腎腫瘤解剖評分聯合腎周脂肪粘連評分對囊性腎腫物患者圍手術期結果的預測價值分析

摘要 目的：評估腎腫瘤解剖評分聯合腎周脂肪粘連評分對接受機器人輔助腎部分切除術的囊性腎腫物（cRM）患者圍手術期結果的預測價值。方法：回顧性分析兩家三甲醫院于2016年3月—2020年12月接受機器人輔助腎部分切除術的50例cRM患者的圍手術期資料。評估患者RENAL、術前解剖特征分類（PADUA）、梅奧粘連概率（MAP）、腎周脂肪粘連（APF）評分，以切緣陰性、熱缺血時間lt;20 min、無嚴重術中或術后并發癥的MIC“三連勝”視為達到最佳手術結果。統計患者達成MIC情況，通過受試者操作特征曲線（ROC）曲線分析評估各評分系統及組合評分模型對MIC達成的預測價值，選取最優模型進行列線圖分析，通過校準曲線、臨床決策曲線以及Hosmer-Lemeshow檢驗來評估列線圖的預測性能。結果：腎腫瘤解剖評分中PADUA評分系統略優于RENAL評分系統（AUC：0.782 Vs 0.720），腎周脂肪粘連評分中MAP評分系統略優于APF評分系統（AUC：0.629 Vs 0.525），但差異均無統計學意義（Pgt;0.05）。PADUA評分與MAP評分的組合評分模型（AUC=0.822）預測能力優于任何一種單一評分模型或組合評分模型，通過校準和決策曲線分析證實臨床應用價值顯著。結論：PADUA評分與MAP評分的組合評分模型在cRM患者術后MIC達成中表現出卓越的預測能力，可為此類患者接受機器人輔助手術的風險評估和術前決策提供有力支持。

關鍵詞 囊性腎腫物；機器人輔助腎部分切除術；腎腫瘤解剖評分；腎周脂肪粘連評分

中圖分類號 R737.11 文獻標識碼 A 文章編號 2096-7721（2025）01-0107-07

Value of renal tumor anatomy score combined with perirenal fatty adhesions score in predicting perioperative outcomes of patients with cystic renal masses

WANG Bao， CHEN Bohong， HUANG Haoxiang， FENG Cong， ZENG Jin， CHEN Wei， WU Dapeng

（Department of Urology， the First Affiliated Hospital of Xi’an Jiaotong University， Xi’an 710061， China）

Abstract Objective： To assess the value of renal tumor anatomy score combined with perirenal fatty adhesions score in predicting the perioperative period outcomes of cystic renal mass （cRM） patients who underwent robot-assisted partial nephrectomy. Methods： 50 patients with cRM who underwent robot-assisted partial nephrectomy from March 2016 to December 2020 in two tertiary hospitals were selected， and their perioperative data were analyzed retrospectively. Patients’ RENAL， preoperative aspects and dimensions used for an anatomical （PADUA）， Mayo adhesive probability （MAP）， and adherent perinephric fat （APF） scores， and wether the MIC “trifecta” was achieved （negative margins， thermal ischemia time lt;20 min， and no serious intraoperative or postoperative complications） were assessed. ROC curves were used to evaluate the predictive value of each scoring system and combined scoring model for MIC trifecta. The best model was selected for nomogram analysis， and the Hosmer-Lemeshow test， calibration curves， and clinical decision curves were used to evaluate the predictive performance of nomogram. Results： In the renal tumor anatomy scoring， the PADUA scoring system outperformed the RENAL scoring system by a small margin （AUC： 0.782 Vs 0.720）， and in the perirenal fatty adhesions scoring， the MAP scoring system outperformed the APF scoring system by a small margin （AUC： 0.629 Vs 0.525）. But none of the differences was statistically significant （Pgt;0.05）. The predictive ability of the combined scoring model of the PADUA score and MAP score （AUC=0.822） was superior to any single scoring model or the combined scoring model， and the significant value of clinical application was confirmed by calibration and decision curve analysis. Conclusion： The combined scoring model of the PADUA score and MAP score showed excellent predictive ability in predicting postoperative MIC in patients with cRM， which can provide powerful support for risk assessment and preoperative decision-making for patients who will undergo robot-assisted surgery.

