基于复杂网络分析探讨徐立然教授治疗肺结节用药规律

侯伊萍1, 陈关征2, 徐立然1, 魏征3, 崔伟锋3

【作者机构】 1河南中医药大学第一附属医院感染科; 2北京中医药大学东直门医院洛阳医院呼吸科; 3河南省中西医结合医院肿瘤科
【分 类 号】 R249;R259
【基    金】 河南省中医药科学研究专项课题(2024ZY2177)。
全文 文内图表 参考文献 出版信息
基于复杂网络分析探讨徐立然教授治疗肺结节用药规律

基于复杂网络分析探讨徐立然教授治疗肺结节用药规律

侯伊萍1 陈关征2 徐立然1 魏 征3 崔伟锋3

1.河南中医药大学第一附属医院感染科,河南郑州 450000;2.北京中医药大学东直门医院洛阳医院呼吸科,河南洛阳 471000;3.河南省中西医结合医院肿瘤科,河南郑州 450003

[摘要] 目的 基于复杂网络分析探讨徐立然教授治疗肺结节的用药规律。 方法 选取2024年3月至2025年6月在河南中医药大学第一附属医院徐立然教授门诊就诊的肺结节患者病历信息。应用Microsoft Excel 2019、IBM SPSS Statistics 26.0、Cytoscape 3.1软件对中药频次、性味归经、关联规则、聚类及复杂网络进行分析。 结果 共纳入处方103首,涉及中药246味,使用频次1 769次;高频药物21味,前3位为甘草、黄芪、浙贝母;四气以温、平、寒为主;五味以甘、苦、辛为主;归经以肺、脾经为主;药物聚类共划分为3类;关联规则分析得出高频药物组合23组;中药共现加权网络包括246个节点、5 791条边、平均路径长度1.813、网络直径3、平均聚类系数0.739,中心性分析显示甘草、黄芪、茯苓、浙贝母等为核心枢纽,k-core层次分析法筛选出17味核心药物,社团4个(模块度Q=0.201)。 结论 徐立然教授治疗肺结节时紧扣“正气亏虚,痰瘀郁结”的病机,以“肺脾同调、扶正固本”为根本,配合宣肺化痰、软坚散结,并重视活血通络,形成调和护中贯穿始终的处方体系。

[关键词] 复杂网络分析;数据挖掘;肺结节;徐立然;用药规律

随着低剂量螺旋计算机断层扫描在肺癌筛查中越来越广泛的应用,肺结节的发现率也大幅提升,这已成为呼吸系统疾病中的一个重要问题[1]。肺结节通常指肺部出现的直径 ≤3 cm的局灶性、类圆形、密度增高的实性或亚实性影像学阴影,早期准确判断其良恶性对患者预后至关重要[2-3]。尽管现代医学在肺结节的影响评估、风险分层及手术治疗等方面取得了显著进步,但在处理中低危结节仍存在一定争议。部分患者可能接受过度治疗或者无有效治疗手段的困境,从而带来沉重的心理和经济负担[4-5]。在这种情况下,中医药治疗肺结节受到越来越多的关注。中药不仅能促进炎症吸收、抑制结节的恶行转化,还能在一定程度上改善患者的生活质量。然而,针对中药治疗肺结节的用药规律尚未有系统的总结,仍需深入探索[6]。徐立然教授作为全国名老中医,在肺结节的治疗上有独到见解。笔者跟随徐立然教授,收集其门诊肺结节病例,运用复杂网络分析归纳总结其治疗肺结节的用药规律,以数字化的方式展现徐立然教授的诊疗经验和用药心得,为临床治疗提供新的治疗思路。

