Forschungsartikel

Verbreitung der Musterelemente der traditionellen chinesischen Medizin bei Patienten mit Magenkrebs: Eine Querschnittsstudie

DOI:

10.3791/69576

⸱

5. Dezember 2025

 ,  ,  ,  ,  , 
1Department of Oncology, Wuxi No.2 Chinese Medicine Hospital, 2Department of Oncology, The Affiliated Jiangyin Hospital of Southeast University Medical College

In diesem Artikel

Zusammenfassung

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Diese Studie etabliert ein reproduzierbares Protokoll zur Identifizierung und Quantifizierung von Elementen des Traditional Chinese Medicine (TCM)-Syndroms bei Patienten mit Magenkrebs, was systematische Analysen durch Cluster-, Korrelations- und Hauptkomponentenanalysemethoden ermöglicht.

Zusammenfassung

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Magenkrebs bleibt weltweit eine Hauptursache für Morbidität und Mortalität, mit einer besonders hohen Belastung in China. Die traditionelle chinesische Medizin (TCM) legt Wert auf ganzheitliche Regulation und Syndromdifferenzierung, doch reproduzierbare Methoden zur Quantifizierung von Syndromelementen bei Magenkrebs sind begrenzt. Wir führten eine Querschnittsstudie mit 60 Patienten im Wuxi Second Traditional Chinese Medicine Hospital (Dezember 2022–März 2024) durch und präsentierten ein standardisiertes, reproduzierbares Protokoll zur Syndrom-Element-Bewertung. Demografische Daten, Krankengeschichte und TCM-Diagnoseinformationen wurden mit einem standardisierten Fallberichtsformular erfasst; Syndromelemente wurden mittels eines gewichteten Bewertungssystems mit doppelter Expertenbewertung identifiziert. Die Analyse erfolgte nach einem vordefinierten multivariaten Pipeline-zweistufigen H-K-Clustering (hierarchisches Ward.D2, um k vorzuschlagen, gefolgt von k-Means-Verfeinerung), Korrelationsnetzwerk-Mapping und Hauptkomponentenanalyse. Die häufigsten Faktoren waren Qi-Stagnation, Qi-Mangel, Blutstase, Milzmangel und Feuchtigkeit; Starke Zusammenhänge wurden zwischen Qi-Stagnation und Blutstasis sowie zwischen Qi-Mangel und Blutstasis beobachtet, mit zusätzlichen Verbindungen zwischen Feuchtigkeit/Schleim. Die Hauptkomponentenanalyse zeigte, dass eine kleine Gruppe von Elementen den größten Anteil an Variationen zwischen den Patienten ausmachte, was eine klinisch sinnvolle Stratifizierung unterstützte. Dieses Protokoll operationalisiert die TCM-Syndrom-Elemente-Bewertung in messbare Schritte mit teilbaren Formen und Code, verbessert die Objektivität und Reproduzierbarkeit und bietet eine methodische Grundlage für klinische Entscheidungsfindung und multizentrische Validierung. Das Rahmenwerk ist an andere Malignitäten anpassbar und erleichtert eine breitere Integration der TCM in die evidenzbasierte Onkologie.

Einleitung

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Magenkrebs bleibt eine der weltweit häufigsten und tödlichsten Malignitäten, wobei China eine überproportional hohe Inzidenz und Sterblichkeitslast(1,2) aufweist. Trotz Fortschritten bei chirurgischer Resektion, Chemotherapie und gezielten Therapien bleibt die Gesamtprognose unzufriedenstellend, was die Notwendigkeit komplementärer Ansätze unterstreicht, die sowohl die Krankheitsbiologie als auch die Lebensqualität der Patienten berücksichtigen3. Die traditionelle chinesische Medizin (TCM), die ganzheitliche Regulation und Syndromdifferenzierung betont, wird in der Onkologie weit verbreitet verwendet; allerdings hat das Fehlen standardisierter, replizierbarer Methoden zur Syndromerkennung die systematische Integration von TCM in die evidenzbasierte Krebsversorgungeingeschränkt 4,5.

