食管癌是消化道较常见恶性肿瘤之一，起源于食管或食管胃交界处的恶性肿瘤，发病率位居全世界恶性肿瘤第７位，死亡率位居第6位[1]，严重威胁居民健康。手术治疗为大部分食管癌患者的首选方案。食管癌术后最致命的并发症为吻合口瘘（anastomotic leakage，AL），发病率约为5%～30%[2]。不仅影响患者生活质量，还会增加经济压力，甚至影响远期寿命[3]。预测模型是以数学模型为基础，结合预测因子，计算某事件结局的概率[4]。近年来，国内外许多研究者[5-20]针对食管癌术后AL专门建立风险预测模型。但对于模型的构建过程、性能以及数据样本偏倚等缺乏全面的对比研究，该工具是否能够应用于临床尚不明确。因此，本研究针对国内外食管癌术后AL预测模型的研究进行系统评价，为临床医护人员筛选AL相关风险预测模型提供指导。
1 资料与方法
1.1 纳入和排除标准
1.1.1 纳入标准
（1）研究对象为年龄≥18岁且病理检查确诊为食管癌患者；（2）研究内容为构建和/或验证食管癌术后AL预测模型；（3）研究设计为回顾性研究或前瞻性研究；（4）结局指标为术后发生AL，诊断方式采用CT、造影等影像学检查和/或临床特征综合判断[21]，采用食管癌国际协作小组[22]提出的AL定义；（5）语言为中文或英文。
1.1.2 排除标准
（1）重复发表的文献；（2）综述、个案、会议摘要等文献；（3）无法获取原文的文献。
1.2 文献检索策略
计算机检索中华医学期刊全文数据库、维普、万方、中国知网、EMbase、Web of Science、Cochrane Library、PubMed公开发表的关于食管癌术后AL风险预测模型的研究，检索时间为建库至2023年10月1日。中文检索词包括：食管癌、食道癌、食管肿瘤、食道占位、吻合口瘘、食管瘘、吻合口漏、预测、预测模型、模型。英文检索词包括：esophageal neoplasm、neoplasm、esophageal、esophagus neoplasm、esophagus neoplasms、neoplasm、esophagus、neoplasms、esophagus、neoplasms、esophageal、cancer of esophagus、esophagus cancer、esophageal cancer、anastomotic fistula、esophageal fistula、anastomotic leak、prediction、prediction model、model。
1.3 文献筛选与资料提取
根据纳排标准，由两名研究员负责进行文献筛查。若存在分歧，则咨询第三方建议。按照Moons等[23]关于预测模型系统评价的数据收集条目（checklist for critical appraisal and data extraction for systematic reviews of prediction modelling studies，CHARMS），制订数据收集表，包括：第一作者、出版日期、国家、研究类型、随访时间、地点、结局指标、研究的样本量、构建模型的方法、建模数量、受试者工作特征曲线下面积（area under the curve，AUC）及校正方法、模型使用的验证方法、预测模型包含的影响因素、模型呈现方式等。
1.4 质量评价
采用PROBAST（prediction model risk of bias assessment tool）[24]评价工具评估文献的偏倚风险和适用性。从4个角度衡量模型的偏倚风险，即研究对象、预测因子、结果以及数据分析。适用性评价从3个角度进行，评价步骤与偏倚风险分析步骤相似。不同角度的评估标准为“低”“高”和“不清楚”3个分级，根据上述特征选择最佳模型。PROBAST不仅能评估单个模型，也能进行多个模型的比较。
1.5 统计学分析
