坐拥海量临床数据，却写不出高分论文？这篇文章值得看

对于大部分临床医生来说，想通过基础试验发表高分文章，并非一件容易的事儿。那么，临床医生应该如何发表高分文章，并成功申请到国自然呢？ 事实上，临床医生自带一个很大的优势！没错，那就是手边的“临床样本和临床资料”。 

接下来，小编将通过两篇发表在 Nature Communications （17.694分）和 Nature Cancer （23.177分）的文章为例进行说明，临床医生应该如何使用临床资料和样本发表高分文章！ 

案例1.多种临床资料相互配合，构建预测模型

图1. 案例1（原文链接：https://www.nature.com/articles/s43018-022-00416-8）

研究目的：

通过影像学数据、病理学数据和基因组学数据，联合预测非小细胞肺癌对PD-1/PD-L1抑制剂的治疗反应。（多个临床资料的整合，构建多维化模型）

研究过程：

第一步：收集资料，最为重要！

首先需要收集患者的临床资料，分析患者的影像学、病理学、基因组学和一般临床特征（图1.1）。

图1.1. 患者的基因组特征 

第二步：分项验证，扩大数据量，明确各分项的作用。 

分别验证影像学指标 （图1.2） 、病理学指标 （图1.3） 和基因组学依据 （图1.4） 与非小细胞肺癌免疫检查点抑制剂治疗的关联性 （图1.2-1.4） 。

图1.2. CT特征与免疫治疗反应的相关性

图1.3. PD-L1特征与免疫治疗反应的相关性

图1.4 基因组特征与免疫治疗反应的相关性

针对以上内容，分别对每一个单项中的因素做检测。在这种多维模型构建的文章中，首先需要做的就是“检测各个分项的作用”。

第三步：深度学习，构建预测模型。这一步同样十分重要，即通过数学建模的方法，构建综合预测模型，以便后续预测（图1.5）。

图1.5多元素预测模型的构建 

第四步： 采用 多维度预测模型，预测生存风险 （HR值） 以及其诊断效能 （AUC） ，并进行生存分析 （综合分析，分析诊断效能和生存预测） （图1.6） 。

图1.6 多维度预测模型的诊断效能的生存预测效果

仔细剖析这篇文章，我们能够学到“如何利用普通的临床资料来构建预测模型”。当然，这些临床资料是多维度的，比如说：影像学指标、检验学指标、病理学指标、一般临床特征、基因组特征、代谢状态等。

此外，本文的研究思路也非常值得学习：具体特征-各个分项与免疫治疗反应的相关性-构建模型-模型的预测效果。

案例2.前沿技术结合临床样本

图2. 案例2（原文链接：https://www.nature.com/articles/s41467-022-32570-z）

研究目的：

通过单细胞测序，对胃癌样本肿瘤微环境进行多维度分析，并预测胃癌对免疫治疗的反应。（将单细胞测序这种前沿技术与临床样本相结合）

研究过程：

第一步：通过单细胞测序，进行胃癌组织中肿瘤浸润性免疫细胞的鉴定和表征，这一步主要通过技术手段去完成（应用前沿技术）（图2.1）。

图2.1 胃癌组织中免疫细胞的单细胞测序表征

第二步：通过单细胞测序检测出浸润性免疫细胞在其中的定位和密度，并明确这种浸润性免疫细胞密度对于接受免疫治疗胃癌患者生存的影响。结果发现，高密度预示着更差的生存（对其中最有意义的肿瘤免疫细胞进行分析）（图2.2）。

图2.2 胃癌组织中浸润性免疫细胞的位置和密度对于胃癌患者生存的影响

第三步：基于肿瘤浸润性免疫细胞特征（位置和密度）构建预测模型，并探究各个分项的预测模型和组合预测模型对胃癌免疫治疗反应的预测效能（建立预测模型，分析诊断效能）（图2.3）。

图2.3基于肿瘤浸润性免疫细胞特征预测模型的诊断效能 

第四步： 依照肿瘤免疫浸润细胞特征模型，将其分为高表达和低表达两组，比较两组患者的生存情况 （落实到最重要的意义上-生存分析） （图2.4） 。

图2.4 基于肿瘤浸润性免疫细胞特征预测模型的生存分析结果 

仔细剖析这篇文章，我们可以发现：这篇研究是通过前沿技术（单细胞测序）分析胃癌组织样本中一个项目“肿瘤浸润性免疫细胞”的特征，并明确了这个特征作为免疫治疗有效性预测的诊断效能和实际应用时的效果。 这篇文章的特色在于，使用前沿技术检测了新指标，并基于这个指标构建了预测模型。 综上所述，这两篇文章均采用临床资料或临床样本进行预测模型的构建，并基于该模型预测免疫治疗反应。但两篇文章区别之处在于：第一篇文章，使用 经典资料 进行了分别的分析以及综合建模；而第二篇文章，则使用前沿技术细化了一种新指标的特征并进行模型构建。 事实上，这两种建模方法都具有很先进的理念，如果可以将两种理念有机结合一下，或许会发表更有影响力的文章！  

参考文献：

1. Vanguri RS, Luo J, Aukerman AT, et al. Multimodal integration of radiology, pathology and genomics for prediction of response to PD-(L)1 blockade in patients with non-small cell lung cancer. Nat Cancer. 2022 Aug 29. doi: 10.1038/s43018-022-00416-8.

2. Chen Y, Jia K, Sun Y, et al. Predicting response to immunotherapy in gastric cancer via multi-dimensional analyses of the tumour immune microenvironment. Nat Commun. 2022 Aug 18;13(1):4851. doi: 10.1038/s41467-022-32570-z.

撰稿：TS

编辑：Catherine

-End-  

打赏