SEER数据库SEER数据库中科院2区SCI文章常见工作量文章常见工作量

2区期刊的 SEER 研究定位

工作量基准：从 SEER 数据中系统提取数据，结合多种统计模型（如 PSM、多变量回归分析和预测模型构建），完成全流程的数据清洗、分析、稳健性检验与结果解读。

核心要素：

✅ 统计分析：

可采用 Kaplan-Meier 曲线与 Log-rank 检验比较不同治疗方式下患者的 OS 与 CSS 差异；
可使用多变量回归模型（如 Logistic 回归、Cox 比例风险模型）识别关键影响因素；
为控制潜在混杂偏倚、提升组间可比性，引入倾向性评分匹配（PSM）方法，构建平衡队列并进行稳健性验证；
考虑到 SEER 数据的长期随访特性，可引入时间依赖性分析或竞争风险模型等方法，以提高分析的准确性。

✅ 高级模型：在此基础上构建预测模型（如列线图或机器学习算法），并通过交叉验证、ROC 曲线、校准曲线、决策曲线等手段对模型性能进行全面评估。

✅ 外部验证：如条件允许，可借助外部数据集进行验证，以进一步检验模型的稳健性与泛化能力。若暂时缺乏外部数据，也可通过 bootstrap 重抽样进行内部稳健性测试。

工作量框架与5篇案例对照

典型工作量拆解

案例一：

文章标题：Development and validation of a deep learning-based survival prediction model for pediatric glioma patients: A retrospective study using the SEER database and Chinese data

1️⃣ 数据准备

本研究共纳入9532名儿童胶质瘤患者的数据，分别来自美国SEER数据库（2000–2018年，共 9274 例）和中国唐都医院（2010–2018 年，共 258 例），其中 SEER 数据作为训练集与内部测试集，唐都医院数据作为外部验证集。

纳排标准：包括确诊为儿童胶质瘤（年龄≤18岁）、完整的随访信息、生存时间≥1个月的患者，排除缺失关键变量（如肿瘤特征、治疗方式、生存状态）的病例。

变量整理：统一整理了包括人口学特征（年龄、性别、种族）、肿瘤学特征（病理类型、分期分级、肿瘤大小）、治疗方式（手术、放疗、化疗）和随访信息（生存状态、生存时间）等变量。

数据划分：SEER 数据按 8:2 比例随机分为训练集与测试集；唐都医院数据作为独立外部验证集用于检验模型的泛化能力。

2️⃣ 统计分析

生存分析：Cox 回归（HR及95%CI），使用 Harrell’s C-index 和校准曲线评估 Cox 模型的判别能力与拟合度。

模型训练与测试：

三种生存预测模型用于主分析：DeepSurv（深度神经网络）、N-MTLR（神经多任务逻辑回归）、随机生存森林（RSF）。
所有模型使用训练集进行建模，并在测试集上进行初步验证。
超参数调优通过 1000 次随机搜索与5折交叉验证完成，目标为最小化 Brier 分数与最大化C-index。

模型性能评估指标：

判别能力：使用 C-index 和 AUC（1年、3年、5年）评估模型区分生存状态的能力。
拟合度与准确性：Brier Score 和 Integrated Brier Score（IBS）衡量预测误差。
校准能力：绘制 1/3/5 年生存的校准曲线，评估预测概率与实际生存的一致性。
临床效益评估：使用决策曲线分析（DCA）衡量不同模型在多个时间点的净获益。

特征重要性：

SHAP 可视化最终模型的特征重要性。

临床工具开发：

基于 DeepSurv 模型构建了在线预测工具。

3️⃣ 结果呈现

表1：变量赋值表

表2：患者基线特征以及单因素多因素 Cox 回归分析

表3：外部验证的基线特征

表4：训练集验证集的基线特征

图2：（A）数据集中变量的相关系数；（B）预测误差曲线；（C）DeepSurv和神经网络多任务逻辑回归（NMLTR）模型的损失收敛图

表5：四种生存模型的性能

图3：1（A）-3（C）-5（E）年生存预测的ROC曲线。1（B）-3（D）-5（F）年生存预测的校准曲线（训练集）；1（G）-3（I）-5（K）年生存预测的ROC曲线。1（H）-3（J）-5（L）年生存预测的校准曲线（验证集）