使用Stata 15软件对模型纳入的预测因子进行Meta分析，OR值及95%CI作为效应统计量。采用Q检验及I2统计量评估多个研究的异质性。若P＞0.1或I2＜50%，认为研究间异质性小，选择固定效应模型；若P≤0.1或I2≥50%，则认为研究间异质性较大，进一步行敏感性分析，若异质性不能消除，则选择随机效应模型。P<0.05为差异有统计学意义。
2 结果
2.1 文献检索结果
通过检索相关数据库，获取相关研究1512篇，经过逐步筛选，确定纳入19篇文献[5-15,18-20,25-29]，涉及7373名研究对象，文献筛选流程和结果见图1。
图1
文献流程图
*：包括中国知网（
2.2 纳入文献的基本特征
本研究纳入文献均为近5年内发表文献，发表国家主要为中国，均为回顾性研究，其中中文文献14篇[5-13,18-19,25-27]，英文文献5篇[14-15,20,28-29]，食管癌术后患者AL的发病率在7.0%～23.9%之间。纳入文献基本特征见表1。
表1
纳入文献的基本特征
2.3 风险预测模型的基本特征
19篇文献[5-15,18-20,25-29]共构建25个食管癌患者术后AL风险预测模型，在模型构建方面，3篇文献[10-11,20]采用机器学习和logistic回归的方法分别建立预测模型，其余研究仅采用logistic回归分析建立模型。在连续变量的处理方法中，9篇文献[7,9,12,15,25-29]维持了连续变量的连续性，10篇文献[5-6,8,10-11,13-14,18-20]将连续型变量转换为分类变量。在变量选择方面，6篇文献[10-11,14,20,25-26]采用机器学习和单因素分析共同筛选变量，其余文献基于单因素分析；见表2。本研究纳入模型的AUC为0.67～0.960，灵敏度为43%～92%，特异度为78.9%～96.3%，其中23个预测模型[5-13,15,18-20,25,27-29]的预测性能较高（AUC>0.7）；13篇文献[5,7-11,13-14,19,25-27,29]均报道了区分度和校准度；在模型验证方面，仅1篇文献[19]进行外部验证，10篇文献[7,9-10,13-14,19-20,26-27,29]进行内部验证，采用的方法主要是Bootstrap法和样本拆分法。模型呈现形式以列线图分析评分为主（n=13），其他方式为β系数绘制风险评分公式（n=5），1篇文献[10]未给出具体模型。预测模型的性能及呈现形式见表3。
表2
模型建立情况
表3
模型的性能及呈现形式
2.4 文献质量评价
由两位研究员使用PROBAST量表[24]对文献质量进行全面评估，并仔细审查评价结果，确保其准确性。在研究对象领域，因研究设计为回顾性研究均为高偏倚风险；在预测因子领域，均为低偏倚风险；在数据分析领域，均为高偏倚风险。评价为高偏倚风险的原因包括：（1）文献建模组的样本量不足；每个自变量的发生次数（events per variable，EPV）＜20例；（2）研究将连续型变量转换为分类变量；（3）研究基于单因素分析筛选变量；（4）未报告是否进行模型校准度检验；（5）文献未报道是否进行内部验证。在结果领域，均为低偏倚风险。在预测因子领域，所有的预测因子采用相同定义，但结局指标目前没有标准化，诊断方式多采用临床特征结合影像或内镜检查结果，有5篇文献[13,20,25-27]采用食管癌国际协作小组的AL定义。食管癌患者平均年龄通常在63～65岁之间[30]，因此适用性评价均为好。整体评估显示，所有研究偏倚风险高，但预测模型适用性好；见表4。
表4
纳入文献的质量评价
2.5 Meta分析结果
