基于临床与多参数MRI表现预测模型的开发与验证:以减少额外系统穿刺活检
回顾性纳入274例初次穿刺疑似前列腺癌患者,按时间分为开发队列201例和验证队列73例,建立临床、MRI及联合模型预测认知MRI靶向活检检出临床显著前列腺癌的概率。联合模型纳入年龄、PSAD、PI-RADS评分及外周带索引病灶,开发队列AUC 0.91、验证队列AUC 0.88,以60%为阈值可减少43.8%的额外系统穿刺,验证队列漏诊2.9%的临床显著前列腺癌。
要点
- 年龄、PSAD、PI-RADS评分、外周带索引病灶是认知MRI靶向活检检出临床显著前列腺癌的独立预测因子。
- 联合模型开发队列AUC 0.91、验证队列AUC 0.88,验证队列中较MRI模型AUC 0.86仅轻度提高(P=0.43)。
- 以60%风险阈值为界,开发和验证队列各43.8%患者可避免额外系统穿刺,验证队列漏诊2.9%临床显著前列腺癌。
核心结论
- 基于临床与mpMRI表现的联合模型提高了临床显著前列腺癌的预测效能,可能有助于决定哪些初次穿刺患者可在MRI靶向活检之外安全避免不必要的系统穿刺。
研究设计与样本
- 回顾性研究,2018年5月至2022年6月连续招募355例接受认知MRI靶向活检联合系统穿刺的初次穿刺患者,排除既往前列腺穿刺47例、穿刺前前列腺治疗5例、非本院mpMRI 29例,最终纳入274例。
- 按时间分为开发队列201例(2018年5月至2020年5月)和验证队列73例(2020年6月至2022年6月)。
- 使用3.0-T MRI(Magnetom Skyra,Siemens)行标准化前列腺mpMRI,序列包括T2w、DWI(b值0、200、800、1400 s/mm2)及DCE,由两名放射科医生依据PI-RADS v2.1共识判读。
- 参考标准为认知MRI靶向活检联合12针系统穿刺的病理结果,临床显著前列腺癌定义为至少一个穿刺芯Gleason评分3+4或更高。
关键影像表现/征象
- 索引病灶定义为mpMRI上PI-RADS评分最高的病灶,若多个病灶评分相同则取最大者;肿瘤局灶性定义为单灶或多灶。
- 索引病灶最大径在最佳显示肿瘤的序列上测量,并分为<0.8 cm、0.8–1.5 cm、≥1.5 cm三类。
- 索引病灶位置按带(外周带或移行带)、层面(底部、中部或尖部)和方向(前或后)分层,采用36区标准化前列腺MRI报告方案向泌尿科医生展示。
诊断标准与关键数值
- 联合模型纳入年龄(OR 2.3,95%CI 1.42–3.72;P=0.001)、PSAD(OR 2.3,95%CI 1.44–3.65;P<0.001)、PI-RADS 4(OR 5.17,95%CI 1.69–15.72)和PI-RADS 5(OR 51.58,95%CI 11.78–225.86;P<0.001)、外周带索引病灶(OR 9.35,95%CI 3.56–24.56;P<0.001)。
- MRI模型纳入PI-RADS 4(OR 4.24,95%CI 1.48–12.15)、PI-RADS 5(OR 50.13,95%CI 12.67–198.32;P<0.001)、外周带索引病灶(OR 6.52,95%CI 2.83–14.99;P<0.001)和尖部索引病灶(OR 3.48,95%CI 1.09–11.04;P=0.035)。
- 临床模型纳入年龄(OR 1.63,95%CI 1.15–2.30;P=0.006)和PSAD(OR 2.72,95%CI 1.86–3.98;P<0.001)。
- 联合模型开发队列AUC 0.91(95%CI 0.87–0.95),验证队列AUC 0.88(95%CI 0.81–0.96);MRI模型开发队列AUC 0.87(95%CI 0.82–0.91),验证队列AUC 0.86(95%CI 0.77–0.94);临床模型开发队列AUC 0.75(95%CI 0.68–0.81),验证队列AUC 0.70(95%CI 0.58–0.82)。
- 以60%为风险阈值,联合模型在开发队列建议88/201例(43.8%)避免额外系统穿刺、漏诊1/100例(1%)临床显著前列腺癌,在验证队列建议32/73例(43.8%)避免额外系统穿刺、漏诊1/34例(2.9%)临床显著前列腺癌。
