引用本文： 王露, 李俊玫, 毛熙光. 卵巢肿瘤术前恶性风险诊断模型的构建与验证. 华西医学, 2024, 39(9): 1419-1426. doi: 10.7507/1002-0179.202312198 复制
卵巢恶性肿瘤是女性常见的生殖系统恶性肿瘤。虽然卵巢恶性肿瘤每年新发病例数低于宫颈癌及子宫体癌[1]，但多数患者在确诊时已发生转移，其年死亡率居女性生殖系统恶性肿瘤之首[2-3]。研究显示，随着肿瘤的快速生长，卵巢恶性肿瘤患者的 5 年生存率逐渐下降，诊断为Ⅰ+Ⅱ期和Ⅲ+Ⅳ期时 5 年生存率分别为 61%～87% 和 14%～38%[4]。故若能利用便捷的信息尽快判断卵巢肿瘤的性质并及时进行专业诊治，对患者的病情预后十分重要[5]，同时也可优化医疗资源的使用，降低医患双方的时间及经济成本。找到早期判别卵巢恶性肿瘤的诊断工具对于疾病的治疗和总生存期延长可能具有重要的意义。目前血清糖类抗原 125（carbohydrate antigen 125, CA125）和血清生物标志物人附睾蛋白 4（human epididymis protein 4, HE4）是临床广泛应用的卵巢肿瘤血清标志物，但其单独应用于诊断卵巢恶性肿瘤具有一定局限性[6-8]。同时，炎症与肿瘤微环境之间存在着相互作用，中性粒细胞绝对值、淋巴细胞绝对值等指标已被证明是预测各种癌症预后的潜在指标[9-10]。本研究旨在利用容易获取的血清学指标及临床基本信息构建卵巢肿瘤术前恶性风险的诊断模型，以提高现有检验指标的诊断效能，为卵巢肿瘤的临床诊断提供新思路。
1 对象与方法
1.1 研究对象
回顾性分析 2019 年 1 月—2023 年 9 月就诊于西南医科大学附属医院妇科接受诊断和治疗且经手术病理切片证实为卵巢肿瘤患者的资料。纳入标准：① 经病理证实为卵巢肿瘤；② 实验室和临床资料完整。排除标准：① 非初次治疗；② 非卵巢部位原发病灶；③ 合并其他器官和组织恶性肿瘤；④ 合并其他严重的系统性疾病；⑤ 近 3 个月接受过激素治疗，近 2 周内使用过抗炎药物；⑥ 合并妊娠。将患者根据病理结果分为卵巢恶性肿瘤组和卵巢良性肿瘤组。本研究根据《赫尔辛基宣言》的伦理原则进行，经西南医科大学附属医院医学伦理委员会批准（批准号：KY2023344）。由于本研究属于回顾性病例对照研究，无需签署知情同意。
1.2 资料采集
收集患者的年龄、体质量指数、高血压病史、糖尿病病史、绝经状态（绝经定义为非妊娠状态下停经时间>1 年，或年龄>50 岁且有子宫切除手术病史）、病理分期、白细胞计数、中性粒细胞绝对值、淋巴细胞绝对值、中性粒细胞百分比、红细胞计数、血红蛋白、红细胞体积分布宽度变异系数、血小板计数、血小板平均体积、血小板压积、血小板体积分布宽度、大血小板比例、纤维蛋白原、白蛋白、球蛋白、乳酸脱氢酶、总胆固醇、CA125、HE4。上述实验室指标检测均由西南医科大学附属医院检验科医生在仪器和试剂说明书指导下，严格遵循操作规范的情况下进行。
1.3 复合指标的计算
根据上述实验室指标，计算各种复合指标，包括中性粒细胞与淋巴细胞比值（neutrophil to lymphocyte ratio, NLR）、系统免疫炎症指数（systemic immune-inflammation index, SII）、白蛋白与球蛋白比值（albumin to globulin ratio, AGR）、纤维蛋白原与白蛋白比值（fibrinogen to albumin ratio, FAR）、血小板与淋巴细胞比值（platelet to lymphocyte ratio, PLR），其中 SII=血小板计数×中性粒细胞绝对值/淋巴细胞绝对值[11]。