Key words Cystic Renal Mass; Robot-assisted Partial Nephrectomy; Renal Tumor Anatomy Score; Perirenal Fatty Adhesion Score

囊性腎腫物（Cystic Renal Mass，cRM）約占腎腫物病例的15%。Bosniak分級根據CT影像學表現對cRM進行分類和風險分層評估[1]。部分復雜性cRM（≥Bosniak ⅡF）被診斷為惡性，約4%～10%的腎癌表現為囊性改變，需要進行手術治療[2]。盡管cRM相較于實性腎腫物（Solid Renal Mass，sRM）的病理分期和核分級較低，但對于體積較大或復雜度較高的復雜cRM，仍建議選擇保留腎單位手術作為優先治療方式。與sRM不同，切除cRM需格外小心謹慎，以避免囊腫破裂和內容物溢出[3]。憑借精準、微創等多重優勢，機器人輔助技術在處理具有挑戰性的cRM保腎手術中應用日益廣泛[4]。

目前已有數十種評分系統用于評估腎部分切除術的復雜程度[5]。RENAL評分和術前解剖特征分類（Preoperative Aspects and Dimensions Used for An Anatomical，PADUA）評分由于計算簡便、重現性高而被廣泛采納。近年來，梅奧粘連概率（Mayo Adhesive Probability，MAP）評分和腎周脂肪粘連（Adherent Perinephric Fat，APF）評分等評分系統也日益受到重視。上述評分均已被證實與sRM不良圍手術期結果相關[6-9]，但鮮有研究評估這些評分組合對cRM患者圍手術期結果的預測效能。基于此，本研究詳細探討了單一評分與組合評分對cRM圍手術期結果的預測價值，現報道如下。

1 資料與方法

1.1一般資料 本研究回顧性分析西安交通大學第一附屬醫院于2017年1月—2020年10月以及南昌大學第一附屬醫院于2016年3月—2020年

12月接受機器人輔助腎部分切除術患者的臨床資料。納入標準為單個腎腫瘤且具備完整影像學和臨床資料的cRM患者。排除標準：①存在淋巴結轉移；②存在血管受累或腔靜脈癌栓形成；③存在遠處轉移；④存在腎功能障礙或腎功能衰竭；⑤年齡lt;18歲或年齡gt;80歲。最終共納入50例cRM患者，所有手術均由經驗豐富的機器人輔助手術醫生主刀。

1.2數據收集 兩名經驗豐富的泌尿科醫生根據相關文獻算法[7，10-12]，依據患者術前腹部CT或MRI影像數據，評估RENAL、PADUA、MAP、APF評分，對于存在分歧的評分，由高年資醫生重新計算以評估最終分數。臨床使用ClassIntra系統[13]進行術中并發癥分類，Clavien-Dindo分級系統[14]評估患者術后3個月的并發癥情況。在本研究中，達成MIC（Margin，Ischemia and Complications）“三連勝”被視為達到最佳手術結果的標準，即同時滿足切緣陰性或無囊腫破裂，熱缺血時間lt;20 min，無嚴重術中或術后并發癥（ClassIntra評分gt;Ⅱ級或Clavien評分Ⅲ～Ⅳ級）。

1.3評分標準 選取RENAL評分系統和PADUA評分系統進行腎腫瘤解剖評分，選取MAP評分系統APF評分系統進行腎周脂肪粘連評分。

RENAL評分系統評估標準如下：①腫瘤最大徑≤4 cm為1分，4～7 cm為2分，≥7 cm為3分；②腫瘤外凸率≥50%為1分，lt;50%外凸為2分，完全內生型為3分；③腫瘤與腎集合系統的距離≥7 mm為1分，4～7 mm為2分，≤4 mm為3分；④腫瘤與腎臟上下極的位置，完全在上下極為1分，大部在上下極為2分，gt;50%不在上下極為3分。將上述指標評分相加，可以將手術復雜性劃分為低級（4～6分）、中級（7～9分）、高級（10～12分）。