Jüngste Entwicklungen in der Differenzierung von Syndromelementen bieten einen strukturierten Rahmen zur Quantifizierung der wichtigsten pathologischen Faktoren hinter TCM-Syndromen, was eine präzisere Patientenklassifikation und maßgeschneiderte Interventionenermöglicht. Die Anwendung dieses quantitativen Rahmens auf Magenkrebs bietet eine Möglichkeit, traditionelle Theorie mit moderner Analytik zu verbinden, aber reproduzierbare, protokollierte Arbeitsabläufe bleibenselten. Soweit wir wissen, ist dies das erste Protokoll zur Operationalisierung der Syndrom-Elemente-Bewertung bei Magenkrebs mit expliziten Formen, Dual-Experten-Beurteilung und einer vordefinierten multivariaten Pipeline (zweistufiges H-K-Clustering, Korrelationsnetzwerk und PCA), die für Replikation und multizentrische Einführung bereitgestellt wird. Durch die Übersetzung der Syndrom-Differenzierung in messbare Variablen und die Vorgabe analytischer Parameter bietet die vorliegende Studie eine replizierbare Grundlage für klinische Praxis und multizentrische Forschung, klärt die Verteilung der Schlüsselelemente in Magenkrebspopulationen und bietet einen konkreten Weg zu präziseren, auf TCM basierenden Onkologiestrategien.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Protokoll

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Ethik und Aufsicht

Diese Studie wurde vom Ethikausschuss des Wuxi Second Traditional Chinese Medicine Hospital (20220904) genehmigt. Alle Teilnehmer gaben eine schriftliche informierte Zustimmung gemäß der Erklärung von Helsinki ab; Die Verfahren entsprachen den ICH-GCP-Prinzipien. Jegliche identifizierbaren Medien, die für Demonstrationen verwendet wurden, wurden separat genehmigt. Um den Bewertungsverzerrung zu verringern, wurden Ärzte, die TCM-Syndrom-Elemente bewerteten, während der Bewertung und Beurteilung auf das Stadium und den Behandlungsstatus des American Joint Committee on Cancer (AJCC) verblindet; Die Blendung wurde von einem Datenverwalter aufrechterhalten, der diese Felder aus den Bewertungsblättern entfernte.

Patientenrekrutierung und Fallquellen

Zwischen dem 1. Dezember 2022 und dem 31. März 2024 wurden aufeinanderfolgende Patienten mit Magenkrebs aus den ambulanten und stationären Abteilungen des Wuxi Second TCM Hospital aufgenommen. Das Screening wurde prospektiv protokolliert (Anordnung angesprochen, Berechtigungsentscheidung, Ausschlussgrund, Einwilligungsergebnis). Eine de-identifizierte Screening-Checkliste und das leere Fallberichtsformular (CRF) werden als Tabelle im öffentlichen Repository unter Data Availability bereitgestellt. Basisdemografien und Zusammenfassungen der eingeschriebenen Kohorte sind in Tabelle 1 dargestellt, um nachfolgende Analysen einzuordnen.

Diagnostische und Staging-Kriterien

Die Diagnose folgte den Normen für die Diagnose und Behandlung häufiger bösartiger Tumore, die von der Abteilung für medizinische Verwaltung des Gesundheitsministeriums der VR China herausgegeben wurden, wobei in jedem Fall eine pathologische Bestätigung erforderlich war. Das Tumorstadium wurde gemäß dem AJCC Cancer Staging Manual, 8. Auflage, zugewiesen und vor derEinschreibung 8 anhand der pathologischen und bildgebenden Quellen überprüft.

Zulassungskriterien und Rücktrittsregeln

Erwachsene (≥18 Jahre) mit pathologisch bestätigtem Magenkrebs und Karnofsky Performance Score (KPS) ≥ 60 waren berechtigt, sofern sie die standardisierte TCM-Bewertung absolvieren konnten. Ausschlüsse umfassten Schwangerschaft, instabile schwere Begleiterkrankungen, die Einwilligung und Sicherheit beeinträchtigen, oder unvollständige Kerndaten. Patienten, die Chemotherapie, Strahlentherapie oder gezielte/Immuntherapie erhielten oder erhalten hatten, waren berechtigt; Der Behandlungsstatus wurde erfasst (Never/Onfort/Past) und in stratifizierten und sensitiven Analysen verwendet. Teilnehmer konnten zurückgezogen werden, wenn die Daten für die Syndromdifferenzierung unzureichend waren, wenn eine schnelle klinische Verschlechterung auftrat oder auf persönlichen Wunsch ohne Auswirkungen auf die anschließende Versorgung.