1.4 统计学方法
对所有数据应用 Microsoft Excel 2019 软件建立数据库进行双人双录入，通过 SPSS 26.0 和 R 4.3.1 软件进行统计分析处理。计量资料使用 Shapiro-Wilk 检验作正态性检验，符合正态分布的以均数±标准差表示，组间比较采用独立样本 t 检验；不符合正态分布的以中位数（下四分位数，上四分位数）表示，组间比较采用 Mann-Whitney U 检验。计数资料以频数和/或百分数表示，组间比较采用 χ2 检验。对计量资料使用受试者操作特征（receiver operating characteristic, ROC）曲线来获取最佳截断值，并根据最佳截断值将其转换为二分类变量后进行下一步分析。利用随机函数 rand 将数据按照 7∶3 的比例分为训练集及验证集。在训练集中先进行单因素 logistic 回归分析，将 P<0.05 的变量纳入多因素 logistic 逐步回归，并结合赤池信息准则（Akaike information criterion, AIC）构建模型。应用 ROC、Hosmer-Lemeshow 拟合优度检验、Brier 评分等对构建的模型在训练集及验证集中进行区分度和校准度评价，通过决策曲线、临床影响曲线评估模型应用于临床时的获益情况和适用性。双侧检验水准 α=0.05。
2 结果
2.1 纳入患者基本资料
共纳入卵巢肿瘤患者 929 例。其中卵巢恶性肿瘤组 318 例（34.2%），年龄 7～86 岁，中位年龄 51 岁；根据国际妇产科联合会 2018 分期，Ⅰ+Ⅱ期 172 例（54.1%），Ⅲ+Ⅳ期 146 例（45.9%）。卵巢良性肿瘤组 611 例（65.8%），年龄 7～80 岁，中位年龄 36 岁。两组间红细胞体积分布宽度变异系数、SII、FAR、总胆固醇差异无统计学意义（P>0.05），其余纳入分析的指标组间差异均有统计学意义（P<0.05）。见表1。
表1
两组间基本资料比较
2.2 计量资料转化为二分类变量
将所有计量资料以术后病理诊断结果为金标准，使用 ROC 曲线法获取其灵敏度、特异度等指标，从而计算出约登指数来获取最佳截断值（表2），以此实现计量资料向二分类变量的转化。
表2
指标中计量资料的诊断效能评价
2.3 模型的构建
在 SPSS 26.0 软件中按照 7∶3 的比例将数据随机拆分为训练集 658 例及验证集 271 例。在训练集中将计量资料转化为二分类变量后与分类资料纳入单因素 logistic 回归分析（表3），将 P<0.05 的变量纳入多因素 logistic 回归分析，通过逐步回归法进行多变量筛选，得到模型 modelUAM（表4），模型内包含 5 个变量，分别为年龄、中性粒细胞百分比、FAR、CA125、HE4，其中，中性粒细胞百分比经多变量筛选后虽 P>0.05，但纳入该变量的 modelUAM 具有最小 AIC 值（400.39），而其余模型的 AIC 值在 400.42～517.79，说明中性粒细胞百分比增加预测贡献度，提升了模型拟合优度。构建的模型为 modelUAM=−3.211+0.667×年龄+2.966×CA125+0.792×FAR+1.637×HE4+0.533×中性粒细胞百分比。
表3
训练集中卵巢肿瘤良恶性的单因素 logistic 分析结果
表4
训练集中卵巢肿瘤良恶性的多因素 logistic 分析结果
2.4 模型的验证
2.4.1 区分度评价