采用文献数量≥3篇的预测因子进行Meta分析，结果显示：低蛋白血症、术后呼吸系统并发症、切口愈合不良、术前胸腹部手术史、术前合并糖尿病、术前合并心血管系统疾病、术前新辅助治疗、术前呼吸系统疾病、吻合方法、手术方式、美国麻醉医师协会（American Society of Anesthesiologists，ASA）评分是食管癌患者术后AL的独立危险因子（P＜0.05）。纳入低蛋白血症的5篇文献[8,10-11,18-19]中，无论术前还是术后，低蛋白血症都是食管癌患者术后AL的独立危险因子［OR=9.362，95%CI（3.237，27.080），Z=4.13，P＜0.001］。吻合部位不同可能是吻合方法统计学异质性的主要来源，亚组分析结果提示组内统计学差异较小，手工吻合是食管癌术后AL的独立危险因素［OR=2.965，95%CI（1.762，4.991），Z=4.09，P＜0.001］，相同吻合部位的手工吻合AL平均发生率为机械吻合的1.83倍。年龄和预后营养指数不是食管癌术后AL的独立危险因子（P>0.05）。其余研究敏感性分析中，依次删除相关研究后统计合并效应量，结果无显著差异。Meta分析结果见表5。
表5
食管癌术后吻合口瘘预测因子的Meta分析结果
3 讨论
食管癌术后AL发病率和病死率高，AL风险预测模型具备早期发现高风险患者的能力，可指导医护人员及早采取预防措施，降低AL发生率。本研究纳入25个AL风险预测模型进行分析，建模方法主要为logistic回归，模型表现形式主要为列线图，大多数模型表现出较好的预测性能（AUC>0.7），但缺乏模型校准度领域评估及模型验证方面的研究。
3.1 食管癌患者术后AL预测模型尚处于探索阶段
本研究中大多数AL模型的区分度高，但是对于模型的构建、验证、结果报告并未深入优化。模型的构建步骤包括：明确研究方向、确定资料来源、变量筛选、数据预处理等。在资料来源方面，本研究纳入的25个预测模型中，所有研究均采用回顾性研究，因队列研究具有良好的代表性，未来在优化模型时建议选择前瞻性数据或注册数据作为建模数据[31]，以减少数据偏倚风险[24]。截至目前，AL诊断没有金标准，诊断方式多采用临床特征与影像特征结合的综合判断，其中5篇文献[13,20,25-27]采用了食管癌国际协作小组[22]提出的AL定义；在变量筛选方面，大多数研究基于单因素logistic回归，可能会增加错误预测因子的选择风险[32]。目前有研究[33]提出新的变量筛选方法，如LASSO回归、Ridge回归、ElasticNet回归等，可减少过度拟合风险，建议未来变量的筛选可结合临床实际采用新方法，以提高筛选的准确性；对缺失数据进行报道和处理可避免模型出现过度拟合情况[34] ，建议未来研究对缺失数据进行完善。
在处理连续变量时，将连续性数据转化成分类变量后进行建模，可能会导致模型效能丢失过多。但在模型处于临床推广阶段时，为了提高研究者应用的方便性，可进行数据转换[35]。在性能评估方面，核心指标包含区分度及校准度，区分度常使用AUC值或C指数表示，当其值>0.7时，模型区分度优良；校准度用H-L拟合优度检验或者校准曲线等方法评估。当前研究缺乏性能评估，模型出现过度拟合，某种意义上抑制了模型的适用性。纳入研究平均样本量388例，均属于小样本研究，缺乏内部验证可能会导致模型性能的评估偏高，因此内部验证至关重要。此外，外部验证可提高模型的可推广性[36]，但需进行建模与验模数据集的基线比较。目前，预测模型研究取得一定进展，但在模型构建、验证、报告等方面仍需进一步研究。
3.2 食管癌术后吻合口瘘的预测因子
本研究结果显示，食管癌患者术后AL的预测因子包含4个方面：基础疾病因素、手术因素、感染因素、营养因素。低蛋白血症、术后呼吸系统并发症、切口愈合不良、术前胸腹部手术史、术前合并糖尿病、术前合并心血管系统疾病、术前新辅助治疗、术前呼吸系统疾病、吻合方法、手术方式 、ASA评分是食管癌术后AL的常见预测因子，新模型的建立可着重考虑以上11个因子，大部分因子具有客观性且便于收集，模型更具便捷性。Lindenmann等[28]认为，较年轻的患者更容易出现AL，因为年轻患者在术后往往比年长患者更早恢复剧烈运动。也有研究[37]认为，随着年龄的增长，体内血管病变发生率增加，从而影响吻合口周围的供血。因此，年龄和PNI与AL的关系未来需要深入研究。由于吻合的复杂性和精确性[38]，吻合方式被认为是AL风险较大的影响因素，机械吻合操作方式可显著缩短手术时间从而减少吻合口感染的风险，且吻合口径一致，可有效避免黏膜破坏和溃烂，正在被广泛采用。
