基于机器学习预测肝癌患者动脉介入治疗后急性化疗相关性恶心呕吐的模型开发与内部验证

《Asia-Pacific Journal of Oncology Nursing》:Development and internal validation of a machine learning model for predicting acute chemotherapy-induced nausea and vomiting after intra-arterial interventional therapy in patients with liver cancer

【字体: 大 中 小 】 时间:2026年10月14日 来源:Asia-Pacific Journal of Oncology Nursing 3.3

编辑推荐:

  目的:开发并内部验证一个可解释的机器学习模型,用于预测原发性肝癌患者接受动脉介入治疗(IAIT)后发生急性化疗相关性恶心呕吐(ACINV)的风险。 方法:本回顾性队列研究纳入中国1,062例接受IAIT的患者。ACINV定义为在24小时内出现不良事件通用术语标

  
目的:开发并内部验证一个可解释的机器学习模型,用于预测原发性肝癌患者接受动脉介入治疗(IAIT)后发生急性化疗相关性恶心呕吐(ACINV)的风险。 方法:本回顾性队列研究纳入中国1,062例接受IAIT的患者。ACINV定义为在24小时内出现不良事件通用术语标准(CTCAE)≥2级的恶心或呕吐。患者被分配至训练集(n = 638)和一个留出的内部验证集(n = 424)。研究人员采用嵌套分层五折交叉验证比较了七种算法。外层折生成折外(OOF)预测,而内层折则支持参数调优和阈值选择。在每个分区中,插补、编码、标准化和LASSO选择仅基于训练观测数据拟合。预处理步骤在用于LASSO惩罚项选择的折内重新估计。合成少数过采样技术(SMOTE)仅在预测因子选择后的模型拟合分区内应用。研究人员根据合并的OOF曲线下面积(AUC)对算法进行排序,若出现并列则以Brier评分作为判定依据。选定的流程在整个训练集上重新拟合,并在内部验证集中进行评估。 结果:380例患者(35.8%)发生ACINV。最终重新拟合保留了11个预测因子。随机森林(RF)取得了最高的合并OOF AUC(0.941;95% CI,0.923–0.958)和0.092的Brier评分。在内部验证中,其AUC为0.962(95% CI,0.946–0.978),Brier评分为0.073,校准截距为?0.090,校准斜率为1.056。沙普利加法解释(SHAP)分析支持模型解释,锁定后的模型被整合到一个原型计算器中。 结论:该模型在内部验证中表现出良好的性能。在临床实施前,需要进行外部验证和前瞻性影响评估。 试验注册:本研究在中国临床试验注册中心注册(ChiCTR-2500110585)。
论文解读:基于机器学习预测肝癌患者动脉介入治疗后急性化疗相关性恶心呕吐
一、研究背景与问题
急性化疗相关性恶心呕吐(ACINV)是肝癌患者接受动脉介入治疗(IAIT)后最常见且最令人痛苦的不良事件之一。由于化疗药物被直接高浓度递送至肿瘤供血动脉,这一不良反应的发生率较高。严重的恶心呕吐可能导致误吸、电解质紊乱、营养不良甚至治疗中断或延迟,不仅严重影响患者的身心健康,也给医疗系统带来沉重负担。尤其对于肝癌患者,他们常伴有门脉高压和食管胃底静脉曲张,反复的ACINV发作可能增加腹内压,诱发脆弱的曲张血管破裂,从而升高消化道出血乃至死亡的风险。
尽管预防性止吐药物被广泛使用,但统一的止吐策略可能并非最优方案——高风险患者可能预防不足,而低风险患者则可能承受不必要的药物负担和相关副作用。此外,肝功能异常会影响药物代谢,使这一人群对治疗相关毒性更为敏感。因此,及时识别ACINV高风险患者对于制定个体化预防策略、指导肿瘤科护士实施针对性护理至关重要。
然而,此前尚无专门针对肝癌患者IAIT后ACINV的预测模型。已有的针对静脉化疗患者的模型多采用传统统计方法,预测精度有限且缺乏足够的可解释性。近年来,机器学习算法因其强大的数据处理能力和捕捉复杂非线性关系的能力而受到关注,但其“黑箱”特性限制了临床转化。因此,本研究旨在开发并内部验证一个兼具预测精度与临床可解释性的机器学习模型。