在训练集中，modelUAM 的 ROC 曲线下面积为 0.927［95% 置信区间（confidence interval, CI）（0.903，0.951）］，最佳截断值为 0.587，灵敏度为 0.947，特异度为 0.780，约登指数为 0.727。在验证集中，modelUAM 的 ROC 曲线下面积为 0.888［95%CI（0.840，0.930）］，最佳截断值为 0.162，灵敏度为 0.744，特异度为 0.901，约登指数为 0.645。见图1。
图1
训练集与验证集的受试者操作特征曲线分析
a. 训练集；b. 验证集。AUC：曲线下面积
2.4.2 校准度评价
在训练集和验证集中 modelUAM 的 Hosmer-lemeshow 检验 P 值分别为 0.21、0.06，表示模型拟合度较好。采用校准曲线进行 Hosmer-Lemeshow 拟合优度检验结果的可视化（图2），可见模型 modelUAM 的预测概率和实际概率重叠度高，拟合度好，同时训练集及验证集中 modelUAM 的 Brier 评分分别为 0.086、0.122，可见 modelUAM 在校准度方面有较强的体现。
图2
训练集与验证集中模型的校准度评价
a. 训练集；b. 验证集
2.4.3 决策曲线分析
训练集中决策曲线显示阈值概率在 0.1～0.9 时，使用 modelUAM 可在临床取得净获益。在验证集中，决策曲线显示阈值概率在 0.1～0.7 时 modelUAM 有良好获益。可见在一定范围内使用 modelUAM 来决定是否进行干预时，有较高的临床适用度。见图3。
图3
训练集与验证集中模型的决策曲线分析
a. 训练集；b. 验证集。All：全部患者都进行治疗；None：无患者进行治疗
2.4.4 临床影响曲线分析
临床影响曲线（图4）显示了
图4
训练集与验证集中模型的临床影响曲线分析
a. 训练集；b. 验证集
3 讨论
卵巢恶性肿瘤缺乏有效的筛查和早期临床诊断方法，大多数患者在诊断时已经处于晚期，是妇科恶性肿瘤死亡的主要原因[12]。根据国内流行病学调查，卵巢恶性肿瘤位居女性恶性肿瘤的第 4 位[13-14]。尽管目前对卵巢恶性肿瘤进行了广泛的研究，但缺乏特异的诊断评估方面的生物标志物是导致卵巢恶性肿瘤患者生存率低下的原因之一[15]。因此，明确卵巢恶性肿瘤患者的危险因素，对可疑卵巢恶性肿瘤患者进行正确转诊，能更早、更合理地对患者采取个体化和精准化的治疗，进而改善患者的总生存期。
卵巢恶性肿瘤风险受多种因素相互作用影响。本研究初期纳入了大量相关指标分析，通过 logistic 回归构建模型，将年龄、中性粒细胞百分比、FAR、CA125 和 HE4 结合，以评价卵巢肿瘤术前恶性风险程度。Bast 等[16]检测且证实 CA125 具有高灵敏度但低特异性的特征。这些特性使得多数研究认为 CA125 作为单独诊断卵巢恶性肿瘤的标志物存在争议[8, 17-19]。虽然 HE4 被认为是有可能取代 CA125 的指标，但本研究中其单次检测的灵敏度和特异度分别为 0.761、0.877，不能令人满意，所以联合其他标志物去提高诊断效能是重点。Özcan-Ekşi 等[20]报道随着年龄增长，与年龄相关的促炎和抗炎平衡的改变可能促进肿瘤发展和生长。本研究发现年龄是卵巢恶性肿瘤发生的独立危险因素，根据 ROC 曲线计算出年龄最佳截断值约为 43 岁，而多数研究提供的年龄划分标准多为 50 岁[21]，发病群体年轻化这一现象也在其他研究中得到证实[22]。炎症是一种由感染和组织损伤等伤害性刺激和条件触发的适应性反应[23]。慢性炎症与肿瘤发生的细胞转化、促进、生存、增殖、侵袭、血管生成和转移等有关[24]。许多癌症发生与长期受到慢性炎症刺激有关，比如人乳头瘤状病毒感染与宫颈癌的发生发展有关已得到充分的证实[25]。在胰腺癌、卵巢癌、乳腺癌等肿瘤中，癌细胞可以刺激中性粒细胞释放，提高中性粒细胞百分比[26-28]。