肝研速览第九期丨两大顶刊四篇研究精华打包奉上

引言

为帮助临床医生快速了解肝病学领域国内外研究进展，肝胆相照平台与吉林大学第一医院感染病中心/肝病科联合推出精品栏目--“肝研速览”。

“肝研速览”第九期，我们对发表于Journal of Hepatology、Hepatology 的四篇研究进行分享，以启迪临床。

Journal of Hepatology

血浆氨水平能够预测临床稳定的肝硬化门诊患者肝脏相关并发症和死亡率

背景和目的：高氨血症虽是肝性脑病发病机制的核心，但对其他几个器官系统也有多向毒害作用，影响免疫功能、能量代谢、门脉高压及导致肌少症。本研究旨在验证临床稳定的门诊肝硬化患者中，高氨血症的严重程度是肝相关并发症的风险因素这一假设。

方法：我们收集了来自3个独立肝脏单位的754名临床稳定的肝硬化门诊患者的数据。将基准氨水平校正至参考实验室的正常上限（AMM-ULN）。主要终点事件是因肝脏相关并发症住院（细菌感染、静脉曲张出、显性肝性脑病或腹水新发或恶化的复合终点）。运用多变量竞争风险脆弱性分析和快速统一随机森林预测并发症和死亡率。使用来自独立的第三方肝脏中心130名肝硬化患者的前瞻性数据进行外部验证。

结果：总的来说，260名（35%）患者因肝脏相关并发症住院。在多变量分析中，AMM-ULN是肝脏相关并发症（HR=2.13；95%CI=1.89-2.40；p<0.001）和死亡率（HR=1.45；95%CI=1.201.76；p<1.001）的独立预测因子。对于1年并发症，AMM-ULN的AUROC为77.9%，高于传统的严重程度评分。使用1.4作为训练集的最佳截止值，发现高水平和低水平的AMM-ULN在并发症和死亡率方面存在统计学差异（p<0.001）。在衍生队列和外部验证中，AMM-ULN仍然是随机森林模型内预测并发症的关键变量。

结论：氨是临床稳定的肝硬化门诊患者因肝脏相关并发症住院和死亡率的独立预测因子，在预测并发症方面优于传统的预后评分。  

摘译自：Tranah TH, Ballester MP, Carbonell-Asins JA,et al, Plasma ammonia levels predict hospitalisation with liver-related complications and mortality in clinically stable outpatients with cirrhosis, Journal of Hepatology (2022)

（吉林大学第一医院感染病中心/肝病科 董美丽 温晓玉 报道）

Hepatology

有针对性地降低门脉肝压梯度可改善TIPS术后腹水控制

背景：腹水是由门脉高压引起的肝硬化失代偿期的明确标志。虽然经颈静脉肝内门腔静脉分流术(TIPS)用于治疗复发性和难治性腹水，但没有证据表明降低门脉肝压梯度(PPG)的具体目标。

方法：在这项回顾性实验中，我们调查了截至2015年341名接受TIPS治疗难治性或复发性腹水患者门脉肝压梯度的降低情况。根据预先设定的NEPTUN协议(NCT03628807)，在每次手术中，有创地测量门静脉和下腔静脉压力，并将其与患者的预后和腹水进展随着时间的推移进行关联。

结果：与难治性腹水患者相比，TIPS后6周未出现腹水的患者在TIPS后的PPG降幅明显更大（PPG的中位降幅为65% vs. 55%;P=0.001）。与TIPS后6周需要穿刺的患者相比，腹水得到控制的患者的生存期明显更好（中位生存期: 185周 vs. 41周;HR 2.0 [1.3-2.9];P<0.001）。由此可见，TIPS降低PPG的幅度越大（P=0.005）、TIPS后PPG越低（P=0.02），与TIPS后6周严重腹水的缓解有关。多变量分析显示TIPS前高Child-Pugh评分（OR 1.3 [1.0-1.7];P=0.03）和低血清钠水平（OR 0.9 [0.9-1.0];P=0.004）与TIPS后6周腹水持续存在独立相关，而PPG减少（OR 0.98 [0.97-1.00];P=0.02）与TIPS术后6周腹水缓解有关。

结论：在TIPS术后，PPG减少的幅度和/或目标PPG的降低与短期内控制腹水和长期内的生存率有关。可对患者进行结构化随访，评估TIPS术后6周腹水是否持续存在。

摘译自：Queck A, Schwierz L, Gu W, et al. Targeted decrease of portal hepatic pressure gradient improves ascites control after TIPS[J]. Hepatology.