1 资料与方法

1.1 资料来源

收集2024年3月至2025年6月在河南中医药大学第一附属医院徐立然教授门诊就诊的患者病历信息。

1.2 纳入及排除标准

纳入标准:CT诊断符合《肺结节诊治中国专家共识》的诊断标准[7];患者基本信息及临床资料完整;独立患者,每人仅纳入1首核心治疗处方。排除标准:合并明确恶性肿瘤或出现重大器官功能衰竭等影响用药决策的严重疾病;关键字段缺失或处方不可辨识。

1.3 数据规范化处理

参考《中华人民共和国药典(2020年版)》[8]对中药进行预处理,如“炙甘草”统一为“甘草”;“元胡”“元胡索”“延胡”统一为“延胡索”。将处理后的数据录入Microsoft Excel 2019,建立徐立然教授治疗肺结节的医案数据库,该数据分别由两名研究人员单独录入,并让第三名研究人员核查,确保数据准确。

1.4 统计学方法

使用Excel 2019对中药进行规范化处理,并对中药频次、性味归经进行分析。运用IBM SPSS Statistics 26.0对中药进行聚类及关联规则分析。在中医药数据挖掘中,常用的聚类方法包括层次聚类与K-means,K-means更适合处理连续变量[9-10]。本研究的中药数据具有典型的二分类特征,因此Ward最小方差法更适合本研究的数据类型;关联规则可以有效提取方剂配伍的规律,有利于找出对药、角药等核心药物。本研究从支持度、置信度、提升度这3个方面进行评价。支持度指某个组合在全部处方中的出现比例,置信度是指当前项出现时,后项同时出现的概率,提升度则用于判断关联强度是否高于随机水平。参考中医处方数据挖掘常用筛选标准,设置支持度 ≥5.0%、置信度 ≥0.65、提升度 ≥1.0且前项频次 ≥15次的筛选条件评价规则强度[11]。运用Cytoscape 3.1进行复杂网络分析,绘制中药复杂网络图,网络拓扑特征能够评估配伍网络的连通性和局部聚集情况。基于处方数量,以处方中出现的中药作为节点,以中药在同一处方中同时出现的关系为边,并根据其在不同处方中的共现次数对边进行加权,构建中药共现加权网络,其中节点中心性指标能够评估中药在配伍结构中的重要程度,有助于找到关键枢纽节点,采用Cytoscape 3.1软件计算接近中心性、介数中心性与特征向量中心,寻找核心节点;采用k-core分解提取更为紧密的核心结构[12];采用Louvain算法进行社团识别,并以模块度Q值评价社团质量[13]。社团识别能帮助了解网络内部的模块化结构及可能存在的功效分群情况。

2 结果

2.1 中药频次分析

纳入患者有效处方103首,涉及中药246味,使用频次1 769次。处方出现频次 ≥20次的高频中药共21味。其中甘草、黄芪、浙贝母、茯苓、白术覆盖率较高。见表1。

表1 高频中药(处方出现频次 ≥20次)

序号药物处方出现频次(次)处方覆盖率(%)序号药物处方出现频次(次)处方覆盖率(%)1甘草7976.7012桑白皮2726.212黄芪5654.3713陈皮2726.213浙贝母5351.4614白花蛇舌草2625.244茯苓4846.6015丹参2423.305白术4240.7816当归2423.306半夏3634.9517白芍2423.307薏苡仁3130.1018党参2120.398黄芩3130.1019柴胡2120.399牡蛎3029.1320白芥子2019.4210桔梗2928.1621麦冬2019.4211夏枯草2827.18

2.2 中药性味归经分析

药物四气以温、平、寒性为主;五味以甘、苦、辛为主;归经以肺、脾为主。见图1。

图1 药物性味归经分析

2.3 聚类分析

以高频中药为对象,采用Ward最小方差法进行层次聚类。结果显示:C1为党参、麦冬、薏苡仁、桃仁;C2为白术、茯苓、柴胡、陈皮、半夏、当归、莪术、川芎、丹参、夏枯草、牡蛎、黄芪;C3为桔梗、黄芩、杏仁、桑白皮、郁金、白花蛇舌草、浙贝母、甘草。见图2。