PADUA評分系統評估標準如下：①腫瘤最大徑≤4 cm為1分，4～7 cm為2分，gt;7 cm為3分；②腫瘤與腎臟上下極的垂直位置，位于上下極為1分，位于中部為2分；③腫瘤與腎臟內外側的水平位置，外側為1分，內側為2分；④腫瘤與腎集合系統的關系，無關為

1分，有關為2分；⑤腫瘤與腎竇的關系，無關為1分，有關為2分；⑥腫瘤外凸率≥50%為1分，lt;50%外凸為2分，完全內生型為3分。將上述指標評分相加，可將手術復雜性劃分為低級

（6～7分）、中級（8～9分）、高級（10～14分）。

MAP評分系統評估標準如下：①后側腎周脂肪厚度lt;1 cm為 0分，1～2 cm為1分，≥2 cm

為2分；②腎周脂肪無條索狀改變為0分，存在輕/中度條索（1型）為2分，存在嚴重條索（2型）為3分。MAP評分系統旨在預測術中遇到腎周脂肪粘連的可能性，將上述指標評分相加，評分總分為0～5分，分數越高表示遇到腎周脂肪粘連的概率越大。

APF評分系統評估標準如下：①后腎周脂肪厚度lt;2 cm為0分，≥2 cm為1分；②腎周脂肪無明顯條索為0分，存在輕/中度條索（1型）為1分，存在嚴重條索（2型）為2分；③未合并糖尿病為0分，合并糖尿病為1分。將上述指標評分相加，評分總分為0～4分，分數越高表示在腎部分切除術中遇到腎周脂肪粘連的概率越大。

1.4統計學方法 在基線資料中，連續變量采用中位數（四分位數）[M（P25，P75）]表示，分類變量則使用例數（百分比）[n（%）]表示。采用受試者操作特征曲線（Receiver Operator Characteristic Curve，ROC）及曲線下面積（Area Under the Curve，AUC）評估預測性能，AUC代表模型在分類任務中的整體性能，范圍為0～1，AUC值lt;0.5表示模型預測效果較差，0.5≤AUC值lt;0.7表示模型性能一般，0.7≤AUC值lt;0.9表示模型性能良好，AUC值≥0.9表明模型性能非常優秀。利用Logistic回歸分析對腎腫瘤解剖評分和腎周脂肪粘連評分進行組合，并使用列線圖進行直觀可視化展示，通過校準曲線、臨床決策曲線以及Hosmer-Lemeshow檢驗來評估列線圖的預測性能。所有統計學分析及可視化工作均使用R-4.2.2軟件完成，Plt;0.05表示差異有統計學意義。

2 結果

2.1患者基線信息 50例患者中有33例來自西安交通大學第一附屬醫院，17例來自南昌大學第一附屬醫院。患者年齡為[47（39，54）]歲，

其中男性52%，女性48%，BMI為[24.2（21.7，26.8）] kg/m2，行左側手術和右側手術的患者各占50%。根據美國麻醉醫師協會（ASA）評分，10%的患者為ASA Ⅰ級，52%為ASA Ⅱ級，38%為ASA Ⅲ級。根據Bosniak分級顯示，22%的患者為Bosniak ⅡF級，44%為Bosniak Ⅲ級，34%為Bosniak Ⅳ級。術中失血量為[100（50，200）] mL，熱缺血時間為[24（18，28）] min，

16%的患者出現并發癥。患者評分方面，RENAL評分為[8（7，9）]分，PADUA評分為[9（8，11）]分，MAP評分為[2（1，3）]分，APF評分為[1（1，3）]分，其中13例（26%）達到MIC標準。