Datenerhebung und -verwaltung

Ausgebildete Forscher haben eine standardisierte CRF mit dem Titel Collection Form of Syndrome Element Information for Magenkrebspatienten ausgefüllt. Die Daten wurden mit Tabellenkalkulationssoftware (Version ≥15.30) doppelt eingegeben, unabhängig überprüft und vor der Datenbanksperre abgestimmt. Ein Datenwörterbuch, ein Codierungsblatt und ein Audit-Log wurden vom ersten Eintrag bis zur Analyse geführt. Analytische Datensätze wurden deidentifiziert und mit rollenbasierter Zugriffskontrolle gespeichert; Eine eingefrorene, zeitgestempelte Kopie wurde archiviert, um Replikation und Audit zu unterstützen.

Standardisierte TCM-Bewertung

Die klinische Untersuchung folgte den vier klassischen Untersuchungen – Inspektion, Hören/Riechen, Untersuchung, Palpation – in einer festen Abfolge unter gleichmäßigem Licht (~5.000–6.500 K; CRI ≥90). Die Patienten saßen mit Blick zur Lichtquelle; Zungen- und Pulsmerkmale wurden mit vordefinierten Deskriptoren aufgezeichnet. Die Bewerter unterzogen sich einer Kalibrierung mit Pilotfällen und Beispielvignetten, bevor sie formell bewertet wurden. Alle Beobachtungen wurden sofort auf der CRF aufgezeichnet, um Rückruffehler zu minimieren. Die Kohorten-Verteilung der aus dieser Bewertung abgeleiteten Muster des zusammengesetzten TCM-Syndroms ist in Tabelle 2 zusammengefasst (Fußnoten geben an, ob ein einzelnes primäres Muster oder mehrere Muster erlaubt waren).

Syndrom-Element-Bewertung und Beurteilung

Die Aufgaben wurden nach der Syndrom-Element-Skala bewertet (vollständige Itemliste und Codes in ergänzender Tabelle 1). Die Inter-Rater-Zuverlässigkeit (gegenwärtig/abwesend) wurde mit Cohens κ mit 95 % KI quantifiziert und in ergänzender Tabelle 2 zusammengefasst. Die Schweregewichte waren: mild = 0,7, moderat = 1,0, schwer = 1,5. Gewichtete Elemente wurden innerhalb jedes Elements summiert, um den Elementwert zu erhalten. Das Vorhandensein eines Elements wurde bei Schwellenwert = 14 definiert; Robustheit bei 12 und 16 wird in ergänzender Tabelle 3 angegeben. Zwei TCM-Onkologie-Ärzte bewerteten jeden Fall unabhängig voneinander; Meinungsverschiedenheiten wurden in einer Konsenssitzung mit schriftlicher Begründung gelöst. Die Prävalenz auf Elementebene bei Patienten ist in Tabelle 3 berichtet, und ein ausgearbeitetes Beispiel für die Punkt-zu-Element-Bewertung ist in ergänzender Abbildung 1 dargestellt.

Statistische Analyse

Software und Reproduzierbarkeit

Alle Analysen wurden in R (v4.3) durchgeführt. Ein ausführbares, versionsgesperrtes Skript und die vollständige sessionInfo()-Ausgabe werden mit dem Datensatz (https://doi.org/10.6084/m9.figshare.30405196.v2) archiviert. Vor allen stochastischen Verfahren wurde ein fester zufälliger Seed gesetzt. Kernfunktionen/Pakete waren: Basisstatistik (prcomp, hclust, kmeans), Cluster (Silhouette) und igraph (Netzwerkvisualisierung)9. Die Elementverteilung auf Elementebene ist in Ergänzender Tabelle 1 zusammengefasst, und das leere Fallberichtsformular (CRF), das Datenwörterbuch sowie die übersichtlichen Eingabematrizen sind im öffentlichen Repository verfügbar, das im Abschnitt Datenverfügbarkeit referenziert ist.