图2 高频中药系统聚类树状图(处方出现频次 ≥20次)

2.4 关联分析

运用IBM SPSS Statistics 26.0,设置支持度 ≥5.0%、置信度 ≥0.65、提升度 ≥1.0且前项频次 ≥15次的筛选条件,以确保筛选出的关联规则具有稳定性与可解释性,共筛选出23条关联规则。见表2。

表2 代表性二项关联规则(前10条)

2牡蛎黄芪28.160.9061.63829序号前项后项支持度(%)置信度提升度共现次数(次)1白术黄芪31.070.7621.377323黄芩甘草27.180.9331.217294白术茯苓27.180.6671.561285半夏甘草26.210.8181.067296桑白皮甘草23.301.0001.304277丹参黄芪21.360.9171.656228桔梗甘草21.360.7861.024239夏枯草浙贝母18.450.6791.4872210夏枯草黄芪18.450.6791.22619

2.5 复杂网络分析

2.5.1 网络拓扑属性分析 基于103个处方,构建中药共现加权网络。共现加权网络图包含246个节点、5 791条边、平均路径长度1.813、网络直径3、平均聚类系数0.739。结果显示该网络连通性较好,药物配伍关系较为紧密。见图3。

图3 中药共现加权网络

2.5.2 中药网络节点分析 根据接近中心性、介数中心性与特征向量中心性,挑选出前10位核心节点,这些节点在处方配伍结构中可能具有较高的枢纽性。见表3。

表3 共现网络核心节点中心性指标(前10位)

序号药物接近中心性介数中心性特征向量中心性1甘草0.9040.1020.1784茯苓0.7340.0300.1487黄芩0.7000.0210.1378桔梗0.6980.0230.1362黄芪0.7900.0560.1593浙贝母0.7470.0310.1535半夏0.7230.0300.1426桑白皮0.7210.0300.1419薏苡仁0.6980.0250.13610沙参0.6940.0320.127

2.5.3 k-core核心子网 为找到链接最为紧密且稳定的配伍结构,在边权重 ≥10的强连接阈值条件下,对网络进行k-core分解。当k=7时,网络达到最大核心层级;其中6-core核心子网包含17味关键中药、80条配伍边。见图4。这个核心子网能够反映高频且强连接的基础配伍框架。

图4 中药共现网络6-core核心子网(k=6,边权重 ≥10)

2.5.4 社团结构 网络可划分为4个社团,模块度Q值为0.201。见图5。这提示网络有一定的分群倾向,但社团之间还是保持着较高的连通性。

图5 中药共现网络社团结构图(边权重 ≥10)

3 讨论

肺结节在中医学里隶属于“肺积”“积聚”“痰核”等范畴。《灵枢·刺节真邪》云:“虚邪之中人也……搏于脉中,则为血闭不通,则为积[14]。肺结节的病机主要与肺脾气虚,痰湿在体内积聚有关,日久痰湿与瘀血互结,最终形成结节。基于这一认识,徐立然教授提出肺结节的治疗应以肺脾同调、扶正固本为根本原则,同时配合宣肺化痰、软坚散结的方法,并注重活血通络、调和护中,使肺脾之气充足,痰瘀消散,结节自除。

3.1 先固其本:肺脾同调

频次分析发现,中药以甘草、黄芪、茯苓、白术等为主,归经以肺、脾为主。中医认为,“治病必求于本”,虽然结节表现在肺部,但痰的生成和气的转化,大多与脾有关。肺主宣发肃降,是气机升降出入的关键;脾主运化水湿,为生痰之源。脾虚则运化失司,水湿不化,痰湿内生;肺虚则升降无常,痰浊无法正常输布与化解;肺脾相互影响,痰长时间滞留易形成结节。肺脾同虚者常见乏力纳差、痰多黏滞、动则气短或自汗易感[15]。若不先扶其正,清化、软坚、活血等法往往难以久用,甚至出现“药后胃纳更差、痰多反复”的情况。李玥等[16]的研究亦指出,肺结节患者以气虚、气郁为常见。因此,徐立然教授以补肺健脾药物为底方,先调肺脾、后论消结,通过培补中气、恢复气化,使痰浊得化、气机得畅,为后续散结提供内在条件。