临床应用与阅片要点
- 联合模型以列线图形式呈现,可预测认知MRI靶向活检检出临床显著前列腺癌的概率,作者认为可能有助于决定哪些初次穿刺患者可在MRI靶向活检之外安全避免不必要的系统穿刺。
- 仅对PI-RADS 5病灶行MRI靶向活检的策略在开发队列减少58/201例(28.9%)不必要系统穿刺、漏诊2/100例(2%)临床显著前列腺癌,在验证队列减少18/73例(24.7%)、漏诊1/34例(2.9%)。
- 作者指出,将上述风险与患者偏好及在减少穿刺芯数带来的费用、疼痛和并发症与因靶向采样不准确而漏诊临床显著前列腺癌的潜在风险之间权衡的意愿相结合仍至关重要。
- 作者指出,最佳患者选择策略应考虑特定治疗方式的临床场景(如局灶治疗或手术规划),此时额外系统穿刺可能提示多灶性前列腺癌的存在。
局限性
- 研究仅关注临床显著前列腺癌检出这一主要结局,未考虑系统穿刺在根治性前列腺切除术后疾病升级方面的附加价值,因此结果应仅用于诊断目的。
- 预测模型在同一医院以较小样本量进行同期验证,应用于其他临床中心时性能仍不明确,需进一步前瞻性多中心验证以检验本观察结果。
- 研究采用认知融合而非软件配准融合的MRI靶向活检,即使操作者具有丰富临床经验,结果也应谨慎解读,可能无法推广至其他队列。
- 验证队列中联合模型校准最佳但并非始终具有最佳临床效用,在50–65%阈值范围外其净获益有时劣于MRI模型。
- 时间异质性已被报道可影响风险预测模型的校准和临床适用性。
全文中译12 节 · 点击展开
引言
前列腺癌(PCa)是全球男性中第二常见的癌症,也是癌症相关死亡的第六大原因[1]。多参数磁共振成像(mpMRI)能够更好地识别临床显著性前列腺癌(csPCa)并进行图像引导下针对可疑病灶的靶向穿刺活检(即前列腺影像报告和数据系统,PI-RADS ≥ 3)[2]。使用穿刺前mpMRI作为分诊检查可将不必要的活检减少四分之一[3]。同时,在初次活检的男性中,与经直肠超声(TRUS)引导的系统性活检(SB)相比,单纯MRI靶向活检(MRTB)在csPCa检出率方面表现出非劣效性,且减少了临床非显著性前列腺癌(cisPCa)的检出[3]。知名医学组织提倡在MRI可疑病灶的初次活检男性中将MRTB与SB联合使用,以最大程度降低漏诊csPCa的发生率[4, 5]。然而,同时进行SB的必要性仍存在争议。一方面,额外的SB仅检出略微更多的高危癌症,但不幸的是,检出了更多得多的cisPCa[6, 7]。另一方面,额外的10或12针系统穿刺会增加患者的疼痛和并发症、病理医师的工作量以及医疗服务的成本[8]。因此,人们呼吁不再采用“一刀切”的活检方式,而是优化单纯行MRTB的适应证,从而减少额外的SB。
PI-RADS评分可能代表初次活检患者中避免额外SB的指标之一。已有报道称,在mpMRI上PI-RADS 5的患者中,SB仅略微增加csPCa的检出,并建议在该人群中可省略额外的SB[9–13]。然而,临床决策并非仅基于MRI表现。事实上,其他影像学和临床特征,如索引病灶特征、前列腺特异性抗原密度(PSAD)和前列腺体积(PV),也可能影响SB相对于MRTB的附加价值[14–17]。在本研究中,我们旨在开发并验证一种基于临床和MRI参数的新型风险模型,以预测认知融合MRTB检出csPCa的概率。利用该预测模型,我们尝试优化患者选择,使得省略SB所导致的漏诊csPCa风险可忽略不计,从而减少穿刺针数。
方法
研究人群
本回顾性研究经当地机构审查委员会(IRB)批准,并豁免书面知情同意要求。2018年5月至2022年6月期间,连续招募了355例接受联合靶向认知融合MRTB和SB的患者。排除既往行前列腺活检(n = 47)、活检前曾接受前列腺治疗(n = 5)或未在本机构行前列腺mpMRI(n = 29)的患者。最终,274例患者被纳入,并按时间顺序分为开发队列(n = 201,2018年5月至2020年5月)和验证队列(n = 73,2020年6月至2022年6月,图1)。
前列腺mpMRI检查和评估