Zweistufige H-K-Clusterung

Ein zweistufiges Verfahren wurde verwendet, um klinisch interpretierbare Gruppen abzuleiten.

Hierarchische Stufe: Patienten-pro-Element-gewichtete Werte wurden z-standardisiert, euklidische Entfernungen berechnet und die Agglomeration nutzte die Ward.D2-Verknüpfung. Das Dendrogramm wurde inspiziert, um Kandidaten k unter Verwendung gemeinsamer Berücksichtigung des Ellbogens bei der In-Cluster-Dispersion, der Aststabilität und den vorläufigen Silhouettenmustern10 vorzuschlagen.

K-bedeutet Verfeinerung. Für jeden Kandidaten k wurde k-means aus den hierarchischen Partitionen initialisiert und mit nstart ≥ 50 ausgeführt; Endgültige Zugehörigkeit minimiert die Quadratsumme innerhalb des Clusters. Durchschnittliche Silhouettenbreite und Profile pro Cluster wurden zur Rückverfolgbarkeit exportiert. Die integrale Heatmap, die standardisierte Ergebnisse zusammenfasst, ist in Abbildung 1 dargestellt; das entsprechende Dendrogramm ist in Abbildung 2 dargestellt.

Principal-Komponenten-Analyse und Korrelationsnetzwerk

Element-Score-Matrizen wurden zentriert und skaliert, und PCA wurde mit prcomp(center = TRUE, scale = TRUE) durchgeführt. Die Knotengröße spiegelt die Häufigkeit der Elemente wider; Etiketten wurden manuell überprüft, um keine Überschneidungen und Lesbarkeit sicherzustellen. Das resultierende Korrelationsnetzwerk ist in Abbildung 3 dargestellt. Der PCA-Biplot ist in Abbildung 4 dargestellt. Paarweise Pearson-Korrelationen über die Elemente hinweg wurden mit paarweise vollständigen Beobachtungen berechnet; Kanten wurden beibehalten, wenn |r| ≥ 0,30, wobei die Kantenbreite proportional zu |r| ist. Ein kraftgesteuerter Algorithmus (Fruchterman-Reingold) wurde für das Layout verwendet, um die Lesbarkeitzu verbessern 11.

Fehlende Daten und Sensibilität

Die Vollständigkeit pro Variablen (Zählen, %) wird in der ergänzenden Tabelle 4 zusammengefasst; Da die Fehlfunktion gering war, wurde für alle primären Ergebnisse eine vollständige Fallanalyse verwendet. Die Robustheit wurde durch die Neuberechnung der Elementanwesenheitsklassifikation unter alternativen Score-Cutoffs (12 und 16) relativ zum vordefinierten Schwellenwert von 14 (Ergänzende Tabelle 3) und – wo relevant – innerhalb der Behandlungsstatus-Schichten (Never/Oncurrent/Past; Ergänzende Tabelle 5). Die Inter-Rater-Zuverlässigkeit für die Elementbeurteilung durch zwei unabhängige TCM-Experten war hoch (Gesamtübereinstimmung 95 %), wie in Supplementary Table 2 dargelegt. Ein ausgearbeitetes Beispiel zur Bewertung und Schwellenwertung von Element zu Element ist in ergänzender Abbildung 1 dargestellt.

Qualitätskontrolle, Zeitplan und Fehlerbehebung

Die Qualitätssicherung umfasste wöchentliche 10%ige Quelldatenverifizierung, periodische Neukalibrierung durch Prüfer und automatisierte Bereichs-/Logikprüfungen vor der Datenbanksperrung. Typische Zeitpläne waren ~10–15 Minuten für Screening/Einwilligung, 20–30 Minuten für standardisierte TCM-Bewertung und -bewertung sowie 10–15 Minuten für Dateneingabe/-verifizierung pro Fall. Zu den entscheidenden Schritten gehören die Aufrechterhaltung stabiler Beleuchtung und einer festen Untersuchungssequenz; Erhalt des Prüfers blind für Stadium und Behandlung; und Dokumentiere Gründe für etwaige Entscheidungen. Bei der Zusammenfassung der Verteilungen wurden Nenner explizit als N (Patienten) oder nicht-exklusive Elementanzahl angegeben, und derselbe Nenner wurde konsistent über Text, Tabellen und Bildunterschriften verwendet.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Ergebnisse