图4：4种不同模型的1（A）-3（B）-5（C）生存预测的决策曲线分析

图5：（A）SHAP图可视化，描绘了 DeepSurv 模型特征的贡献排名。（B）模型中每个特征变量的平均 SHAP 值排名。（C）12 个特征中不同因素对模型的影响（X 轴为特征变量的赋值，Y 轴为 SHAP 值）

图6：（A）描述 DeepSurv、神经网络多任务逻辑回归（NMLTR）和随机生存森林（RSF）模型中特征重要性的热图。（B）用于生存预测和治疗选择的 DeepSurv 模型的在线预测器。4 例小儿胶质瘤患者的生存预测。（C）小儿神经胶质瘤患者五种不同治疗方式的生存预测

案例二：

文章标题：Survival benefit of combined immunotherapy and chemoradiotherapy in locally advanced unresectable esophageal cancer: an analysis based on the SEER database

1️⃣ 数据准备

本研究基于美国国家癌症数据库 SEER（Surveillance, Epidemiology, and End Results）项目，系统提取 2004–2014 及 2019–2020 年间确诊为局部晚期不可切除食管癌的7758名患者。其中接受放化疗单独治疗者 6,395 例，接受放化疗联合免疫治疗者 1,363 例。

纳入标准包括：① 诊断为局部晚期且不可手术切除的食管癌；② 接受放化疗联合免疫治疗或单纯放化疗；③ 明确的临床病理信息及完整的生存结局数据。剔除标准包括：① 缺失关键治疗信息；② 生存时间为0；③ 合并其他恶性肿瘤史者。

采用 X-tile 软件确定年龄和肿瘤大小的最佳分界值，分别为 75 岁和 60 mm，用于后续分层分析。

2️⃣ 统计分析

生存差异比较：采用 Kaplan-Meier 方法绘制总体生存（OS）及肿瘤特异性生存（CSS）曲线，并通过 Log-rank 检验比较两组生存差异。在原始队列和 PSM 匹配队列中均开展了生存比较。

PSM：为减少混杂因素干扰，采用 1:4 比例最近邻匹配法进行倾向性评分匹配，匹配变量包括种族、肿瘤部位、大小、分级、病理类型等，最终形成 1,357 例 CRT+IMT 组与 5,090 例 CRT 组的匹配队列。

回归建模分析：在匹配后队列中进行单因素和多因素 Cox 比例风险回归模型，识别与 OS/CSS 显著相关的独立预后因素，结果以风险比（HR）及 95% 置信区间（CI）表示。

亚组分析：进一步进行分层分析，以探讨治疗方式在不同人群中的差异效应。

本地数据验证：在本中心独立队列中纳入 63 例接受 CRT+IMT 的局部晚期不可切除食管癌患者，开展回顾性分析，进一步验证了 CRT+IMT 可显著延长 OS（中位生存 21 月）与 PFS（中位 15 月），ORR 达 62%，DCR 高达 92%。

3️⃣ 结果呈现

图2：（A–F）图像展示了通过 X-tile 分析确定年龄和肿瘤大小的最佳截断值。（A, D）黑点表明已确定年龄/肿瘤大小的最佳截断值。（B, E）基于确定的截断值构建了直方图和（C, F）Kaplan-Meier 曲线

表1：患者倾向评分匹配前后的基线特征

图3：(A, B) 使用标准化均值差异（SMD）（A）和倾向得分（B）对 CRT+IMT 组与 CRT 组进行倾向得分匹配

表2：按治疗方式分层患者的生存率

图4：(A–D) Kaplan-Meier 生存曲线，展示倾向评分匹配前后患者的总生存期（OS）（A, C）和无病生存期（CSS）（B, D）。图中显示了 95%置信区间（基于对数风险估计）、不同时间点的风险患者数量以及对数秩检验的 P 值