所有患者均使用3.0-T MRI(Magnetom Skyra,Siemens)接受标准化前列腺mpMRI检查。使用18通道相控阵体表线圈。常规前列腺MRI包括以下序列[18]:(a)轴位T2w涡轮自旋回波序列——重复时间(TR)4400 ms;回波时间(TE)96 ms;层厚3.5 mm;矩阵288 × 224;(b)DWI序列——TR 3200 ms;TE 70 ms;层厚3.5 mm;指数b值0、200、800和1400 s/mm2;表观扩散系数(ADC)图基于两个b值(800 s/mm2和0 s/mm2)计算并构建;(c)DCE MRI图像采用轴位梯度回波T1加权(T1w)序列获取——TR 3.9 ms;TE 1.9 ms;层厚2 mm;时间分辨率12层/3 s;矩阵320 × 190,静脉注射钆基对比剂钆喷酸葡胺(Magnevist,Bayer Schering Pharma)0.2 ml/kg后采集。
所有MR图像由两名专注于前列腺mpMRI的放射科医师(X.C.,具有3年经验;J.Y.,具有超过5年经验)依据PI-RADS v2.1[18]进行回顾性判读。两名判读者达成共识并确定PI-RADS分类。PV在MRI上测量(V = 0.52 × 横径 × 前后径 × 垂直径)。mpMRI上PI-RADS评分最高的病灶定义为指数病灶(IL)。若有两个或以上病灶PI-RADS评分同样高,则最大病灶指定为IL。肿瘤灶性定义为单灶或多灶。IL的最大直径(MD)在最能清晰显示肿瘤的序列上测量。IL占据最多的扇区指定为其位置。IL的位置按带(外周带或移行带)、层面(底部、中部或尖部)和方向(前部或后部)进行分层。采用36区标准化前列腺MRI报告方案向泌尿外科医师可视化呈现mpMRI所见。
前列腺活检与病理检查
所有前列腺活检均在局部麻醉下经会阴进行。首先,超声医师(D.C.,具有> 3年靶向活检经验)在患者身旁屏幕上显示MRI及图解报告的情况下,使用经直肠超声扫描前列腺,并帮助指导泌尿外科操作者(Z.L.或一名具有3年靶向活检经验的非作者)将活检目标对准MRI所见病灶对应的前列腺区域。以认知融合方式从MRI可疑病灶(PI-RADS评分≥ 3)获取1至5条靶向活检组织芯。然后,由同一组泌尿外科医师以自由手TRUS引导方式获取标准12针系统性活检(SB)。所有标本分别标记并由两名专注于泌尿病理的病理学家审阅。根据2014年国际泌尿病理学会(ISUP)标准[19]为PCa分配Gleason评分(GS)和分级组。csPCa定义为至少一条活检组织芯中GS 3 + 4或更高。
变量定义与结局
临床变量包括年龄、前列腺特异性抗原(PSA)水平、PV和PSAD。mpMRI参数包括PI-RADS评分、肿瘤灶性、MD、IL的带、层面和方向。MD分类为< 0.8 cm、0.8–1.5 cm和≥ 1.5 cm。MRTB针数构成活检参数。关注的结局为认知融合MRTB对csPCa的检出。
统计分析
采用t检验、Wilcoxon检验和卡方检验比较连续变量和分类变量。按患者水平分析csPCa的检出情况。首先,我们对所有变量进行单因素logistic回归分析,以预测MRTB对csPCa的检出。采用Pearson相关矩阵评估年龄、PSA、PV和PSAD之间的多重共线性。其次,采用多因素logistic回归分析(MVA)识别在MRTB中诊断的csPCa的预测因素。构建了三个模型:(i)使用临床预测因素的临床模型,(ii)使用mpMRI预测因素的MRI模型,(iii)纳入独立临床和mpMRI预测因素的联合模型。参考策略为在所有活检初治患者中避免或进行额外SB。通过受试者工作特征曲线下面积(AUC)评估模型的区分度,并使用DeLong检验评估AUC差异。构建校准图以评估模型校准度,即观察终点与预测值之间的一致性。此外,采用决策曲线分析(DCA)确定使用模型相关的净临床获益。为预测性能最佳的模型开发列线图。所有统计检验均使用SPSS 25.0版(IBM Corp)和R统计软件包v.3.0.2(R Project for Statistical Computing,www.r-project.org)进行。所有检验均为双侧检验,显著性水平设定为p < 0.05。