2.2各評分模型的ROC曲線分析 各評分模型對MIC達成結果的ROC曲線如圖1，在評估腎腫瘤解剖評分對于MIC達成的預測方面，PADUA評分與RENAL評分在預測能力方面雖略有差異，但差異無統計學意義（Delong檢驗：P=0.4475gt;0.05）；MAP評分在預測MIC方面的能力略優于APF評分，但二者差異也無統計學意義（Delong檢驗：P=0.2323gt;0.05）。

2.3組合評分模型的ROC曲線分析 各組合評分模型對MIC達成結果的ROC曲線如圖2，所有組合AUC值均超過0.7，表明各組合評分模型在預測MIC達成方面具有較高的準確性，其中PADUA和MAP聯合模型的AUC值最高（AUC=0.822），顯示出最優的區分能力。

2.4組合評分模型與單一評分模型的對比分析

由上文可知，就預測cRM患者達成MIC而言，PADUA（AUC=0.782）和MAP（AUC=0.629）分別是腎腫瘤解剖評分和腎周脂肪粘連評分中較為可靠的評分模型，將這兩個評分模型結合后，AUC值提高至0.822。與單一評分相比，組合評分模型優于單一的腎周脂肪粘連評分，差異有統計學意義（Plt;0.05），也優于單一的腎腫瘤解剖評分，但差異無統計學意義（Pgt;0.05），如圖3。

2.5模型可視化及模型效果評價 為了使模型更加實用和通用，本研究對模型進行了直觀化展示。圖4A呈現了組合評分模型的列線圖，其中PADUA和MAP的具體評分分別映射到評分軸上，將這些評分相加后，得到的總分再投射到帶有發生概率刻度的概率軸上，從而計算得到最終的MIC發生概率。圖4B的校準曲線顯示，校正后的概率曲線與理想曲線擬合度較高，能夠有效預測cRM患者的MIC結果。臨床決策曲線分析如圖4C，結果表明組合評分模型的凈受益率高于任一單獨評分模型。另外，Hosmer-Lemeshow檢驗結果顯示該模型具有良好的預測能力（χ2=11.721，P=0.1641gt;0.05）。

2.6組合評分模型對其他圍手術期結果的預測能力 手術時間和術中出血量是cRM患者圍手術期結局中除MIC之外的另外兩項重要指標。本研究使用組合評分模型對手術時間是否超過

150 min及術中出血量是否超過200 mL進行ROC曲線分析（如圖5）。結果顯示，組合評分模型對于預測手術時間是否超過150 min具有較好的預測能力（AUC=0.769），但對于術中出血量是否超過200 mL的預測效果較差（AUC=0.592）。

圖5 組合評分模型預測手術時間及術中出血量的ROC曲線

Figure 5 ROC curves of the combined scoring model for predicting operative time and intraoperative haemorrhage

注：A. 手術時間；B.術中出血量

3 討論

腎囊性病變是一種以腎臟出現“囊性改變”為特征的常見腎臟疾病。流行病學研究顯示，60歲以上人群中至少有三分之一患有某種形式的腎囊性病變[15]。復雜性cRM是一種組織形態學上具有明顯異質性的腎臟病變，這種異質性體現在Bosniak分類系統中對于復雜性cRM的評判標準上[16-17]。Bosniak分類將腎囊性病變劃分為Ⅰ～Ⅳ四個等級，其中惡性腫瘤的可能性隨著分級的升高而顯著增加。在Bosniak Ⅳ級別的病變中超過90%為惡性腫瘤[18]，但傳統觀點認為，囊性腎細胞癌相較于實性腎細胞癌，通常具有較為溫和的生物學行為和低轉移風險，因此認為主動監測與消融治療是外科手術的替代方案。然而，既往研究發現富馬酸加氫酶缺陷型腎細胞癌雖具有較強的侵襲性和轉移潛能，但也可表現出囊性結構改變[19]，因此機器人輔助腎部分切除術仍被推薦為復雜性cRM的首選治療手段。