3.2 痰凝成形:化痰软坚

肺结节为有形可见之物,其形成多与痰凝有关。徐立然教授治痰时并非单纯采用“清痰”之法,而是在扶正的基础上,注重“宣-化-软”三法并用。在徐立然教授的处方里,浙贝母、半夏、陈皮、桔梗、杏仁、夏枯草、牡蛎等药物反复出现,且组合相对稳定。其中,桔梗宣肺利咽、载药上行,与杏仁配伍,可调节肺气宣降,使“痰有出路”;半夏燥湿化痰、陈皮理气和中,使气行则痰液消散;对痰热较重者,可用浙贝母清热化痰、散结消癥,并可配伍黄芩、桑白皮等以清肺泄热;对于结节质地偏硬、久治不消者,可用夏枯草、牡蛎取软坚散结之意。从配伍层面看,徐立然教授将软坚散结的牡蛎、浙贝母与扶正药物黄芪等同用,不求一时速效,采用“缓消”之法,循序渐进,使散结之法能够长期应用而不伤正。现代药理研究表明,黄芪提取物可下调血管内皮生长因子表达并抑制基质金属蛋白酶-2/基质金属蛋白酶-9活性,进而削弱结节的血供支持与侵袭转移能力[17]。浙贝母可通过影响EGFR、MAPK1等多种信号通路的表达来部分缓解特发性肺纤维化,且能缓解肺组织慢性炎症状态,阻断炎症驱动下的结节发生与发展[18]

3.3 痰瘀互结:活血通络

肺结节病势缠绵,多迁延不愈,痰湿久蕴易导致气机阻滞,进而血行不畅,终至痰瘀互结、阻塞肺络。《临证指南医案》中提出:“初为气结在经,久则血伤入络”。提示脉络瘀滞为病邪留结的关键所在,根据“络以通为用”[19]的治疗原则,徐立然教授认为活血的关键在于“通”而非“破”。“通”能散瘀滞、通肺络,同时不过度攻伐,以保护肺脾之气。故本研究中,丹参、当归、川芎、桃仁、莪术、郁金等活血行气药物常有出现,其与益气、化痰、软坚药物共同构成稳定的用药结构。徐立然教授常言“化痰而不通络,则结难尽散”,故在化痰基础上佐以活血通络,以助散结,但不脱离扶正化痰之框架,以免攻伐过度。

3.4 清解调和,护中久行

研究结果显示,甘草在处方中的使用频率最高。在接近中心度、介数中心性及特征向量中心性等网络指标中,甘草均居首位,这提示甘草具有不可替代的核心作用。关联规则分析显示,徐立然教授在使用清肺泄热、肃肺化痰的药物时,常配伍甘草以护中缓急、协调药性。《本草备要》记载:“甘草……入和剂则补益,入汗剂则解肌,入凉剂则泻热,入润剂则生津,入峻剂则缓正气,入润剂则养阴血,能协和诸药,使之不争。”[20]肺结节多迁延难愈,常虚实夹杂,治疗注重久调求稳。若偏用苦寒直折的药物,易导致中焦受损,不利于肺结节的长期治疗。甘草在处方中承担着速效治标与顾护中焦的需求,使治标之法始终以护中调和、协调诸药为基础。此外,结合聚类和社团结果可见,高频中药可以概括为多种功效,从网络特征来看,诸药连通性较好,模块度Q值较低,可见各治法之间并非单独使用,而是相互交叉、协同为用,亦说明甘草能统摄寒温之偏、平调补泻之剂,将多种治法融会贯通,形成清解调和,护中久行的治法。