恶性肿瘤触发肿瘤相关炎症可以促进肿瘤的进展[29]。本研究中的卵巢恶性肿瘤中性粒细胞百分比中位水平较卵巢良性肿瘤组高（P<0.05），说明中性粒细胞百分比对卵巢恶性肿瘤的发生发展有促进作用。FAR 是综合反映患者凝血状态、全身炎症和营养状况的重要参数，可能更能反映肿瘤的发生和进展。Yu 等[30]提出术前 FAR 高水平是晚期卵巢癌新辅助化疗患者术后无进展生存期和总生存期的独立危险因素。樊宁波等[31]提出卵巢癌营养不良的发生率在妇科肿瘤中排首位，白蛋白降低、纤维蛋白原升高可导致机体免疫功能受损，影响疾病发展及治疗效果。目前对 FAR 对于卵巢恶性肿瘤的预测效能研究较少，本研究结果显示 FAR 值在卵巢恶性肿瘤与卵巢良性肿瘤之间差异有统计学意义（P<0.05），这与前文研究结果相符，提示其是极具潜力的诊断工具。张维维等[32]研究报道卵巢癌患者 FAR 值水平升高，提示我们可以在术前检测 FAR 并联合其他指标进行评估，以帮助卵巢肿瘤进行鉴别诊断，为临床工作提供指导。为改善单一指标的不足，本研究综合年龄、中性粒细胞百分比、FAR、CA125、HE4 构建了 logistic 回归模型，验证结果显示其具有较好的区分度、校准度及临床应用价值。
综上所述，本研究构建的模型可以较好地识别卵巢恶性肿瘤患者，这对术前可疑为卵巢恶性肿瘤的患者及早转诊并进行全面分期手术、改善其生存率等方面提供了理论基础，为日常诊疗工作中对于卵巢恶性肿瘤的早期诊断提供了新思路。然而，本研究中还存在一些不足，如研究方式为回顾性病例对照研究，可能存在选择偏倚，应在后续有计划地施行前瞻性研究；模型样本来源可能有地域差异，在其他医疗机构运用时可能会产生偏差，外推性还有待开发，未来还需进行更广范围内的研究；同时本研究还缺乏可能影响预测效能的基因组数据和免疫组因子，有待在后续研究中进一步完善上述不足。
利益冲突：所有作者声明不存在利益冲突。
卵巢恶性肿瘤是女性常见的生殖系统恶性肿瘤。虽然卵巢恶性肿瘤每年新发病例数低于宫颈癌及子宫体癌[1]，但多数患者在确诊时已发生转移，其年死亡率居女性生殖系统恶性肿瘤之首[2-3]。研究显示，随着肿瘤的快速生长，卵巢恶性肿瘤患者的 5 年生存率逐渐下降，诊断为Ⅰ+Ⅱ期和Ⅲ+Ⅳ期时 5 年生存率分别为 61%～87% 和 14%～38%[4]。故若能利用便捷的信息尽快判断卵巢肿瘤的性质并及时进行专业诊治，对患者的病情预后十分重要[5]，同时也可优化医疗资源的使用，降低医患双方的时间及经济成本。找到早期判别卵巢恶性肿瘤的诊断工具对于疾病的治疗和总生存期延长可能具有重要的意义。目前血清糖类抗原 125（carbohydrate antigen 125, CA125）和血清生物标志物人附睾蛋白 4（human epididymis protein 4, HE4）是临床广泛应用的卵巢肿瘤血清标志物，但其单独应用于诊断卵巢恶性肿瘤具有一定局限性[6-8]。同时，炎症与肿瘤微环境之间存在着相互作用，中性粒细胞绝对值、淋巴细胞绝对值等指标已被证明是预测各种癌症预后的潜在指标[9-10]。本研究旨在利用容易获取的血清学指标及临床基本信息构建卵巢肿瘤术前恶性风险的诊断模型，以提高现有检验指标的诊断效能，为卵巢肿瘤的临床诊断提供新思路。
1 对象与方法
1.1 研究对象