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Teilnehmercharakteristika

Zwischen Dezember 2022 und März 2024 wurden sechzig Patienten mit Magenkrebs aufgenommen. Die Altersverteilung war: 41–50 Jahre, 9/60 (15,0 %); 51–60 Jahre, 18/60 (30,0 %); 61–70 Jahre, 15/60 (25,0 %); 71–80 Jahre, 13/60 (21,7 %); und 81–90 Jahre, 5/60 (8,3 %). Die Gesamtgeschlechterverteilung war männlich 37/60 % (61,7 %) und weiblich 23/60 (38,3 %). Zählungen nach Geschlecht innerhalb...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Diskussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Diese Studie entwickelte und wandte einen standardisierten, protokollzentrierten Arbeitsablauf an, um TCM-Syndromelemente bei Magenkrebs zu identifizieren und zu quantifizieren. Durch die Kombination eines gewichteten Bewertungssystems, der Dual-Experten-Bewertung und einer vorgegebenen multivariaten Pipeline-zweistufigen H-K-Clustering, Korrelationsnetzwerkanalyse und Hauptkomponentenanalyse wurde Qi-Stagnation, Qi-Mangel, Blutstasis und Feuchtigkeit als die häufigsten und klinisch rele...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Offenlegungen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Die Autoren nutzten ein KI-unterstütztes Schreibwerkzeug (ChatGPT, OpenAI) ausschließlich zur Sprachverfeinerung und zur Referenzformatierung, nachdem der wissenschaftliche Inhalt von den Autoren verfasst worden war. Das Tool hat kein Studiendesign, keine Datenerhebung, Datenanalyse, Figurengenerierung oder wissenschaftliche Interpretation durchgeführt. In das Tool wurden keine identifizierbaren oder sensiblen Daten eingetragen. Alle Ergebnisse wurden unabhängig von den Autoren überprüft und überarbeitet, die die volle Verantwortung für die Integrität und Genauigkeit des Manuskripts übernehmen.

Danksagungen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Die Autoren danken dem Personal des Wuxi Second Traditional Chinese Medicine Hospital für ihre Unterstützung bei der Patientenrekrutierung und Datenerhebung. Diese Arbeit wurde vom Jiangsu Province Wuxi City Administration Bureau, Annual Science and Technology Project 2022 (Projektnummer: ZYYB23), unterstützt.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Materialien

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
Fallberichtsformular (CRF)Wuxi Zweites TCM-KrankenhausCRF-001Standardisiertes Formular zur Sammlung von Patientendaten
Cluster-R-PaketCRANR-Cluster-008R-Paket für Clustering und Silhouettenanalyse
Prüfungslicht (5.000 & Dash; 6.500 K)PhilipsEX-LIGHT-003Licht für die TCM-Untersuchung verwendet
igraph R PackageCRANR-igraph-007R-Paket für Netzwerkvisualisierung
PulsmessgerätOmronPMD-005Gerät zur Pulsmessung während der TCM-Bewertung
R SoftwareDas R-ProjektR-001Open-Source-Software für statistische Analyse
Statistik R-PaketCRANR-Stats-006R-Paket für statistische Analysen (prcomp, hclust, kmeans)
Syndrom-Element-SkalaWuxi Zweites TCM-KrankenhausSE-Scale-002Bewertungstool zur Bewertung von Syndromelementen
ZungenbildgebungsgerätKanonTI-IMG-004Gerät zur Aufnahme von Zungenbildern verwendet