表3：倾向评分匹配后患者总生存率的单变量和多变量 Cox 回归分析

表4：倾向得分匹配后患者癌症特异性生存的单变量和多变量 Cox 回归分析

图5：(A, B) 显示匹配队列中 OS（A）和 CSS（B）预后因素多变量分析的森林图

图6：(A, B) 基于治疗效应对总生存期（OS）（A）和无病生存期（CSS）（B）的亚组分析和交互检验结果汇总于森林图

表5：我院纳入患者的基本特征

图7：(A, B) Kaplan-Meier 曲线显示我院纳入患者的总生存期（A）和无进展生存期（B）

案例三：

文章标题：The effectiveness of combined extrahepatic bile duct resection in radically resected cases with intrahepatic cholangiocarcinoma: a SEER-based retrospective cohort study and an external validation

1️⃣ 数据准备

本研究基于 SEER 数据库（Surveillance, Epidemiology, and End Results），共纳入 2004–2020 年间切除性手术确诊为肝内胆管癌（IHCC）患者 1,521 例，其中 189 例接受了联合肝外胆道切除（EHBDR）。所有患者均为病理确诊病例，并拥有完整的临床病理与随访资料。

纳入变量包括：人口学特征（年龄、性别、婚姻状况、种族）、临床背景（是否合并肝硬化）、肿瘤病理特征（T分期、N分期、分化程度、肿瘤数量、是否有卫星结节、血管侵犯、肿瘤组织类型等）、手术方式（是否联合 EHBDR、多脏器联合切除、肝叶切除范围）、术后治疗（是否接受辅助放疗/化疗）及随访数据（OS、CSS、DFS、生存时间等）。

对连续变量如 CA19-9 水平的缺失值采用多重插补法（multiple imputation）处理，具体使用 R 软件中的 mice 包完成。

2️⃣ 统计分析

组间比较：使用卡方检验或Mann-Whitney U 检验比较 EHBDR 组与非 EHBDR 组在基线特征、手术方式和病理特征方面的差异。

生存分析：采用 Kaplan-Meier 方法估算总生存期（OS）、癌症特异性生存期（CSS）及无病生存期（DFS），并通过 Log-rank 检验比较 EHBDR 与非 EHBDR 两组的生存差异。生存曲线进一步在 T 分期、N 分期等亚组中进行分层分析。

单变量与多变量 Cox 回归：分别构建 OS 和 CSS 的风险模型，识别独立预后因素。显著变量包括：性别、肝硬化状态、T/N 分期、肿瘤分化程度、是否接受 EHBDR 等。在外部验证队列中，还纳入了 CA19-9 水平、手术切缘状态、多发肿瘤、卫星结节等额外指标。

倾向性评分匹配（PSM）：为减少基线差异造成的偏倚，分别在 SEER 队列（1:2 匹配）与外部验证队列（1:1 匹配）中进行 PSM 匹配，控制的变量包括：年龄、性别、肝硬化、T/N 分期、分化程度、手术范围、术后化疗等。匹配后两组大多数变量达到平衡，标准化差值（SMD）均小于 0.1，匹配后依然观察到 EHBDR 组的长期生存不良。

外部验证队列：该队列来自研究中心癌症数据库，初始共纳入 965 例确诊 IHCC 患者，最终纳入 522 例完整病例，其中 EHBDR 组 117 例，非 EHBDR 组 405 例。外部队列中位随访时间为 47.5 个月（IQR: 36.25–65 个月）。