回顾性分析 2019 年 1 月—2023 年 9 月就诊于西南医科大学附属医院妇科接受诊断和治疗且经手术病理切片证实为卵巢肿瘤患者的资料。纳入标准：① 经病理证实为卵巢肿瘤；② 实验室和临床资料完整。排除标准：① 非初次治疗；② 非卵巢部位原发病灶；③ 合并其他器官和组织恶性肿瘤；④ 合并其他严重的系统性疾病；⑤ 近 3 个月接受过激素治疗，近 2 周内使用过抗炎药物；⑥ 合并妊娠。将患者根据病理结果分为卵巢恶性肿瘤组和卵巢良性肿瘤组。本研究根据《赫尔辛基宣言》的伦理原则进行，经西南医科大学附属医院医学伦理委员会批准（批准号：KY2023344）。由于本研究属于回顾性病例对照研究，无需签署知情同意。
1.2 资料采集
收集患者的年龄、体质量指数、高血压病史、糖尿病病史、绝经状态（绝经定义为非妊娠状态下停经时间>1 年，或年龄>50 岁且有子宫切除手术病史）、病理分期、白细胞计数、中性粒细胞绝对值、淋巴细胞绝对值、中性粒细胞百分比、红细胞计数、血红蛋白、红细胞体积分布宽度变异系数、血小板计数、血小板平均体积、血小板压积、血小板体积分布宽度、大血小板比例、纤维蛋白原、白蛋白、球蛋白、乳酸脱氢酶、总胆固醇、CA125、HE4。上述实验室指标检测均由西南医科大学附属医院检验科医生在仪器和试剂说明书指导下，严格遵循操作规范的情况下进行。
1.3 复合指标的计算
根据上述实验室指标，计算各种复合指标，包括中性粒细胞与淋巴细胞比值（neutrophil to lymphocyte ratio, NLR）、系统免疫炎症指数（systemic immune-inflammation index, SII）、白蛋白与球蛋白比值（albumin to globulin ratio, AGR）、纤维蛋白原与白蛋白比值（fibrinogen to albumin ratio, FAR）、血小板与淋巴细胞比值（platelet to lymphocyte ratio, PLR），其中 SII=血小板计数×中性粒细胞绝对值/淋巴细胞绝对值[11]。
1.4 统计学方法
对所有数据应用 Microsoft Excel 2019 软件建立数据库进行双人双录入，通过 SPSS 26.0 和 R 4.3.1 软件进行统计分析处理。计量资料使用 Shapiro-Wilk 检验作正态性检验，符合正态分布的以均数±标准差表示，组间比较采用独立样本 t 检验；不符合正态分布的以中位数（下四分位数，上四分位数）表示，组间比较采用 Mann-Whitney U 检验。计数资料以频数和/或百分数表示，组间比较采用 χ2 检验。对计量资料使用受试者操作特征（receiver operating characteristic, ROC）曲线来获取最佳截断值，并根据最佳截断值将其转换为二分类变量后进行下一步分析。利用随机函数 rand 将数据按照 7∶3 的比例分为训练集及验证集。在训练集中先进行单因素 logistic 回归分析，将 P<0.05 的变量纳入多因素 logistic 逐步回归，并结合赤池信息准则（Akaike information criterion, AIC）构建模型。应用 ROC、Hosmer-Lemeshow 拟合优度检验、Brier 评分等对构建的模型在训练集及验证集中进行区分度和校准度评价，通过决策曲线、临床影响曲线评估模型应用于临床时的获益情况和适用性。双侧检验水准 α=0.05。
2 结果
2.1 纳入患者基本资料
共纳入卵巢肿瘤患者 929 例。其中卵巢恶性肿瘤组 318 例（34.2%），年龄 7～86 岁，中位年龄 51 岁；根据国际妇产科联合会 2018 分期，Ⅰ+Ⅱ期 172 例（54.1%），Ⅲ+Ⅳ期 146 例（45.9%）。卵巢良性肿瘤组 611 例（65.8%），年龄 7～80 岁，中位年龄 36 岁。两组间红细胞体积分布宽度变异系数、SII、FAR、总胆固醇差异无统计学意义（P>0.05），其余纳入分析的指标组间差异均有统计学意义（P<0.05）。见表1。