Referenzen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Chao, H., Yusen, Z., Die, Y., Yifei, L., Xiaochun, Z., Yanqing, L. Effects of traditional Chinese medicine on the survival of patients with stage I gastric cancer and high-risk factors: a real-world retrospective study. J Tradit Chin Med. 43 (3), 568-573 (2023).
  2. Chen, B., et al. Effects of oxidative stress regulation in inflammation-associated gastric cancer progression treated using traditional Chinese medicines: A review. Medicine (Baltimore). 102 (46), e36157(2023).
  3. Chi, W., Jiang, Q., Jiang, J., Ma, B. Progress in traditional Chinese medicine treatment of cancer-related fatigue in gastric cancer. Minerva Surg. 79 (1), 129-131 (2024).
  4. Dai, Z., et al. Traditional Chinese medicine for gastric cancer: An evidence mapping. Phytother Res. 38 (6), 2707-2723 (2024).
  5. Dong, X., et al. PresRecST: a novel herbal prescription recommendation algorithm for real-world patients with integration of syndrome differentiation and treatment planning. J Am Med Inform Assoc. 31 (6), 1268-1279 (2024).
  6. Jia, Q., et al. Traditional Chinese medicine symptom normalization approach leveraging hierarchical semantic information and text matching with attention mechanism. J Biomed Inform. 116, 103718(2021).
  7. Ke, J., et al. Relationship between traditional Chinese medicine syndrome elements and prognosis of patients with IgA nephropathy. Evid Based Complement Alternat Med. 2022, 2270406(2022).
  8. Teichgraeber, D. C., Guirguis, M. S., Whitman, G. J. Breast cancer staging: Updates in the AJCC cancer staging manual, 8th Edition, and current challenges for radiologists, From the AJR special series on cancer staging. AJR Am J Roentgenol. 217 (2), 278-290 (2021).
  9. Blischak, J. D., Carbonetto, P., Stephens, M. Creating and sharing reproducible research code the workflowr way. F1000Res. 8, 1749(2019).
  10. Januzaj, Y., Beqiri, E., Luma, A. Determining the optimal number of clusters using silhouette score as a data mining technique. Int J Online Biomed Eng. 19 (4), (2023).
  11. Jolliffe, I. T., Cadima, J. Principal component analysis: a review and recent developments. Philos Trans A Math Phys Eng Sci. 374 (2065), 20150202(2019).
  12. Li, D., Feng, R. Modern technology-based exploration of mechanism of traditional Chinese medicine in prevention and treatment of gastric cancer. World J Gastrointest Oncol. 16 (9), 3747-3751 (2024).
  13. Liao, Y., Gui, Y., Li, Q., An, J., Wang, D. The signaling pathways and targets of natural products from traditional Chinese medicine treating gastric cancer provide new candidate therapeutic strategies. Biochim Biophys Acta Rev Cancer. 1878 (6), 188998(2023).
  14. Yang, L., et al. Progress in traditional Chinese medicine against chronic gastritis: From chronic non-atrophic gastritis to gastric precancerous lesions. Heliyon. 9 (6), e16764(2023).
  15. Yao, S., et al. Interpretation of a quantitative diagnosis model of traditional Chinese medicine syndromes based on computer adaptive testing. Evid Based Complement Alternat Med. 2022, 3203158(2022).
  16. Zhang, J., Zhang, Z. The Challenges of ethical review in clinical research of traditional Chinese medicine. Evid Based Complement Alternat Med. 2021, 6754985(2021).
  17. Liu, Y., et al. Traditional Chinese medicine in the treatment of chronic atrophic gastritis, precancerous lesions and gastric cancer. J Ethnopharmacol. 337 (Pt 1), 118812(2025).
  18. Zhang, L., et al. Systems pharmacology to reveal multi-scale mechanisms of traditional Chinese medicine for gastric cancer. Sci Rep. 11 (1), 22149(2021).
  19. Zhou, X., et al. Clinical phenotype network: the underlying mechanism for personalized diagnosis and treatment of traditional Chinese medicine. Front Med. 8 (3), 337-346 (2014).
  20. Lu, Y., et al. A comprehensive update: gastrointestinal microflora, gastric cancer and gastric premalignant condition, and intervention by traditional Chinese medicine. J Zhejiang Univ Sci B. 23 (1), 1-18 (2022).