目前所有復雜的腎腫瘤解剖評分系統，如PADUA和RENAL，都是基于實性腎細胞癌的主要解剖學特征設計的，旨在指導術前手術規劃和咨詢[3，10，20]。然而，這些評分系統并未將腫瘤的囊性狀態納入考慮因素。盡管如此，手術醫生在實際操作單純性cRM和復雜性cRM時，主觀經歷存在明顯差異[3，21]。先前有研究發現，在Bosniak Ⅲ級的患者中，RENAL評分中的E（外突程度）和N（與腎竇或集合系統的距離）兩個因素得分高，以及主刀醫生經驗水平較低，都是導致囊腫破裂的重要預測因

素[22]。腎周脂肪粘連是指由于炎癥反應而黏附于腎實質表面的脂肪組織，會增加腎腫瘤的游離分離難度，從而加大行腎部分切除術的手術操作難度，被認為是影響腎部分切除術手術不良結局的一個關鍵非腫瘤相關因素[23-24]。既往已有腎腫瘤解剖評分與腎周脂肪粘連評分聯合預測腎腫瘤圍手術期結局的相關報道[25-26]，但對于預測cRM圍手術期結局的作用知之甚少。JIN D C等人[27]通過Logistic回歸分析將RENAL和MAP兩個評分系統結合，發現組合評分優于單一評分系統，AUC值提高到0.847，能更好地預測術中并發癥，與本研究結果一致。YANG B等人[28]在一項納入159例接受腹腔鏡腎部分切除術患者的回顧性研究中，評估RENAL和MAP兩種評分系統，然而該研究主要是為評估接受腹腔鏡腎部分切除術的患者設計的，而非接受機器人輔助手術的cRM患者。TAN X J等人[29]也使用RENAL和MAP評分建立腎部分切除術患者術中并發癥預測列線圖，但同樣未針對cRM患者。

本研究首先對兩種主流的腎腫瘤解剖評分和兩種腎腫瘤粘連脂肪評分進行cRM患者達成MIC的ROC曲線分析，結果顯示PADUA評分模型和MAP評分模型在各自的評分系統中表現更佳，這與既往一項探究腹膜后入路機器人輔助腎部分切除術的研究結論相似[30]。本研究對PADUA評分模型和MAP評分模型的組合評分模型組合建立列線圖，結果顯示該組合評分模型對MIC達成的預測效能顯著優于其他單一評分模型或組合評分模型，對未來接受機器人手術的囊性腎癌患者在術前進行風險評估具有重要意義。

本研究雖然為探討圍手術期因素與術后并發癥之間的關系提供了有價值的見解，但仍存在一些需要改進之處。首先，由于本研究采用回顧性研究設計，且樣本量相對有限，可能會導致選擇性偏差和證據力度不足。其次，研究對象來自兩家不同的醫療機構，手術操作技術的異質性可能會對結果產生一定影響。此外，該組合評分模型在預測除MIC之外的其他圍手術期結局（如術中出血量）方面，預測價值相對較低。未來應開展前瞻性、多中心研究，拓展樣本量，減少選擇偏倚，并探討其他可能的預測因素，從而進一步評估和改善該組合模型的臨床適用性。

綜上所述，本研究分析了cRM患者的基線信息和各評分系統對MIC達成的預測效能，結果顯示PADUA評分與MAP評分的組合評分模型在預測MIC方面表現最佳，顯著優于單一評分系統，該組合評分模型在術前風險評估中具有較高的實用性和準確性，有助于更好地預測和管理接受腎部分切除術的cRM患者的圍手術期風險。

利益沖突聲明：本文不存在任何利益沖突。

作者貢獻聲明：吳大鵬、陳煒、曾津負責設計論文框架，起草論文；王寶、陳博宏、黃昊翔、馮聰負責數據收集，統計學分析，繪制圖片；王寶負責撰寫文章，論文修改并最后定稿。

參考文獻

[1] Graumann O， Osther S S， Karstoft J， et al. Bosniak classification system： inter-observer and intra-observer agreement among experienced uroradiologists[J]. Acta Radiol， 2015， 56（3）： 374-383.

[2] Akca O， Zargar H， Autorino R， et al. Robotic partial nephrectomy for cystic renal masses： a comparative analysis of a matched-paired cohort[J]. Urology， 2014， 84（1）： 93-98.