表1
两组间基本资料比较
2.2 计量资料转化为二分类变量
将所有计量资料以术后病理诊断结果为金标准，使用 ROC 曲线法获取其灵敏度、特异度等指标，从而计算出约登指数来获取最佳截断值（表2），以此实现计量资料向二分类变量的转化。
表2
指标中计量资料的诊断效能评价
2.3 模型的构建
在 SPSS 26.0 软件中按照 7∶3 的比例将数据随机拆分为训练集 658 例及验证集 271 例。在训练集中将计量资料转化为二分类变量后与分类资料纳入单因素 logistic 回归分析（表3），将 P<0.05 的变量纳入多因素 logistic 回归分析，通过逐步回归法进行多变量筛选，得到模型 modelUAM（表4），模型内包含 5 个变量，分别为年龄、中性粒细胞百分比、FAR、CA125、HE4，其中，中性粒细胞百分比经多变量筛选后虽 P>0.05，但纳入该变量的 modelUAM 具有最小 AIC 值（400.39），而其余模型的 AIC 值在 400.42～517.79，说明中性粒细胞百分比增加预测贡献度，提升了模型拟合优度。构建的模型为 modelUAM=−3.211+0.667×年龄+2.966×CA125+0.792×FAR+1.637×HE4+0.533×中性粒细胞百分比。
表3
训练集中卵巢肿瘤良恶性的单因素 logistic 分析结果
表4
训练集中卵巢肿瘤良恶性的多因素 logistic 分析结果
2.4 模型的验证
2.4.1 区分度评价
在训练集中，modelUAM 的 ROC 曲线下面积为 0.927［95% 置信区间（confidence interval, CI）（0.903，0.951）］，最佳截断值为 0.587，灵敏度为 0.947，特异度为 0.780，约登指数为 0.727。在验证集中，modelUAM 的 ROC 曲线下面积为 0.888［95%CI（0.840，0.930）］，最佳截断值为 0.162，灵敏度为 0.744，特异度为 0.901，约登指数为 0.645。见图1。
图1
训练集与验证集的受试者操作特征曲线分析
a. 训练集；b. 验证集。AUC：曲线下面积
2.4.2 校准度评价
在训练集和验证集中 modelUAM 的 Hosmer-lemeshow 检验 P 值分别为 0.21、0.06，表示模型拟合度较好。采用校准曲线进行 Hosmer-Lemeshow 拟合优度检验结果的可视化（图2），可见模型 modelUAM 的预测概率和实际概率重叠度高，拟合度好，同时训练集及验证集中 modelUAM 的 Brier 评分分别为 0.086、0.122，可见 modelUAM 在校准度方面有较强的体现。
图2
训练集与验证集中模型的校准度评价
a. 训练集；b. 验证集
2.4.3 决策曲线分析
训练集中决策曲线显示阈值概率在 0.1～0.9 时，使用 modelUAM 可在临床取得净获益。在验证集中，决策曲线显示阈值概率在 0.1～0.7 时 modelUAM 有良好获益。可见在一定范围内使用 modelUAM 来决定是否进行干预时，有较高的临床适用度。见图3。
图3
训练集与验证集中模型的决策曲线分析
a. 训练集；b. 验证集。All：全部患者都进行治疗；None：无患者进行治疗
2.4.4 临床影响曲线分析
临床影响曲线（图4）显示了
图4
训练集与验证集中模型的临床影响曲线分析
a. 训练集；b. 验证集
3 讨论