（吉林大学第一医院感染病中心/肝病科 渠文静 郭晓林 报道）

Hepatology

慢性药物肝损伤患者延时恢复的预测：一项大型多中心研究

2022年6月，中国人民解放军总医院第五医学中心纪冬、肖小河、邹正升共同通讯在Hepatology发表题为“Prediction of Biochemical Nonresolution in Patients with Chronic Drug-induced Liver Injury: A Large Multicenter Study”的研究论文，该研究发现显著的肝脏炎症是与BNR相关的强有力预测因子，已建立的BNR-6模型提供了一种易于使用的方法来评估慢性DILI的预后。

在这项回顾性研究中，来自9家参与医院的3,655名慢性DILI患者入组，其中2,866名接受了肝活检。所有患者进行了一年以上的随访，并从电子病历中检索了他们的临床特征。终点为慢性DILI诊断12个月时BNR，定义为丙氨酸氨基转移酶（ALT）或天冬氨酸氨基转移酶（AST）>1.5×正常上限（ULN）或碱性磷酸酶（ALP）>1.1×ULN。采用多变量logistic回归确定BNR的非侵入性高危因素用于建立列线图，该列线图在独立的外部队列中得到验证。最后，19.3%（707/3,655）的患者出现BNR。组织学上，随着肝脏炎症等级和纤维化阶段的增加，BNR的比例显著增加。与无炎症或轻度炎症相比，有明显炎症的患者发生BNR的风险增加了21.3倍（P<0.001）。生化方面，AST、总胆红素、血小板、凝血酶原时间、性别和年龄与BNR相关，并结合构建列线图模型（BNR-6），C指数为0.824（95%CI,0.798-0.849），结果为与肝组织学高度一致。这些结果在内部队列和外部队列中都得到了成功验证。

摘译自：Wang CY, Deng Y, Li P, Zheng S, Chen G, Zhou G, Xu J, Chen YP, Wang Z, Jin X, Tang JM, Hu KP, Bi JF, Zhang P, Li CX, Huang A, Lv GJ, Xiao XH, Zou Z, Ji D. Prediction of biochemical nonresolution in patients with chronic drug-induced liver injury: A large multicenter study. Hepatology. 2022 Jun;75(6):1373-1385. doi: 10.1002/hep.32283. Epub 2022 Jan 6.

（吉林大学第一医院感染病中心/肝病科 张玉 温晓玉 报道）

Journal of Hepatology

人工智能直接从肝细胞癌组织学预测免疫和炎症基因特征 

肝细胞癌（HCC）仍然是全球癌症相关死亡的主要原因之一，也是一项全球健康挑战。特殊治疗，如外科切除术、经皮消融或肝移植，提供了治愈的机会。然而，超过三分之二的患者处于晚期，免疫治疗有望改善其临床结局。目前的研究表明，免疫相关基因特征与生存率相关。过度表达免疫基因标记的HCC患者可能对免疫治疗更敏感，然而，在临床环境中使用这种标记仍然具有挑战性。因为它们需要获得核酸提取和加工/测序的分子生物学平台。它们还高度依赖于样本的质量，并且容易出现标准化问题。因此，本研究利用人工智能（AI）在全玻片数字组织学图像上，开发能够预测6个免疫基因特征激活的模型。

人工智能模型在两组不同的肝癌手术切除患者中进行训练和验证。基因表达采用RNA测序或NanoString技术进行研究。研究应用卷积神经网络、经典MIL和CLAM三种深度学习方法，对所有基因特征进行了最具预测性的组织区域的病理检查。

该研究基于TCGA肝癌转录组测序数据(TCGA-LIHC)，使用RNA测序数据和无监督聚类，在发现系列（TCGA-LIHC）的336个HCC样本中研究了6个特征中包含的基因表达。将病例标记为免疫高表达簇或免疫中/低表达簇，并使用可用的349个WSI和相关免疫标记对三种不同模型（patch-based、经典MIL和CLAM）进行训练。在Henri Mondor University Hospital治疗的139例患者中进一步验证了最佳折叠模型。通过建立数字病理切片与患者免疫状态的关联，能够有效识别免疫特征基因集高表达的患者，即为潜在的免疫治疗最敏感的HCC患者。

该研究重点在于识别各免疫特征基因集表达高的样本簇，它们可能是对免疫治疗最敏感的HCC患者。在这336个HCC样本中，6种免疫特征基因集中被定义为表达高值的样本比例分别为6G IFNg 13% (44/336)，Gajewski 13G 14% (48/336)，Inflammatory 12% (41/336)，IFNg Biology 11% (36/336)，Ribas 10G 12% (40/336)，T-cell Exhaustion 11% (36/336)。

在发现系列中，CLAM模型的总体性能最好。预测上调免疫基因标记的肿瘤ROC曲线下的最佳折叠面积(AUCs)范围为0.78~0.91。不同模型在验证数据集上具有良好的通用性，AUCs范围为0.81~0.92。对高度预测组织区域的病理分析显示淋巴细胞、浆细胞和中性粒细胞富集。

总之，该研究开发并验证了基于人工智能的病理模型，该模型能够预测多种免疫和炎症基因特征的激活。研究还深入了解了影响模型预测的形态学特征。这项概念验证研究表明，基于人工智能的病理学可能代表一种新型的生物标志物，将有助于我们将有关HCC的生物学知识转化为临床实践。 

摘译自Zeng Q, Klein C, Caruso S, Maille P, Laleh NG, Sommacale D, Laurent A, Amaddeo G, Gentien D, Rapinat A, Regnault H, Charpy C, Nguyen CT, Tournigand C, Brustia R, Pawlotsky JM, Kather JN, Maiuri MC, Loménie N, Calderaro J. Artificial intelligence predicts immune and inflammatory gene signatures directly from hepatocellular carcinoma histology. J Hepatol. 2022 Jul;77(1):116-127. 

（吉林大学第一医院感染病中心/肝病科 黄剑洁 金清龙 报道）