[3] Spaliviero M， Herts B R， Magi-Galluzzi C， et al. Laparoscopic partial nephrectomy for cystic masses[J]. J Urol， 2005， 174（2）： 614-619.

[4] Abdel Raheem A， Alatawi A， Soto I， et al. Robot-assisted partial nephrectomy confers excellent long-term outcomes for the treatment of complex cystic renal tumors： median follow up of 58 months[J]. Int J Urol， 2016， 23（12）： 976-982.

[5] Veccia A， Antonelli A， Uzzo R G， et al. Predictive value of nephrometry scores in nephron-sparing surgery： a systematic review and meta-analysis[J]. Eur Urol Focus， 2020， 6（3）： 490-504.

[6] Dahlkamp L， Haeuser L， Winnekendonk G， et al. Interdisciplinary comparison of PADUA and R.E.N.A.L. scoring systems for prediction of conversion to nephrectomy in patients with renal mass scheduled for nephron sparing surgery[J]. J Urol， 2019， 202（5）： 890-898.

[7] Kobayashi K， Saito T， Kitamura Y， et al. The RENAL nephrometry score and the PADUA classification for the prediction of perioperative outcomes in patients receiving nephron-sparing surgery： feasible tools to predict intraoperative conversion to nephrectomy[J]. Urol Int， 2013， 91（3）： 261-268.

[8] Bier S， Aufderklamm S， Todenh?fer T， et al. Prediction of postoperative risks in laparoscopic partial nephrectomy using RENAL， Mayo adhesive probability and renal pelvic score[J]. Anticancer Res， 2017， 37（3）： 1369-1373.

[9] Davidiuk A J， Parker A S， Thomas C S， et al. Prospective evaluation of the association of adherent perinephric fat with perioperative outcomes of robotic-assisted partial nephrectomy[J]. Urology， 2015， 85（4）： 836-842.

[10] Ficarra V， Novara G， Secco S， et al. Preoperative aspects and dimensions used for an anatomical （PADUA） classification of renal tumours in patients who are candidates for nephron-sparing surgery[J]. Eur Urol， 2009， 56（5）： 786-793.

[11] Davidiuk A J， Parker A S， Thomas C S， et al. Mayo adhesive probability score： an accurate image-based scoring system to predict adherent perinephric fat in partial nephrectomy[J]. Eur Urol， 2014， 66（6）： 1165-1171.

[12] Borregales L D， Adibi M， Thomas A Z， et al. Predicting adherent perinephric fat using preoperative clinical and radiological factors in patients undergoing partial nephrectomy[J]. Eur Urol Focus， 2021， 7（2）： 397-403.

[13] Dell-Kuster S， Gomes N V， Gawria L， et al. Prospective validation of classification of intraoperative adverse events （ClassIntra）： international， multicentre cohort study[J]. Bmj， 2020， 370： m2917.

[14] Mitropoulos D， Artibani W， Biyani C S， et al. Validation of the Clavien-Dindo grading system in urology by the European Association of Urology Guidelines Ad Hoc Panel [J]. Eur Urol Focus， 2018， 4（4）： 608-613.

[15] Wahal S P， Mardi K. Multilocular cystic renal cell carcinoma： a rare entity with review of literature [J]. J Lab Physicians， 2014， 6（1）： 50-52.

[16] Schoots I G， Zaccai K， Hunink M G， et al. Bosniak classification for complex renal cysts reevaluated： a systematic review[J]. J Urol， 2017， 198（1）： 12-21.

[17] Silverman S G， Pedrosa I， Ellis J H， et al. Bosniak classification of cystic renal masses， version 2019： an update proposal and needs assessment[J]. Radiology， 2019， 292（2）： 475-488.

[18] Pruthi D K， Liu Q Q， Kirkpatrick I D C， et al. Long-term surveillance of complex cystic renal masses and heterogeneity of bosniak 3 lesions[J]. J Urol， 2019. DOI： 10.1097/JU.0000000000000144.