卵巢恶性肿瘤缺乏有效的筛查和早期临床诊断方法，大多数患者在诊断时已经处于晚期，是妇科恶性肿瘤死亡的主要原因[12]。根据国内流行病学调查，卵巢恶性肿瘤位居女性恶性肿瘤的第 4 位[13-14]。尽管目前对卵巢恶性肿瘤进行了广泛的研究，但缺乏特异的诊断评估方面的生物标志物是导致卵巢恶性肿瘤患者生存率低下的原因之一[15]。因此，明确卵巢恶性肿瘤患者的危险因素，对可疑卵巢恶性肿瘤患者进行正确转诊，能更早、更合理地对患者采取个体化和精准化的治疗，进而改善患者的总生存期。
卵巢恶性肿瘤风险受多种因素相互作用影响。本研究初期纳入了大量相关指标分析，通过 logistic 回归构建模型，将年龄、中性粒细胞百分比、FAR、CA125 和 HE4 结合，以评价卵巢肿瘤术前恶性风险程度。Bast 等[16]检测且证实 CA125 具有高灵敏度但低特异性的特征。这些特性使得多数研究认为 CA125 作为单独诊断卵巢恶性肿瘤的标志物存在争议[8, 17-19]。虽然 HE4 被认为是有可能取代 CA125 的指标，但本研究中其单次检测的灵敏度和特异度分别为 0.761、0.877，不能令人满意，所以联合其他标志物去提高诊断效能是重点。Özcan-Ekşi 等[20]报道随着年龄增长，与年龄相关的促炎和抗炎平衡的改变可能促进肿瘤发展和生长。本研究发现年龄是卵巢恶性肿瘤发生的独立危险因素，根据 ROC 曲线计算出年龄最佳截断值约为 43 岁，而多数研究提供的年龄划分标准多为 50 岁[21]，发病群体年轻化这一现象也在其他研究中得到证实[22]。炎症是一种由感染和组织损伤等伤害性刺激和条件触发的适应性反应[23]。慢性炎症与肿瘤发生的细胞转化、促进、生存、增殖、侵袭、血管生成和转移等有关[24]。许多癌症发生与长期受到慢性炎症刺激有关，比如人乳头瘤状病毒感染与宫颈癌的发生发展有关已得到充分的证实[25]。在胰腺癌、卵巢癌、乳腺癌等肿瘤中，癌细胞可以刺激中性粒细胞释放，提高中性粒细胞百分比[26-28]。恶性肿瘤触发肿瘤相关炎症可以促进肿瘤的进展[29]。本研究中的卵巢恶性肿瘤中性粒细胞百分比中位水平较卵巢良性肿瘤组高（P<0.05），说明中性粒细胞百分比对卵巢恶性肿瘤的发生发展有促进作用。FAR 是综合反映患者凝血状态、全身炎症和营养状况的重要参数，可能更能反映肿瘤的发生和进展。Yu 等[30]提出术前 FAR 高水平是晚期卵巢癌新辅助化疗患者术后无进展生存期和总生存期的独立危险因素。樊宁波等[31]提出卵巢癌营养不良的发生率在妇科肿瘤中排首位，白蛋白降低、纤维蛋白原升高可导致机体免疫功能受损，影响疾病发展及治疗效果。目前对 FAR 对于卵巢恶性肿瘤的预测效能研究较少，本研究结果显示 FAR 值在卵巢恶性肿瘤与卵巢良性肿瘤之间差异有统计学意义（P<0.05），这与前文研究结果相符，提示其是极具潜力的诊断工具。张维维等[32]研究报道卵巢癌患者 FAR 值水平升高，提示我们可以在术前检测 FAR 并联合其他指标进行评估，以帮助卵巢肿瘤进行鉴别诊断，为临床工作提供指导。为改善单一指标的不足，本研究综合年龄、中性粒细胞百分比、FAR、CA125、HE4 构建了 logistic 回归模型，验证结果显示其具有较好的区分度、校准度及临床应用价值。
综上所述，本研究构建的模型可以较好地识别卵巢恶性肿瘤患者，这对术前可疑为卵巢恶性肿瘤的患者及早转诊并进行全面分期手术、改善其生存率等方面提供了理论基础，为日常诊疗工作中对于卵巢恶性肿瘤的早期诊断提供了新思路。然而，本研究中还存在一些不足，如研究方式为回顾性病例对照研究，可能存在选择偏倚，应在后续有计划地施行前瞻性研究；模型样本来源可能有地域差异，在其他医疗机构运用时可能会产生偏差，外推性还有待开发，未来还需进行更广范围内的研究；同时本研究还缺乏可能影响预测效能的基因组数据和免疫组因子，有待在后续研究中进一步完善上述不足。
利益冲突：所有作者声明不存在利益冲突。