4 小结

徐立然教授治疗肺结节主要抓住“正气亏虚,痰瘀郁结”的病机,配合宣肺化痰、软坚散结,并重视活血通络、调和护中。从而正气得充、痰瘀得化、结节得消。本研究通过对103首徐立然教授治疗肺结节的处方进行复杂网络分析,研究结果希望能为临床治疗提供一些可借鉴的经验。但本研究样本量较小,存在一定的局限性,未来可联合多中心开展研究,扩大样本量,同时根据肺结节的不同证型进行分层比较,以期为肺结节的治疗提供更多临床证据。

利益冲突声明:本文所有作者均声明不存在利益冲突。

[参考文献]

[1] US Preventive Services Task Force,Krist A H,Davidson K W,et al. Screening for lung cancer:US Preventive Services Task Force recommendation statement [J]. JAMA,2021,325(10):962-970.

[2] 中华医学会呼吸病学分会肺癌学组,中国肺癌防治联盟专家组. 肺结节诊治中国专家共识(2018年版)[J]. 中华结核呼吸杂志,2018,41(10):763-771.

[3] Macmahon H,Naidich D P,Goo J M,et al. Guidelines for management of incidental pulmonary nodules detected on CT images:from the fleischner society 2017 [J]. Radiology,2017,284(1):228-243.

[4] Gould M K,Donington J,Lynch W R,et al. Evaluation of individuals with pulmonary nodules:when is it lung cancer? Diagnosis and management of lung cancer,3rd ed:American College of Chest Physicians Evidence-Based Clinical Practice Guidelines [J]. Chest,2013,143(5 Suppl):e93S-e120S.

[5] 吴俊翰,庄伟涛,许海杰,等. 肺结节患者焦虑、抑郁情绪及其影响因素的横断面研究[J]. 中国胸心血管外科临床杂志,2023,30(3):357-363.

[6] 李梦乾,姜良铎,张晓梅,等. 肺结节中医药临床疗效评价体系探讨[J]. 北京中医药大学学报,2023,46(10):1333-1337.

[7] 王璐,洪群英. 肺结节诊治中国专家共识(2018年版)解读[J]. 实用内科杂志,2019,39(5):440-442.

[8] 国家药典委员会. 中华人民共和国药典(2020版)[M].北京:中国医药科技出版社,2020.

[9] 吴地尧,章新友,甘宇汾,等. 数据挖掘算法在中药研究中的应用[J]. 中国药房,2018,29(19):2717-2722.

[10] Hartigan J A,Wong M A. A K-means clustering algorithm [J]. J R Stat Soc Ser C Appl Stat,1979,28(1):100-108.

[11] 张雪梅,李风森,杨欢. 基于关联规则的中医药治疗肺结节用药规律研究[J]. 中国中医急症,2023,32(7):1229-1232.

[12] Liu Y,Dong X,Gu Y,et al. Parallel k-core decomposition:theory and practice [J]. Proc ACM Manag Data,2025,3(3):1-27.

[13] Blondel V D,Guillaume J L,Lambiotte R,et al. Fast unfolding of communities in large networks [J]. J Stat Mech,2008,2008(10):P10008.

[14] 河北医学院校释. 灵枢经校释(第2版)[M]. 北京:人民卫生出版社,2009.

[15] 杨国旺,张兴涵,张怀锐,等. 肺结节中西医结合全程管理专家共识[J]. 中国实验方剂学杂志,2024,30(1):149-159.

[16] 李玥,张馨月,何姝霖,等. 肺结节临床症状及中医证候分布特征[J]. 中国中药杂志,2023,48(17):4782-4788.

[17] 史琳,张宁,赵磊,等. 中性粒细胞分泌MMP-2和MMP-9发挥促肿瘤作用[J]. 免疫学杂志,2018,34(3):214-219.