结果
患者人口学特征
包括基线临床参数、MRI和活检结果在内的患者特征总结于表1。在开发队列和验证队列中,csPCa的患病率分别为49.5%(100/201)和46.6%(34/73)。在开发队列中,仅行认知MRTB会漏诊4例csPCa,并将1例GS 3 + 4的csPCa低估为GS 3 + 3(其中4例评分为PI-RADS 4,1例患者评分为PI-RADS 5);在验证队列中会漏诊4例csPCa(其中1例评分为PI-RADS 5,1例患者评分为PI-RADS 4,2例患者评分为PI-RADS 3)。除每个病灶的靶向活检针数外,各队列间的变量无显著差异(表1)。
多因素logistic回归模型的开发与验证
在单变量分析中,年龄(p = 0.008)、PSA水平(p = 0.003)、PV(p < 0.001)、PSAD(p < 0.001)、PI-RADS评分(p < 0.001)、MD(p = 0.028)、带区(p < 0.001)和IL水平(p < 0.001)作为MRTB检测csPCa的单一解释性预测因素均具有显著性。肿瘤灶性(p = 0.18)、IL方向(p = 0.161)和每个病灶的靶向穿刺针数(p = 0.19)不能预测MRTB检测csPCa(所有p > 0.05)。Pearson相关矩阵显示PSAD与PSA水平强相关(ρ = 0.78),与PV强相关(ρ = − 0.59)。为避免多重共线性,年龄(比值比[OR] 1.63,95%置信区间[CI] 1.15–2.30;p = 0.006)和PSAD(OR 2.72,95% CI 1.86–3.98;p < 0.001)被纳入临床模型,因为PSAD是比PSA水平和PV更强的预测因素[20]。在多变量分析中,PI-RADS评分(PI-RADS 4 OR 4.24,95% CI 1.48–12.15;PI-RADS 5 OR 50.13,95% CI 12.67–198.32;p < 0.001)、外周带IL(OR 6.52,95% CI 2.83–14.99;p < 0.001)和尖部水平IL(OR 3.48,95% CI 1.09–11.04;p = 0.035)与认知MRTB检测csPCa的概率显著相关(表2),并纳入MRI模型。此外,年龄(OR 2.3,95% CI 1.42–3.72;p = 0.001)、PSAD(OR 2.3,95% CI 1.44–3.65;p < 0.001)、PI-RADS评分(PI-RADS 4 OR 5.17,95% CI 1.69–15.72;PI-RADS 5 OR 51.58,95% CI 11.78–225.86;p < 0.001)和外周带IL(OR 9.35,95% CI 3.56–24.56;p < 0.001)保持独立预测因素地位(表2),并纳入联合模型。
MRI模型在开发队列(AUC 0.87,95% CI 0.82–0.91 vs. AUC 0.75,95% CI 0.68–0.81;p = 0.006)和验证队列(AUC 0.86,95% CI 0.77–0.94 vs. AUC 0.70,95% CI 0.58–0.82;p = 0.038)中均获得了比临床模型更大的AUC。与临床模型相比,联合模型在开发队列和验证队列中分别使AUC从0.75增至0.91(95% CI 0.87–0.95,p < 0.001)和从0.70增至0.88(95% CI 0.81–0.96,p = 0.001)(图2)。然而,在验证队列中,联合模型与MRI模型相比AUC仅有轻微增加(0.88 vs. 0.86,p = 0.43)。如附加文件1:图S1所示,三个模型在开发队列中观察结果与预测结果之间表现出良好的一致性。在验证队列中,校准图显示联合模型比其他两个模型拟合更优(图3)。因此,联合模型被选为表现最佳的预测模型,并由此衍生出列线图(图4)。
决策曲线分析