3.3 数据转换
当数据类型是连续型数据时，通常使用均数差（MD）或标准化均数差（SMD）为效应统计量。Friedrich等[39]提出另一种效应测量方法，即均值比（ration of means，ROM），实验结果表明ROM、MD和SMD的统计性能特征相当，ROM可作为连续型数据均值差分法的合理替代方法。连续型数据的变量，在预测模型中未获取OR值时，可采用ROM代替。相对于SMD效应量,使用 ROM可更好的解释预测变量对结局的影响程度。
3.4 对未来模型研究的启示
开发精准预测工具有助于临床决策及指导临床实践。针对食管癌患者术后AL预测模型的研究，未来可从以下几方面进行深入优化：（1）新模型的建立可着重考虑以上Meta分析的13个因子与放射学特征相结合，实现多元化；（2）数据采集时建议使用盲法；（3）可采用EPV值或Riley等[40]提出的机器学习样本量计算方法计算样本量；（4）将连续型变量转换成分类数据前，建议写明分组依据；（5）避免仅基于单因素分析筛选变量，建议与机器学习相关算法、专业知识背景相结合；（6）建议进行大样本、多中心研究，提高模型适用性；（7）建议预测模型根据AL严重程度分级[22]及AL的诊断时机进行预测。
本研究具有一定的局限性：（1）本研究只纳入了关于食管癌患者AL预测模型的中英文文献；（2）部分预测因素涉及的研究较少，未进行Meta分析，可能对预测结局有影响。综上所述，本研究共纳入25个预测模型，大部分模型区分度较好，但预测模型质量还有很大的提升空间。未来，需要进一步完善相关研究，促进研究向临床转化，为患者制定精准化方案，减少AL的发生。
利益冲突：无。
作者贡献：粟宇霜负责研究设计、数据采集、论文撰写与修改；李艳、高虹参与研究设计和数据采集；蒲在春、陈娟负责统计分析，参与论文撰写；刘梦婷、贺雅勰负责整理数据和修改论文；杨琴、何彬对研究设计、研究内容进行指导和修订。
食管癌是消化道较常见恶性肿瘤之一，起源于食管或食管胃交界处的恶性肿瘤，发病率位居全世界恶性肿瘤第７位，死亡率位居第6位[1]，严重威胁居民健康。手术治疗为大部分食管癌患者的首选方案。食管癌术后最致命的并发症为吻合口瘘（anastomotic leakage，AL），发病率约为5%～30%[2]。不仅影响患者生活质量，还会增加经济压力，甚至影响远期寿命[3]。预测模型是以数学模型为基础，结合预测因子，计算某事件结局的概率[4]。近年来，国内外许多研究者[5-20]针对食管癌术后AL专门建立风险预测模型。但对于模型的构建过程、性能以及数据样本偏倚等缺乏全面的对比研究，该工具是否能够应用于临床尚不明确。因此，本研究针对国内外食管癌术后AL预测模型的研究进行系统评价，为临床医护人员筛选AL相关风险预测模型提供指导。
1 资料与方法
1.1 纳入和排除标准
1.1.1 纳入标准
（1）研究对象为年龄≥18岁且病理检查确诊为食管癌患者；（2）研究内容为构建和/或验证食管癌术后AL预测模型；（3）研究设计为回顾性研究或前瞻性研究；（4）结局指标为术后发生AL，诊断方式采用CT、造影等影像学检查和/或临床特征综合判断[21]，采用食管癌国际协作小组[22]提出的AL定义；（5）语言为中文或英文。
1.1.2 排除标准
（1）重复发表的文献；（2）综述、个案、会议摘要等文献；（3）无法获取原文的文献。
1.2 文献检索策略
计算机检索中华医学期刊全文数据库、维普、万方、中国知网、EMbase、Web of Science、Cochrane Library、PubMed公开发表的关于食管癌术后AL风险预测模型的研究，检索时间为建库至2023年10月1日。中文检索词包括：食管癌、食道癌、食管肿瘤、食道占位、吻合口瘘、食管瘘、吻合口漏、预测、预测模型、模型。英文检索词包括：esophageal neoplasm、neoplasm、esophageal、esophagus neoplasm、esophagus neoplasms、neoplasm、esophagus、neoplasms、esophagus、neoplasms、esophageal、cancer of esophagus、esophagus cancer、esophageal cancer、anastomotic fistula、esophageal fistula、anastomotic leak、prediction、prediction model、model。