[18] 孙禹,梁伟. 浙贝母的化学成分、药理作用及临床应用研究进展[J]. 特产研究,2022,44(1):87-92.

[19] 叶天士. 临证指南医案[M]. 北京:中国中医药出版社,2008:171.

[20] 汪昂,郑金生. 本草备要[M]. 北京:人民卫生出版社,2017.

Exploring the medication pattern used by Professor Xu Liran in treating pulmonary nodules based on complex network analysis

HOU Yiping1 CHEN Guanzheng2 XU Liran1 WEI Zheng3 CUI Weifeng3

1.Department of Infectious Diseases, the First Affiliated Hospital of Henan University of Chinese Medicine, Henan Province, Zhengzhou 450000, China; 2.Department of Respiratory Medicine, Luoyang Hospital of Dongzhimen Hospital, Beijing University of Chinese Medicine, Henan Province, Luoyang 471000, China; 3.Department of Oncology,Henan Integrative Medicine Hospital, Henan Province, Zhengzhou 450003, China

[Abstract] Objective To investigate the medication patterns of Professor Xu Liran in the treatment of pulmonary nodules based on complex network analysis. Methods Medical records of patients with pulmonary nodules who attended Professor Xu Liran’s outpatient clinic at the First Affiliated Hospital of Henan University of Chinese Medicine from March 2024 to June 2025 were retrospectively collected. Microsoft Excel 2019, IBM SPSS Statistics 26.0, and Cytoscape 3.1 were employed to analyze the frequency of Chinese materia medica, its natures, flavours, and channel tropisms, association rules, clustering, and complex networks. Results A total of 103 prescriptions were included, involving 246 kinds of Chinese materia medica with a cumulative frequency of 1 769 occurrences. Twenty-one herbs were identified as highfrequency medications, among which Glycyrrhizae Radix Et Rhizoma, Astragali Radix, and Fritillariae Thunbergii Bulbus ranked as the top three. The four natures were mainly characterized by warm, plain, and cold; the five flavors were mainly represented by sweet, bitter, and pungent; the channel tropisms were mainly associated with the lung and spleen channels. The drugs were classified into three categories; the association rule analysis identified 23 groups of frequently used drug combinations; the weighted co-occurrence network of traditional Chinese medicine consists of 246 nodes,5 791 edges, an average path length of 1.813, a network diameter of three, and an average clustering coefficient of 0.739.The centrality analysis revealed that Glycyrrhizae Radix Et Rhizoma, Astragali Radix, Poria, and Fritillariae Thunbergii Bulbus were the core hubs. The k-core hierarchical analysis method identified 17 core drugs, and there were four communities (modularity Q = 0.201). Conclusion Professor Xu Liran’s treatment of pulmonary nodules closely adheres to the pathogenesis of “deficiency of vital energy and accumulation of phlegm and stasis”. The fundamental principle is to “regulate the lung and spleen, and strengthen the body’s defenses”. It is combined with promoting the lung function, eliminating phlegm, softening and resolving nodules, and emphasizing the activation of blood circulation and meridians. This forms a prescription system that integrates harmonizing and protecting the body throughout the treatment process.

[Key words] Complex network analysis; Data mining; Pulmonary nodules; Xu Liran; Medication pattern

[中图分类号] R249;R259

[文献标识码] A

[文章编号] 1673-7210(2026)07(a)-0062-07

DOI:10.20047/j.issn1673-7210.25112152

[基金项目] 河南省中医药科学研究专项课题(2024ZY2177)。

[作者简介] 侯伊萍(2000-),女,河南中医药大学第一附属医院2023级中医内科学专业在读硕士研究生,主要从事中医药防治感染性疾病研究工作。

[通讯作者] 陈关征(1983-),男,硕士,副主任医师,硕士生导师;研究方向:中西医结合防治呼吸系统疾病。

(收稿日期:2025-11-26)

(修回日期:2026-02-11)

X