在开发队列中,三种风险预测模型在10%至80%的风险阈值范围内,其净获益均高于“全部治疗”(对所有疑似患者避免额外SB)和“不治疗”(对所有疑似患者进行同期SB)策略(图5a)。同时,联合模型在20%至90%的风险阈值范围内的净获益优于其他两种模型。在验证队列中,联合模型在50%至65%的风险阈值范围内实现了最高净获益(图5b)。风险预测模型在50%至90%风险阈值范围内净获益的系统分析见附加文件1:表S1。完整风险阈值范围(50%-100%)的决策曲线见附加文件1:图S2。
表3显示了使用不同活检策略时,MRTB减少的SB绝对数量与检出和漏诊的csPCa的比较。在60%的风险阈值下,开发队列和验证队列中分别有201例中的88例(43.8%)和73例中的32例(43.8%)患者被建议避免额外SB,联合模型分别使100例中的1例(1%)和34例中的1例(2.9%)患者漏诊csPCa。相反,仅对PI-RADS 5类病变的男性进行MRTB,在开发队列和验证队列中分别使201例中的58例(28.9%)和73例中的18例(24.7%)患者减少了不必要的SB,分别使100例中的2例(2%)和34例中的1例(2.9%)患者漏诊csPCa。一例具有mpMRI和活检结果的代表性病例见图6。
讨论
近年来,预先进行多参数磁共振成像(mpMRI)已被用作对MRI低可疑男性的分诊检查以避免活检,而MRI上存在可疑病灶者则仅接受磁共振靶向活检(MRTB)[21]。然而,临床决策不能仅基于MRI表现。临床特征,如PSA、PSAD、种族、前列腺癌(PCa)家族史、活检史及直肠指检结果,对决策同样重要。在本研究中,我们开发并验证了一个结合临床与mpMRI特征的联合模型,用于预测认知融合MRTB检出临床显著前列腺癌(csPCa)的概率。我们发现,与包含年龄和PSAD的临床模型以及包含PI-RADS评分、分区和IL水平的MRI模型相比,联合模型取得了最佳的判别能力。该模型在内部和外部验证中均校准良好,决策分析显示,在实践中使用联合模型将改善关于避免在初诊活检男性中增加系统性活检(SB)的临床决策。
据报道,MRTB在检测老年患者(> 50岁)的csPCa方面优于SB [22]。较高的MRI可疑水平(类似于PI-RADS 4和5)与MRTB对csPCa或高级别PCa的检出率相关[23]。Kuhlmann等发现,前部或尖部病灶位置有利于靶向活检更好地检出PCa [24]。Wibulpolprasert等描述mpMRI对外周带肿瘤的敏感性显著高于移行带肿瘤[25]。在本研究中,年龄、PSAD、PI-RADS评分及外周带IL是认知融合MRTB检出csPCa的独立预测因素,并据此开发了联合预测模型。在我们的验证队列中,其判别能力显著优于临床模型,但与MRI模型相比AUC仅略有提高。若验证队列纳入更多患者,预计联合模型将获得更大的优势。
我们的研究设计允许我们使用时间数据分割来量化模型对时间动态的稳健性。然而,已有报道称时间异质性会影响风险预测模型的校准和临床适用性[26]。在验证队列中,联合模型校准最佳,但并非始终具有最佳的临床效用。在50–65%的截断值处,联合模型在净获益方面优于临床模型和MRI模型。然而,联合模型的DCA曲线发生漂移,在此阈值范围之外其净获益有时低于MRI模型。从泌尿外科医生选择活检患者到前列腺mpMRI技术标准的提高以及前列腺mpMRI判读和靶向活检技术专业知识的增加,这些原因可能导致预测模型的时间性能漂移[27]。
目前,并非所有男性都能从MRTB联合SB活检中获益,因为如前所述,额外10–12针穿刺无疑会增加费用、患者疼痛和并发症[9]。近期越来越多的研究表明,在特定患者(如PI-RADS 5病变男性)中可省略额外SB[9–13]。在Deniffel等人的研究中,对PI-RADS 5和/或既往活检阴性的男性省略额外SB的活检策略,可在58%的男性中避免过度活检、在3%的男性中避免cisPCa诊断,而仅遗漏2%的csPCa[11]。其他研究旨在探索不同的临床和mpMRI参数。Tafuri等人报道,在PI-RADS评分5且PSAD > 0.15的患者亚组中,SB联合软件配准融合MRTB对csPCa检出的附加价值仅为4%[10]。Barletta等人关注mpMRI上IL的体积,发现仅15%的PI-RADS 3病变且体积 > 1.2 ml的男性和29%的PI-RADS 4病变且体积 > 0.6 ml的男性在csPCa检出方面从追加SB中获得边际获益(约4%)[28]。