1.3 文献筛选与资料提取
根据纳排标准，由两名研究员负责进行文献筛查。若存在分歧，则咨询第三方建议。按照Moons等[23]关于预测模型系统评价的数据收集条目（checklist for critical appraisal and data extraction for systematic reviews of prediction modelling studies，CHARMS），制订数据收集表，包括：第一作者、出版日期、国家、研究类型、随访时间、地点、结局指标、研究的样本量、构建模型的方法、建模数量、受试者工作特征曲线下面积（area under the curve，AUC）及校正方法、模型使用的验证方法、预测模型包含的影响因素、模型呈现方式等。
1.4 质量评价
采用PROBAST（prediction model risk of bias assessment tool）[24]评价工具评估文献的偏倚风险和适用性。从4个角度衡量模型的偏倚风险，即研究对象、预测因子、结果以及数据分析。适用性评价从3个角度进行，评价步骤与偏倚风险分析步骤相似。不同角度的评估标准为“低”“高”和“不清楚”3个分级，根据上述特征选择最佳模型。PROBAST不仅能评估单个模型，也能进行多个模型的比较。
1.5 统计学分析
使用Stata 15软件对模型纳入的预测因子进行Meta分析，OR值及95%CI作为效应统计量。采用Q检验及I2统计量评估多个研究的异质性。若P＞0.1或I2＜50%，认为研究间异质性小，选择固定效应模型；若P≤0.1或I2≥50%，则认为研究间异质性较大，进一步行敏感性分析，若异质性不能消除，则选择随机效应模型。P<0.05为差异有统计学意义。
2 结果
2.1 文献检索结果
通过检索相关数据库，获取相关研究1512篇，经过逐步筛选，确定纳入19篇文献[5-15,18-20,25-29]，涉及7373名研究对象，文献筛选流程和结果见图1。
图1
文献流程图
*：包括中国知网（
2.2 纳入文献的基本特征
本研究纳入文献均为近5年内发表文献，发表国家主要为中国，均为回顾性研究，其中中文文献14篇[5-13,18-19,25-27]，英文文献5篇[14-15,20,28-29]，食管癌术后患者AL的发病率在7.0%～23.9%之间。纳入文献基本特征见表1。
表1
纳入文献的基本特征
2.3 风险预测模型的基本特征
19篇文献[5-15,18-20,25-29]共构建25个食管癌患者术后AL风险预测模型，在模型构建方面，3篇文献[10-11,20]采用机器学习和logistic回归的方法分别建立预测模型，其余研究仅采用logistic回归分析建立模型。在连续变量的处理方法中，9篇文献[7,9,12,15,25-29]维持了连续变量的连续性，10篇文献[5-6,8,10-11,13-14,18-20]将连续型变量转换为分类变量。在变量选择方面，6篇文献[10-11,14,20,25-26]采用机器学习和单因素分析共同筛选变量，其余文献基于单因素分析；见表2。本研究纳入模型的AUC为0.67～0.960，灵敏度为43%～92%，特异度为78.9%～96.3%，其中23个预测模型[5-13,15,18-20,25,27-29]的预测性能较高（AUC>0.7）；13篇文献[5,7-11,13-14,19,25-27,29]均报道了区分度和校准度；在模型验证方面，仅1篇文献[19]进行外部验证，10篇文献[7,9-10,13-14,19-20,26-27,29]进行内部验证，采用的方法主要是Bootstrap法和样本拆分法。模型呈现形式以列线图分析评分为主（n=13），其他方式为β系数绘制风险评分公式（n=5），1篇文献[10]未给出具体模型。预测模型的性能及呈现形式见表3。