  21. Zhu, F., Si, J. Regulative effect of traditional Chinese medicine on gene-expression related to precancerous lesion of gastric cancer. Chin J Integr Med. 11 (1), 76-80 (2005).
  22. Longci, P., Chunhui, Q., Xubo, S., Yixian, H., Xinrong, Y., Xianjun, S. Traditional Chinese medicine syndrome analysis on oxaliplatin-induced peripheral neuropathy and clinical efficacy of Bushen Yiqi formula: a prospective randomized controlled study. J Tradit Chin Med. 43 (6), 1234-1242 (2023).
  23. Zu, M., et al. Patient-derived organoid culture of gastric cancer for disease modeling and drug sensitivity testing. Biomed Pharmacother. 163, 114751(2023).
  24. Liu, Y., et al. Mechanisms of traditional Chinese medicine in the treatment and prevention of gastric cancer. Phytomedicine. 135, 156003(2024).
  25. Sun, D., et al. The effects of gastric cancer interstitial fluid on tumors based on traditional Chinese medicine 'phlegm' theory and the investigation on the mechanism through microRNA-21 regulation. J Physiol Pharmacol. 72 (3), 381-389 (2021).
  26. Qing, X., et al. Therapeutic mechanisms of integrated traditional Chinese and conventional medicine underlying its treatment of precancerous lesions of gastric cancer. J Tradit Chin Med. 42 (6), 1023-1028 (2022).
  27. Luo, H., Liao, X., Wang, Q. Application of Chinese medical syndrome scores in effectiveness evaluation: a critical appraisal of 240 randomized controlled trials. Zhongguo Zhong Xi Yi Jie He Za Zhi. 35 (10), 1261-1266 (2015).
  28. Yang, K., et al. A comprehensive update on early gastric cancer: defining terms, etiology, and alarming risk factors. Expert Rev Gastroenterol Hepatol. 15 (3), 255-273 (2021).
  29. Wang, Y., Xu, J., Zhang, M., Zhang, D., Wulamu, A. An improved multitask learning model with matching network and its application in traditional Chinese medicine syndrome recommendation. J Healthc Eng. 2022, 4072563(2022).
  30. Yang, J., et al. Traditional Chinese medicine syndromes are associated with driver gene mutations and clinical characteristics in patients with lung adenocarcinoma. Evid Based Complement Alternat Med. 2022, 9905868(2022).
  31. YanRui, W., et al. Research on the signaling pathway and the related mechanism of traditional Chinese medicine intervention in chronic gastritis of the "inflammation-cancer transformation". Front Pharmacol. 15, 1338471(2024).
  32. Xu, X., et al. Modular characteristics and the mechanism of Chinese medicine's treatment of gastric cancer: a data mining and pharmacology-based identification. Ann Transl Med. 9 (24), 1777(2021).
  33. Xu, W., Li, B., Xu, M., Yang, T., Hao, X. Traditional Chinese medicine for precancerous lesions of gastric cancer: A review. Biomed Pharmacother. 146, 2542(2022).
  34. Wang, Y., et al. Treating chronic atrophic gastritis: identifying sub-population based on real-world TCM electronic medical records. Front Pharmacol. 15, 1444733(2024).
  35. Xie, J., et al. Digital tongue image analyses for health assessment. Med Rev. 1 (2), 172-198 (2021).
  36. Wang, Z., et al. TCMEval-SDT: a benchmark dataset for syndrome differentiation thought of traditional Chinese medicine. Sci Data. 12 (1), 437(2025).
  37. Liu, J. Y., Li, X. Standardization, objectification, and essence research of traditional Chinese medicine syndrome: A 15-year bibliometric and content analysis from 2006 to 2020 in Web of Science database. Anat Rec. 306 (12), 2974-2983 (2023).
  38. Gong, L., Jiang, J., Chen, S., Qi, M. A syndrome differentiation model of TCM based on multi-label deep forest using biomedical text mining. Front Genet. 14, 1272016(2023).
  39. Li, S., et al. Tailoring traditional Chinese medicine in cancer therapy. Mol Cancer. 24 (1), 27(2025).

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Nachdrucke und Genehmigungen

Genehmigung beantragen, um den Text oder die Abbildungen dieses JoVE-Artikels zu verwenden

Genehmigung beantragen

Schlagwörter

SyndromdifferenzierungTCM MusterelementeQi StagnationBlutstaseMilz DefizienzHauptkomponentenanalysehierarchische Clusteranalyse

Verwandte Artikel