尽管MRI引导下或软件配准融合是MRTB的理想方法,可更好地显示和取样较小病变,但凭借丰富经验实施的认知融合靶向在csPCa检出方面可达到相似准确性[29]。同时,主要荟萃分析也未能证明任何MRTB技术在csPCa检出方面优于其他技术[30]。与既往使用软件融合MRTB的研究一致,我们使用认知靶向的初步回顾性研究也表明,就诊断目的而言,在特定患者中可安全地避免额外SB[10, 28]。在本研究中,对PI-RADS 5初诊活检患者仅行认知MRTB的策略,在开发队列和验证队列中分别可减少28%和24.7%的不必要SB,同时分别遗漏2%和2.9%的csPCa。此外,结合临床和mpMRI特征的联合模型获得了更大的净获益,有助于全面进行临床决策。将风险阈值设定为60%时,在开发队列和验证队列中分别有43.8%的MRTB检出csPCa极高风险(大于60%)患者会被建议避免SB。相应地,总共可节省1440针系统穿刺,代价仅为遗漏2例csPCa。
本研究及文献的发现支持在特定男性中单独行MRI引导靶向穿刺(MRTB)的前提。然而,关键仍在于将这些风险与患者的偏好以及在减少穿刺针数所带来的成本、疼痛和并发症降低与因靶向采样不准确而遗漏临床显著前列腺癌(csPCa)的潜在风险之间进行权衡的意愿相联系。这可能导致需要重复进行前列腺穿刺。同时,最佳患者选择策略应考虑特定治疗方式(如局灶治疗或手术规划)的临床情境,在此类情境中,额外的系统穿刺(SB)可能暗示多灶性前列腺癌的存在[9, 31]。其他支持额外SB的研究提出SB对不良病理特征和治疗后预后(如包膜外侵犯、生化复发)具有补充性预后作用[32, 33],但这些研究存在局限性,因其未考虑PI-RADS评分——前列腺癌侵袭性的主要预测因素之一[11]。
本研究存在若干局限性。首先,我们仅关注检测csPCa的主要结局,而未考虑SB在根治性前列腺切除术后疾病升级方面的附加价值。因此,我们的结果应仅用于诊断目的。我们承认SB在患者风险评估及某些特定临床情境中仍发挥重要作用。其次,预测模型仅在 same 医院以较小样本量进行了同期验证;因此,其应用于其他临床中心时的性能仍不明确。需要进一步的前瞻性多中心验证来检验我们的观察结果。第三,本研究中采用的是认知融合而非基于软件的配准MRTB,尽管操作者具有丰富的临床经验。因此,结果应谨慎解读,可能无法推广至其他队列。
结论
在本研究中,我们开发了一种新型风险模型,整合了临床和mpMRI发现,包括年龄、PSAD、PI-RADS评分和IL区,以预测认知MRTB检测到csPCa的概率。该预测模型可能有助于在初次穿刺患者中就哪些患者可在MRTB基础上安全避免不必要的SB做出决策,并可能在遗漏csPCa的风险、穿刺并发症和医疗负担之间提供最佳平衡。需要进一步的前瞻性和多中心研究来验证该模型的性能和适用性。
补充信息
附加文件1:图S1。风险预测模型应用于开发队列时的校准曲线:(A)临床模型,(B)MRI模型,(C)联合模型。图S2。开发队列(A)和验证队列(B)风险预测模型的决策曲线。模型1=临床模型,模型2=MRI模型,模型3=联合模型。风险阈值范围为50%-100%。表S1。使用决策曲线分析在开发队列和验证队列中确定的临床模型、MRI模型和联合模型的净获益。
引用
- Cheng X, Chen Y, Xu J, et al. Development and validation of a predictive model based on clinical and MpMRI findings to reduce additional systematic prostate biopsy. Insights Imaging. 2024. PMID: 38185753. doi:10.1186/s13244-023-01544-0
- 全文:PMC10772021(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10772021/
供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。