[19] PAN X Y， ZHANG M N， YAO J， et al. Fumaratehydratase-deficient renal cell carcinoma： a clinicopathological and molecular study of 13 cases[J]. J Clin Pathol， 2019， 72（11）： 748-754.

[20] Daza J， Okhawere K E， Ige O， et al. The role of RENAL score in predicting complications after robotic partial nephrectomy[J]. Minerva Urol Nephrol， 2022， 74（1）： 57-62.

[21] Yagisawa T， Takagi T， Yoshida K， et al. Surgical outcomes of robot-assisted laparoscopic partial nephrectomy for cystic renal cell carcinoma[J]. J Robot Surg， 2022， 16（3）： 649-654.

[22] CHEN S Z， WU Y P， CHEN S H， et al. Risk factors for intraoperative cyst rupture in partial nephrectomy for cystic renal masses[J]. Asian J Surg， 2021， 44（1）： 80-86.

[23] Khene Z E， Peyronnet B， Mathieu R， et al. Analysis of the impact of adherent perirenal fat on peri-operative outcomes of robotic partial nephrectomy[J]. World J Urol， 2015， 33（11）： 1801-1806.

[24] Khene Z E， Dosin G， Peyronnet B， et al. Adherent perinephric fat affects perioperative outcomes after partial nephrectomy： a systematic review and meta-analysis[J]. Int J Clin Oncol， 2021， 26（4）： 636-646.

（下轉頁）

（上接頁）

[25] Abdallah N， Wood A， Benidir T， et al. AI-generated R.E.N.A.L.+ score surpasses human-generated score in predicting renal oncologic outcomes[J]. Urology， 2023. DOI： 10.1016/j.urology.2023.07.017.

[26] 鄭亮， 陳博宏， 黃昊翔， 等.通過優化RENAL和MAP評分構建預測機器人輔助腎部分切除術圍手術期結局的RP評分系統[J/OL].現代泌尿外科雜志， 1-6[2024-12-16]. http： //kns.cnki.net/kcms/detail/61.1374.R.20240829.1013.002.html.

[27] JIN D C， ZHANG J Y， ZHANG Y F， et al. A combination of the mayo adhesive probability score and the RENAL score to predict intraoperative complications in small renal masses[J]. Urol Int， 2020， 104（1-2）： 142-147.

[28] YANG B， MA L L， QIU M， et al. A novel nephrometry scoring system for predicting peri-operative outcomes of retroperitoneal laparoscopic partial nephrectomy[J]. Chin Med J （Engl）， 2020， 133（5）： 577-582.

[29] TAN X J， JIN D C， HU J， et al. Development of a simple nomogram to estimate risk for intraoperative complications before partial nephrectomy based on the mayo adhesive probability score combined with the RENAL nephrometry score[J]. Investig Clin Urol， 2021， 62（4）： 455-461.

[30] Crockett M G， Giona S， Whiting D， et al. Nephrometry scores： a validation of three systems for peri-operative outcomes in retroperitoneal robot-assisted partial nephrectomy[J]. BJU Int， 2021， 128（1）： 36-45.

收稿日期：2024-08-14

編輯：張笑嫣

基金項目：陜西省重點研發計劃項目（2018SF-158）

Foundation Item： Key Ramp;D Plan Project of Shaanxi Province （2018SF-158）

通訊作者：吳大鵬，Email：wudapeng@xjtufh.edu.cn

Corresponding Author： WU Dapeng， Email： wudapeng@xjtufh.edu.cn

引用格式：王寶，陳博宏，黃昊翔，等.腎腫瘤解剖評分聯合腎周脂肪粘連評分對囊性腎腫物患者圍手術期結果的預測價值分析[J].機器人外科學雜志（中英文），2025，6（1）：107-112，117.

Citation： WANG B， CHEN B H， HUANG H X， et al. Value of renal tumor anatomy score combined with perirenal fatty adhesions score in predicting perioperative outcomes of patients with cystic renal masses[J]. Chinese Journal of Robotic Surgery， 2025， 6（1）： 107-112， 117.