表2
模型建立情况
表3
模型的性能及呈现形式
2.4 文献质量评价
由两位研究员使用PROBAST量表[24]对文献质量进行全面评估，并仔细审查评价结果，确保其准确性。在研究对象领域，因研究设计为回顾性研究均为高偏倚风险；在预测因子领域，均为低偏倚风险；在数据分析领域，均为高偏倚风险。评价为高偏倚风险的原因包括：（1）文献建模组的样本量不足；每个自变量的发生次数（events per variable，EPV）＜20例；（2）研究将连续型变量转换为分类变量；（3）研究基于单因素分析筛选变量；（4）未报告是否进行模型校准度检验；（5）文献未报道是否进行内部验证。在结果领域，均为低偏倚风险。在预测因子领域，所有的预测因子采用相同定义，但结局指标目前没有标准化，诊断方式多采用临床特征结合影像或内镜检查结果，有5篇文献[13,20,25-27]采用食管癌国际协作小组的AL定义。食管癌患者平均年龄通常在63～65岁之间[30]，因此适用性评价均为好。整体评估显示，所有研究偏倚风险高，但预测模型适用性好；见表4。
表4
纳入文献的质量评价
2.5 Meta分析结果
采用文献数量≥3篇的预测因子进行Meta分析，结果显示：低蛋白血症、术后呼吸系统并发症、切口愈合不良、术前胸腹部手术史、术前合并糖尿病、术前合并心血管系统疾病、术前新辅助治疗、术前呼吸系统疾病、吻合方法、手术方式、美国麻醉医师协会（American Society of Anesthesiologists，ASA）评分是食管癌患者术后AL的独立危险因子（P＜0.05）。纳入低蛋白血症的5篇文献[8,10-11,18-19]中，无论术前还是术后，低蛋白血症都是食管癌患者术后AL的独立危险因子［OR=9.362，95%CI（3.237，27.080），Z=4.13，P＜0.001］。吻合部位不同可能是吻合方法统计学异质性的主要来源，亚组分析结果提示组内统计学差异较小，手工吻合是食管癌术后AL的独立危险因素［OR=2.965，95%CI（1.762，4.991），Z=4.09，P＜0.001］，相同吻合部位的手工吻合AL平均发生率为机械吻合的1.83倍。年龄和预后营养指数不是食管癌术后AL的独立危险因子（P>0.05）。其余研究敏感性分析中，依次删除相关研究后统计合并效应量，结果无显著差异。Meta分析结果见表5。
表5
食管癌术后吻合口瘘预测因子的Meta分析结果
3 讨论
食管癌术后AL发病率和病死率高，AL风险预测模型具备早期发现高风险患者的能力，可指导医护人员及早采取预防措施，降低AL发生率。本研究纳入25个AL风险预测模型进行分析，建模方法主要为logistic回归，模型表现形式主要为列线图，大多数模型表现出较好的预测性能（AUC>0.7），但缺乏模型校准度领域评估及模型验证方面的研究。
3.1 食管癌患者术后AL预测模型尚处于探索阶段
本研究中大多数AL模型的区分度高，但是对于模型的构建、验证、结果报告并未深入优化。模型的构建步骤包括：明确研究方向、确定资料来源、变量筛选、数据预处理等。在资料来源方面，本研究纳入的25个预测模型中，所有研究均采用回顾性研究，因队列研究具有良好的代表性，未来在优化模型时建议选择前瞻性数据或注册数据作为建模数据[31]，以减少数据偏倚风险[24]。截至目前，AL诊断没有金标准，诊断方式多采用临床特征与影像特征结合的综合判断，其中5篇文献[13,20,25-27]采用了食管癌国际协作小组[22]提出的AL定义；在变量筛选方面，大多数研究基于单因素logistic回归，可能会增加错误预测因子的选择风险[32]。目前有研究[33]提出新的变量筛选方法，如LASSO回归、Ridge回归、ElasticNet回归等，可减少过度拟合风险，建议未来变量的筛选可结合临床实际采用新方法，以提高筛选的准确性；对缺失数据进行报道和处理可避免模型出现过度拟合情况[34] ，建议未来研究对缺失数据进行完善。