3️⃣ 结果呈现

表1：基于 SEER 队列在 PSM 前根据总生存期(OS)和无病生存期(CSS)对接受 BDR 治疗的患者与未接受 BDR 治疗的患者进行的比较分析

图3：Kaplan–Meier 曲线展示 SEER（监视、流行病学和最终结果）队列中接受 BDR（胆管切除）和未接受 BDR 的患者之间的生存差异，在倾向评分匹配前。(A) 整个队列的无进展生存期；(B) T1–T2 疾病患者的无进展生存期；(C) T3–T4 疾病患者的无进展生存期；(D) N−（淋巴结阴性）患者的无进展生存期；(E) N+（淋巴结阳性）患者的无进展生存期；(F) T3–T4 和 N+疾病患者的无进展生存期；(G) 整个队列的癌症特异性生存期；(H) T1–T2 疾病患者的癌症特异性生存期；(I) T3–T4 疾病患者的癌症特异性生存期；(J) N−（淋巴结阴性）患者的癌症特异性生存期；(K) N+（淋巴结阳性）患者的癌症特异性生存期；(L) T3–T4 和 N+疾病患者的癌症特异性生存期

表2：SEER 队列 OS 和 CSS 预后因素的单变量和多变量 Cox 回归分析

表3：基于 SEER 队列 PSM 后的 BDR 组与未 BDR 组在总生存期（OS）和无病生存期（CSS）上的比较分析

图4：Kaplan–Meier 曲线展示在 SEER（监视、流行病学和最终结果）队列中进行倾向评分匹配后，接受胆管切除（BDR）的患者与未接受 BDR 的患者之间的生存差异。(A) 整体队列的无进展生存期（OS）；(B) T1–T2 疾病患者的 OS；(C) T3–T4 疾病患者的 OS；(D) N−疾病患者的 OS；(E) N+疾病患者的 OS；(F) T3–T4 和 N+疾病患者的 OS；(G) 整体队列的无病生存期（CSS）；(H) T1–T2 疾病患者的 CSS；(I) T3–T4 疾病患者的 CSS；(J) N−疾病患者的 CSS；(K) N+疾病患者的 CSS；(L) T3–T4 和 N+疾病患者的 CSS

案例四：

文章标题：Prognostic impact of increased lymph node yield in colorectal cancer patients with synchronous liver metastasis: a population-based retrospective study of the US database and a Chinese registry

1️⃣ 数据准备

本研究基于来自 SEER 数据库（n=3899）与中国多中心注册登记数据（n=676）的转移性结直肠癌患者，严格按照既定纳入与排除标准筛选符合条件的患者。两队列涵盖完整的基线特征与随访信息，为后续的生存分析与亚组比较提供了坚实的数据基础。

纳排标准：根据国际疾病分类肿瘤学分类（ICD-O-3）的解剖学编码，原发肿瘤部位分为三个亚部位：近端结肠（C18.0、C18.1、C18.2、C18.3 和 C18.4）、远端结肠（C18.5、C18.6、C18.7）和直肠（C19.9 和 C20.9）。同步 LM 通过影像学或病理学检查确定。同步 LM 是指在原发性 CRC 诊断后 6 个月内发现的肝脏病变。如果患者未接受 CRC 手术、未提供淋巴结切除数量数据或生存状态未知，则被排除在外。

变量整理：统一整理了包括患者的人口统计学和临床信息（年龄、性别）、淋巴结比率（LNR）、阳性淋巴结数量除以总 LNY、肿瘤[原发肿瘤部位、肿瘤等级、组织学类型、美国癌症联合委员会（AJCC）TNM 分期和术前癌胚抗原（CEA）]、手术策略（仅原发部位切除、原发部位和转移灶切除）以及结局变量（随访时间和生存状态）和随访信息（生存状态、生存时间）等变量。

