seer文献_SEER数据库文献学习4：倾向评分匹配

之前文章，讲到R语言实现倾向性评分匹配，今天学习一篇文章，同样发表在2019年 转化医学杂志 上，比较了放疗在化生乳癌 metaplastic breast cancer (MBC) 这一特殊类型人群中作用，思路清晰，模式简单。

1

摘要部分

背景及方法：既往针对放疗在MBC中作用的研究很少，且样本量均较小。该研究利用SEER数据库样本量大的优势，探讨放疗对MBC患者OS及肿瘤特异生存BCSS的作用。筛选1973年至2015年的SEER数据中MBC患者，总人群经过倾向评分匹配前后，均行单因素与多因素cox回归分析。比较放疗带来的生存获益。 结果及结论：PSM之前，共有2267例患者，1086 (47.9%)例患者接受了放疗。放疗改善OS (HR 0.73;  p = 0.001) ，降低27%整体死亡率，改善 BCSS (HR 0.71; p = 0.002)，降低29%肿瘤特异性死亡率。PSM之后，样本量变为1066，其中506例患者接受放疗。放疗改善OS (HR 0.64;  p <0.001) ，降低36%整体死亡率，改善 BCSS (HR 0.64; p = 0.001)，降低36%肿瘤特异性死亡率。同时进行相应亚组分析。最终发现，放疗在年老患者，及肿瘤直径较大患者中，能够带来更长的生存获益。 2

主要结果 

1. 筛选流程

该研究去除了多原发癌患者、IV期患者、原发灶未行手术治疗的患者、ER与PR信息不详的患者，最终入组2267例患者，其中1086接受放疗。

2. 人口基线特点：

PSM之前，两组患者分布存在基线差异。经过PSM之后，组间差异消除，不过相应样本量变小。

3.1 回归分析 before PSM

经COX回归分析，筛选OS与BCSS的独立预测因子。

3.2 回归分析 after PSM

4. 生存分析

a-b分别展示psm之前放疗对OS 与 BCSS的影响。

c-d分别展示psm之后放疗对OS 与 BCSS的影响。

5. 亚组分析

最终，在年龄(≥60岁，<60岁)、肿瘤大小(≤5cm，>5cm)、N0、N1人群中分别比较放疗对于MBC患者OS的影响。

文章整体思路清晰简单，不再多余赘述，学习SEER数据库倾向评分匹配的朋友可以借鉴套路参考。

还是那句话，分享下，点个赞或者在看再走吧

示例文献：The role of radiotherapy in metaplastic breast cancer: a propensity score-matched analysis of the SEER database. J Transl Med. 2019 Sep 23;17(1):318. doi: 10.1186/s12967-019-2069-y. PMID: 31547814.

继续推行文末福利：转发该推文至朋友圈并推荐关注，获取30个赞并截图发给小编，可获得预测模型系列课程一套。60个赞可获得课程加以下图书一本，数据分析必备，先到先得，免费包邮