二、研究方法概述
本研究为一项回顾性队列研究,纳入中国一家癌症专科医院于2025年1月1日至2025年12月31日期间收治的1,062例接受IAIT的原发性肝癌患者。研究人员将患者按6:4比例分层随机划分为训练集(638例)和内部验证集(424例)。关键技术方法包括:采用最小绝对收缩和选择算子(LASSO)回归进行预测因子筛选;使用合成少数过采样技术(SMOTE)处理类别不平衡问题;在嵌套分层五折交叉验证框架下比较逻辑回归、决策树、随机森林(RF)、极限梯度提升(XGBoost)、支持向量机(SVM)、朴素贝叶斯(NB)和K近邻(KNN)七种算法;通过折外(OOF)预测的合并曲线下面积(AUC)进行算法排名,并以Brier评分作为并列判定指标;最终选定RF模型,并使用沙普利加法解释(SHAP)方法提供全局和局部可解释性。
三、研究结果
3.1 基线特征
全队列中ACINV发生率为35.8%(380/1062)。训练集和内部验证集的ACINV发生率分别为35.42%和36.32%。单因素分析显示,除体重指数(BMI)、合并症、巴塞罗那临床肝癌分期(BCLC)、化疗史、既往ACINV史和既往IAIT史等变量外,大多数预测因子在ACINV组与非ACINV组之间存在显著差异。
3.2 预测因子筛选
通过LASSO回归,最终保留了11个源级预测因子:性别、年龄、IAIT类型、介入药物、既往ACINV史、既往IAIT史、睡眠时长、止吐方案、预期性恶心呕吐、焦虑和吸烟史。
3.3 模型开发与性能比较
在训练集的OOF预测中,RF表现最佳,AUC为0.941(95% CI,0.923–0.958),Brier评分为0.092,校准截距为?0.120,校准斜率为0.986。决策曲线分析显示,RF在0.05至0.80的阈值概率范围内均提供正向净获益。在锁定的内部验证集中,RF模型的AUC达到0.962(95% CI,0.946–0.978),准确度为0.892,灵敏度为0.942,特异度为0.863,Brier评分为0.073,校准截距为?0.090,校准斜率为1.056。未使用SMOTE的敏感性分析进一步支持了RF算法选择的稳定性。
3.4 模型解释与应用
SHAP分析显示,焦虑是贡献最大的预测因子。其他重要预测因子按重要性排序依次为性别、介入药物、既往IAIT史、IAIT类型、年龄、止吐方案、睡眠时长、既往ACINV史、吸烟史和预期性恶心呕吐。研究人员还基于Shiny包开发了一个在线风险评估工具,输入11个预测因子的实际值即可获得个体化的ACINV预测概率和SHAP解释。
四、讨论与结论
讨论部分总结:
本研究首次为肝癌患者IAIT后ACINV建立了可解释的机器学习预测模型。研究发现,焦虑是最重要的预测因子,这凸显了介入治疗前心理评估的重要性。女性、铂类药物介入、年轻、单一止吐药、短睡眠时长(<7小时)、既往ACINV史、吸烟史和预期性恶心呕吐均为已知的危险因素,在本研究中得到验证。值得注意的是,首次接受介入治疗的患者ACINV风险更高,可能与对未知副作用的负性情绪和应激有关。经动脉化疗栓塞术(TACE)相比肝动脉灌注化疗(HAIC)与更高的ACINV风险相关,这可能源于栓塞导致的缺血损伤和炎症反应。研究还指出,现有模型在应用于IAIT场景时的局限性,并强调了RF模型在预测性能和校准方面的优势。
研究结论翻译:
总之,研究人员为原发性肝癌患者开发了一个可解释的基于RF的ACINV-IAIT风险预测模型,并在内部验证集中评估了其性能。该模型显示出良好的区分度和校准度,可能有助于在动脉介入治疗前进行初步的风险分层。通过识别ACINV高风险患者,该模型可帮助肿瘤科护士聚焦关键预测因子、提供早期预警、加强心理评估和睡眠管理、启动预防性支持护理并改善术后症状监测。为提高可及性,该模型已被整合至一个网络应用程序中用于初步风险评估。然而,在常规临床应用之前,尚需进行多中心外部验证和前瞻性影响研究。经过进一步验证后,该工具有望为肝癌患者提供个体化的肿瘤科护理、减轻症状负担并改善生活质量。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号