In this study we aimed to develop nomogram models for predicting the overall survival (OS) and cancer-specific survival (CSS) of patients with metaplastic breast cancer (MBC). Data of patients diagnosed with MBC from 1973 to 2015 were collected from the Surveillance, Epidemiology, and End Results (SEER) database. Univariate and multivariate Cox analyses were performed to identify independent prognostic factors for OS and CSS of MBC patients. The obtained prognostic variables were combined to construct nomogram models for predicting OS and CSS in patients with MBC. Model performance was evaluated using concordance index (C-index) and calibration plots. Data from 1125 patients were collected and divided into a training (750) and a validation (375) cohort. The multivariate Cox model identified age, TNM stage, tumor size, and radiotherapy as independent covariates associated with OS and CSS. The nomogram constructed based on these covariates demonstrated excellent accuracy in estimating 3-, and 5-year OS and CSS, with a C-index of 0.769 (95% CI, 0.731-0.808) for OS and 0.761 (95% CI, 0.713-0.809) for CSS in the training cohort. In the validation cohort, the nomogram-predicted C-index was 0.738 (95%CI, 0.676-0.800) for OS and 0.747 (95%CI, 0.667-0.827) for CSS. All calibration curves exhibited good consistency between predicted and actual survival. The nomogram models established in this study may enhance the accuracy of prognosis prediction and therefore may improve individualized assessment of survival risks and enable constructive therapeutic suggestions.

中文翻译：

---

化生性乳腺癌预后列线图的构建和验证。

在这项研究中，我们旨在开发列线图模型来预测化生性乳腺癌 (MBC) 患者的总生存期 (OS) 和癌症特异性生存期 (CSS)。从监测、流行病学和最终结果 (SEER) 数据库收集了 1973 年至 2015 年诊断为 MBC 的患者的数据。进行单变量和多变量 Cox 分析以确定 MBC 患者 OS 和 CSS 的独立预后因素。将获得的预后变量结合起来构建用于预测 MBC 患者 OS 和 CSS 的列线图模型。使用一致性指数（C-index）和校准图评估模型性能。收集了 1125 名患者的数据并将其分为训练 (750) 和验证 (375) 队列。多变量 Cox 模型确定了年龄、TNM 分期、肿瘤大小、和放疗作为与 OS 和 CSS 相关的独立协变量。基于这些协变量构建的列线图在估计 3 年和 5 年 OS 和 CSS 方面表现出出色的准确性，OS 的 C 指数为 0.769（95% CI，0.731-0.808）和 0.761（95% CI，0.713- 0.809) 用于训练队列中的 CSS。在验证队列中，列线图预测的 C 指数对于 OS 为 0.738（95%CI，0.676-0.800），对于 CSS 为 0.747（95%CI，0.667-0.827）。所有校准曲线在预测和实际存活率之间表现出良好的一致性。本研究建立的列线图模型可以提高预后预测的准确性，因此可以改善对生存风险的个体化评估，并提供建设性的治疗建议。基于这些协变量构建的列线图在估计 3 年和 5 年 OS 和 CSS 方面表现出出色的准确性，OS 的 C 指数为 0.769（95% CI，0.731-0.808），OS 的 C 指数为 0.761（95% CI，0.713- 0.809) 用于训练队列中的 CSS。在验证队列中，列线图预测的 C 指数对于 OS 为 0.738（95%CI，0.676-0.800），对于 CSS 为 0.747（95%CI，0.667-0.827）。所有校准曲线在预测和实际存活率之间表现出良好的一致性。本研究建立的列线图模型可以提高预后预测的准确性，因此可以改善对生存风险的个体化评估，并提供建设性的治疗建议。基于这些协变量构建的列线图在估计 3 年和 5 年 OS 和 CSS 方面表现出出色的准确性，OS 的 C 指数为 0.769（95% CI，0.731-0.808），OS 的 C 指数为 0.761（95% CI，0.713- 0.809) 用于训练队列中的 CSS。在验证队列中，列线图预测的 C 指数对于 OS 为 0.738（95%CI，0.676-0.800），对于 CSS 为 0.747（95%CI，0.667-0.827）。所有校准曲线在预测和实际存活率之间表现出良好的一致性。本研究建立的列线图模型可以提高预后预测的准确性，因此可以改善对生存风险的个体化评估，并提供建设性的治疗建议。在验证队列中，列线图预测的 C 指数对于 OS 为 0.738（95%CI，0.676-0.800），对于 CSS 为 0.747（95%CI，0.667-0.827）。所有校准曲线在预测和实际存活率之间表现出良好的一致性。本研究建立的列线图模型可以提高预后预测的准确性，因此可以改善对生存风险的个体化评估，并提供建设性的治疗建议。在验证队列中，列线图预测的 C 指数对于 OS 为 0.738（95%CI，0.676-0.800），对于 CSS 为 0.747（95%CI，0.667-0.827）。所有校准曲线在预测和实际存活率之间表现出良好的一致性。本研究建立的列线图模型可以提高预后预测的准确性，因此可以改善对生存风险的个体化评估，并提供建设性的治疗建议。