PSM：为控制混杂偏倚、平衡 LNY <12 与 ≥12 两组间的基线差异，研究分别在 SEER 队列、中国队列及其合并总体中进行了 1:1 PSM 匹配。

2️⃣ 统计分析

Kaplan-Meier 曲线与 Log-rank 检验：用于评估 LNY <12 vs. LNY ≥12 对 CSS 的影响。

多变量 Cox 回归模型：纳入所有在单变量分析中显著（P<0.05）的变量，进一步探讨独立预后因素。

LNY 与肿瘤部位交互分析：额外比较 LNY 对近端结肠、远端结肠与直肠患者的生存影响。

补充分析与验证：

在中美队列分别进行匹配与生存分析后，还将两个队列合并进行整体分析，以增强结论的外部适用性。
生存分析结果在多个 M 分期（M1a/M1b）分层下保持一致，提升了结论的普适性。

3️⃣ 结果呈现

表1：SEER 数据库和中国登记中 IV 期结直肠癌患者的临床病理特征

表2：LNY 与 IV 期结直肠癌患者临床病理特征之间的关联在 SEER 数据库和中国登记中的关系

图1：在 SEER 数据库中，根据 LNY 分层，在 PSM 前后患者的 Cox 调整生存曲线。(A) PSM 前所有 IV 期患者。(B) PSM 前 M1a 期患者。(C) PSM 前 M1b 期患者。(D) PSM 后所有 IV 期患者。(E) PSM 后 M1a 期患者。(F) PSM 后 M1b 期患者

表3：SEER 数据库中经倾向评分匹配后，IV 期结直肠癌患者癌症特异性生存的多变量 Cox 分析

图2：中国登记数据库中经倾向评分匹配调整后的 Cox 生存曲线，按淋巴结清扫数量分层（A）PSM 前所有 IV 期患者（B）PSM 前 M1a 期患者（C）PSM 前 M1b 期患者（D）PSM 后所有 IV 期患者（E）PSM 后 M1a 期患者（F）PSM 后 M1b 期患者

图3：根据 LNY 分层对 SEER 数据库的生存亚组分析

图4：根据 LNY 分层对中国登记系统的生存亚组分析

案例五：

文章标题：Lymph node yield as a surrogate marker for tumour biology and prognosis in colon cancer

1️⃣ 数据准备

包括了来自两个大型基于人群的数据集的结直肠癌患者：SEER 和 CORECT-R，涵盖了 2010 年至 2020 年。符合条件的患者具有经病理学确诊的结直肠腺癌，接受了根治性切除术，并具有完整的病理学和随访记录。

纳排标准：仅纳入结肠非转移性腺癌且淋巴结数据完整的患者。在两个数据集中均排除了接受急诊手术、次全结肠切除术、全直肠结肠切除术或外脏器切除术的患者。

2️⃣ 统计分析

描述性分析：使用频数、中位数、四分位数等对患者基线特征进行总结；时间趋势图用于展示 LNY 和 LN+ 随年份的变化。

趋势分析：分别在 CORECT-R 和 SEER 队列中分析不同T分期下 LNY 的时间变化趋势。计算不同 LNY 层级下的 LN 阳性率，寻找平台效应（如LNY=9为转折点）。

回归建模分析：使用 Cox 比例风险模型评估 LNY 与 OS 的独立关系，控制混杂因素（年龄、性别、肿瘤部位、阳性淋巴结数、是否接受辅助治疗等）。

亚组分析：亚组分析中将患者按 LNY ≥9 vs. <9 和 LN 阳性 vs. 阴性分层，比较生存差异。

队列差异：在 CORECT-R 中使用线性回归预测每个多学科团队（MDT，multi-disciplinary teams）的预期 LNY。识别偏高/偏低的 MDT（±2 SD），并比较其 OS 是否有统计差异。

3️⃣ 结果呈现

表1：CORECT-R 和 SEER 队列的人口统计学特征

图2：折线图显示：a. CORECT-R 数据库中每年纳入的每名患者平均切除的淋巴结数量 b. SEER 数据库中的相同指标 c. CORECT-R 数据库中每名患者平均切除的含癌淋巴结数量 d. SEER 数据库中的相同指标 e. CORECT-R 数据库中每年至少有一个淋巴结转移的患者百分比 f. SEER 数据库中每年至少有一个淋巴结转移的患者百分比