942-953. [PubMed] [DOI] |
| 3. | Eldaly AS, Fath AR, Mashaly SM, Elhadi M. Acute pancreatitis associated with severe acute respiratory syndrome coronavirus-2 infection: a case report and review of the literature. J Med Case Rep. 2021;15:461. [PubMed] [DOI] |
| 4. | Bittoni A, Pecci F, Mentrasti G, Crocetti S, Lupi A, Lanese A, Pellei C, Ciotti C, Cantini L, Giampieri R, Lenci E, Giglio E, Bini F, Copparoni C, Meletani T, Baleani MG, Berardi R. Systemic immune-inflammation index: a prognostic tiebreaker among all in advanced pancreatic cancer. Ann Transl Med. 2021;9:251. [PubMed] [DOI] |
| 5. | Dams OC, Vijver MAT, van Veldhuisen CL, Verdonk RC, Besselink MG, van Veldhuisen DJ. Heart Failure and Pancreas Exocrine Insufficiency: Pathophysiological Mechanisms and Clinical Point of View. J Clin Med. 2022;11. [PubMed] [DOI] |
| 6. | Wen Y, Sun HY, Tan Z, Liu RH, Huang SQ, Chen GY, Qi H, Tang LJ. Abdominal paracentesis drainage ameliorates myocardial injury in severe experimental pancreatitis rats through suppressing oxidative stress. World J Gastroenterol. 2020;26:35-54. [PubMed] [DOI] |
| 10. | Neetz B, Meis J, Herth FJF, Trudzinski FC. Role of total lung stress on the progression of early COVID-19 pneumonia: collinearity and potential confounders. Intensive Care Med. 2022;48:249-250. [PubMed] [DOI] |
| 11. | Eledum H. Leverage and influential observations on the Liu type estimator in the linear regression model with the severe collinearity. Heliyon. 2021;7:e07792. [PubMed] [DOI] |
| 13. | 宋 小静, 高 伟波, 朱 继红. 中性粒/淋巴细胞比率, 血小板/淋巴细胞比率联合BISAP评分对于重症高三酰甘油血症性胰腺炎早期预测分析. 中华急诊医学杂志. 2022;31:1193-1199. [DOI] |
| 14. | Biyik M, Biyik Z, Asil M, Keskin M. Systemic Inflammation Response Index and Systemic Immune Inflammation Index Are Associated with Clinical Outcomes in Patients with Acute Pancreatitis? J Invest Surg. 2022;35:1613-1620. [PubMed] [DOI] |
| 15. | Lu L, Feng Y, Liu YH, Tan HY, Dai GH, Liu SQ, Li B, Feng HG. The Systemic Immune-Inflammation Index May Be a Novel and Strong Marker for the Accurate Early Prediction of Acute Kidney Injury in Severe Acute Pancreatitis Patients. J Invest Surg. 2022;35:962-966. [PubMed] [DOI] |
| 16. | 刘 伟, 支 媛, 高 璐, 滕 萱, 陆 双. 急性胰腺炎患者血清微小RNA-340-3p,CXC趋化因子配体-13和CXC趋化因子配体-16的表达意义. 陕西医学杂志. 2023;52:97-100. [DOI] |
| 17. | Gao Y, Gao Y, Niu Z, Liu J, Feng H, Sun J, Wang L, Pan L. CCCTC-binding factor-mediated microRNA-340-5p suppression aggravates myocardial injury in rats with severe acute pancreatitis through activation of the HMGB1/TLR4 axis. Immunopharmacol Immunotoxicol. 2022;44:306-315. [PubMed] [DOI] |
| 18. | Li Q, Kong F, Ma J, Wang Y, Wang C, Yang H, Li Y, Ma X. Nomograms Based on Fibrinogen, Albumin, Neutrophil-Lymphocyte Ratio, and Carbohydrate Antigen 125 for Predicting Endometrial Cancer Prognosis. Cancers (Basel). 2022;14. [PubMed] [DOI] |
| 19. | 毛 咪咪, 李 海明, 石 健, 邱 钱赛, 冯 峰. 基于多序列MRI影像组学列线图预测上皮性卵巢癌患者对铂类药物化疗的敏感性. 中华医学杂志. 2022;102:201-208. [DOI] |
| 20. | Li C, Cao S, Sun X, Lu C, Guo M. Prognostic modeling of overall survival and analysis of K-M survival curves in patients with primary colon cancer: A SEER-based study. Medicine (Baltimore). 2023;102:e33902. [PubMed] [DOI] |
| 21. | Hu Y, Qi Q, Zheng Y, Wang H, Zhou J, Hao Z, Meng J, Liang C. Nomogram for predicting the overall survival of patients with early-onset prostate cancer: A population-based retrospective study. Cancer Med. 2022;11:3260-3271. [PubMed] [DOI] |