在处理连续变量时，将连续性数据转化成分类变量后进行建模，可能会导致模型效能丢失过多。但在模型处于临床推广阶段时，为了提高研究者应用的方便性，可进行数据转换[35]。在性能评估方面，核心指标包含区分度及校准度，区分度常使用AUC值或C指数表示，当其值>0.7时，模型区分度优良；校准度用H-L拟合优度检验或者校准曲线等方法评估。当前研究缺乏性能评估，模型出现过度拟合，某种意义上抑制了模型的适用性。纳入研究平均样本量388例，均属于小样本研究，缺乏内部验证可能会导致模型性能的评估偏高，因此内部验证至关重要。此外，外部验证可提高模型的可推广性[36]，但需进行建模与验模数据集的基线比较。目前，预测模型研究取得一定进展，但在模型构建、验证、报告等方面仍需进一步研究。
3.2 食管癌术后吻合口瘘的预测因子
本研究结果显示，食管癌患者术后AL的预测因子包含4个方面：基础疾病因素、手术因素、感染因素、营养因素。低蛋白血症、术后呼吸系统并发症、切口愈合不良、术前胸腹部手术史、术前合并糖尿病、术前合并心血管系统疾病、术前新辅助治疗、术前呼吸系统疾病、吻合方法、手术方式 、ASA评分是食管癌术后AL的常见预测因子，新模型的建立可着重考虑以上11个因子，大部分因子具有客观性且便于收集，模型更具便捷性。Lindenmann等[28]认为，较年轻的患者更容易出现AL，因为年轻患者在术后往往比年长患者更早恢复剧烈运动。也有研究[37]认为，随着年龄的增长，体内血管病变发生率增加，从而影响吻合口周围的供血。因此，年龄和PNI与AL的关系未来需要深入研究。由于吻合的复杂性和精确性[38]，吻合方式被认为是AL风险较大的影响因素，机械吻合操作方式可显著缩短手术时间从而减少吻合口感染的风险，且吻合口径一致，可有效避免黏膜破坏和溃烂，正在被广泛采用。
3.3 数据转换
当数据类型是连续型数据时，通常使用均数差（MD）或标准化均数差（SMD）为效应统计量。Friedrich等[39]提出另一种效应测量方法，即均值比（ration of means，ROM），实验结果表明ROM、MD和SMD的统计性能特征相当，ROM可作为连续型数据均值差分法的合理替代方法。连续型数据的变量，在预测模型中未获取OR值时，可采用ROM代替。相对于SMD效应量,使用 ROM可更好的解释预测变量对结局的影响程度。
3.4 对未来模型研究的启示
开发精准预测工具有助于临床决策及指导临床实践。针对食管癌患者术后AL预测模型的研究，未来可从以下几方面进行深入优化：（1）新模型的建立可着重考虑以上Meta分析的13个因子与放射学特征相结合，实现多元化；（2）数据采集时建议使用盲法；（3）可采用EPV值或Riley等[40]提出的机器学习样本量计算方法计算样本量；（4）将连续型变量转换成分类数据前，建议写明分组依据；（5）避免仅基于单因素分析筛选变量，建议与机器学习相关算法、专业知识背景相结合；（6）建议进行大样本、多中心研究，提高模型适用性；（7）建议预测模型根据AL严重程度分级[22]及AL的诊断时机进行预测。
本研究具有一定的局限性：（1）本研究只纳入了关于食管癌患者AL预测模型的中英文文献；（2）部分预测因素涉及的研究较少，未进行Meta分析，可能对预测结局有影响。综上所述，本研究共纳入25个预测模型，大部分模型区分度较好，但预测模型质量还有很大的提升空间。未来，需要进一步完善相关研究，促进研究向临床转化，为患者制定精准化方案，减少AL的发生。
利益冲突：无。
作者贡献：粟宇霜负责研究设计、数据采集、论文撰写与修改；李艳、高虹参与研究设计和数据采集；蒲在春、陈娟负责统计分析，参与论文撰写；刘梦婷、贺雅勰负责整理数据和修改论文；杨琴、何彬对研究设计、研究内容进行指导和修订。
