基于潜在类别分析的治疗路径到患者原型框架:面向价值医疗基准评估的概率分类工具

《Frontiers in Health Services》:From therapeutic pathways to patient archetypes: a latent class analysis framework for Value-Based Healthcare benchmarking

【字体: 大 中 小 】 时间:2026年10月21日 来源:Frontiers in Health Services 2.6

编辑推荐:

  专业摘要翻译: 背景: 价值医疗(Value-Based Healthcare, VBHC)聚焦于患者中心结局(Patient-Centred Outcomes, PCOs),旨在最大化医疗价值。跨机构基准评估要求对临床与治疗上具有可比性的患者进行结局比较。然

  
专业摘要翻译: 背景: 价值医疗(Value-Based Healthcare, VBHC)聚焦于患者中心结局(Patient-Centred Outcomes, PCOs),旨在最大化医疗价值。跨机构基准评估要求对临床与治疗上具有可比性的患者进行结局比较。然而,传统分类基于生物学特征,未考虑治疗轨迹。因此,建立基于治疗路径的患者原型对于防止VBHC基准评估中的病例组合偏倚至关重要。本文旨在开发一种基于潜在类别分析(Latent Class Analysis, LCA)的模型框架,以(i)识别乳腺癌患者原型,并(ii)建立一种对新患者进行分类的概率工具。 方法: 研究纳入2018年至2020年间确诊的2485例乳腺癌患者队列并进行随访。在基线和6个月随访时收集人口统计学及治疗变量。在训练集(80%)中应用LCA推导患者原型,并使用aBIC、熵值及后验概率评估模型拟合度与分类质量。分类工具的稳健性通过随机森林(Random Forest, RF)在测试集(20%)中评估,并在外部多中心队列(N=352)中检验其泛化能力。 结果: 研究选择六类别解(Arch-1至Arch-6),该解在模型拟合、简约性、高熵值(0.932)及临床可解释性方面均达到最优。与RF评估相比,该工具展现出高度分类一致性(准确率99.68%)。在外部队列中,个体分类确定性保持较高水平(平均后验概率=0.965),支持跨诊疗环境的一致分类分配。 结论: LCA提供了一种透明、高效且稳健的工具,可基于治疗路径识别患者原型并分配新患者,从而在VBHC中实现公平基准评估。建议在更广泛队列中进行前瞻性验证,以确认其向其他临床条件的可转移性。
论文解读文章:
一、研究背景与问题提出
价值医疗(Value-Based Healthcare, VBHC)作为一种以患者中心结局(Patient-Centred Outcomes, PCOs)为核心的管理理念,强调将健康结局与医疗成本相关联,以评估每单位货币投入所获得的健康收益。在乳腺癌诊疗领域,尽管近年的5年生存率已显著提升至约90%,但患者生活质量的显著下降及医疗资源的高消耗仍然突出,这使得VBHC在乳腺癌医疗中的重要性日益凸显。
在VBHC框架下,跨机构基准评估要求对临床与治疗上具有可比性的患者进行结局比较。既往研究已证实,治疗路径显著影响患者报告结局,不同类型的手术、放疗、化疗或重建方案会导致不同的功能与症状轨迹。若基准评估未考虑这些差异,绩效比较可能被病例组合差异所混淆,而非反映真实的医疗质量差异。然而,传统患者分类通常基于生物学和分子亚型,未能充分考虑治疗轨迹的影响,且存在非必要临床变异的问题。因此,建立基于治疗路径的患者原型对于防止VBHC基准评估中的病例组合偏倚、实现公平且可解释的基准评估至关重要。
既往研究曾采用结合临床标准与主成分层次聚类(Hierarchical Clustering on Principal Components, HCPC)的混合方法设计患者原型,但该方法在确定分组数量时需要主观决策,且缺乏为新患者分配的概率框架。针对这一局限,本研究引入潜在类别分析(Latent Class Analysis, LCA)作为基于模型的替代方法,通过统计拟合指标确定最优类别数,并利用后验概率实现自动化且具有不确定性感知的分类。据研究人员所述,这是LCA首次在VBHC框架内应用于乳腺癌治疗路径原型的推导。
二、研究设计与核心发现
本研究旨在实现双重目标:其一,通过无监督、基于模型的LCA方法识别患者原型;其二,开发一种基于后验成员概率将新患者分配至既定原型的概率分类工具。研究数据来源于西班牙巴斯克卫生系统-Osakidetza下属的Ezkerraldea-Enkarterri-Cruces综合卫生组织,经巴斯克地区伦理委员会批准。研究人群为2018-2020年间确诊的早期乳腺癌患者,纳入标准包括18岁以上女性、新诊断的浸润性乳腺癌(I-III期)或导管原位癌(DCIS),并接受任一治疗。排除标准包括罕见肿瘤、小叶原位癌或转移性疾病。
研究队列共2485例患者,平均诊断年龄60.91岁(SD=13.15),54.4%为浸润性导管癌。排除缺失数据患者后,将导管原位癌患者(n=231)依据临床专家共识预先定义为独立参考原型(Arch-0),分析样本最终包含1570例患者,按80:20比例分为训练集(n=1256)和测试集(n=314)。LCA纳入的变量包括年龄、乳房手术类型、腋窝手术类型、化疗、放疗及激素治疗,这些变量反映了塑造患者临床轨迹的治疗顺序与强度。患者中心结局被有意排除在分类过程之外,以避免循环论证,因为其后续将作为VBHC框架内的基准评估结局。
三、关键技术方法
研究人员采用的主要技术方法包括:其一,潜在类别分析(LCA),这是一种基于统计推断确定最优分组数量的模型方法,通过构建潜在类别模型(Latent Class Model, LCM),以潜在类别变量解释一组观测变量之间的关联,模型参数在训练集中估计,并通过局部独立性假设下的概率组合计算完整反应模式的发生概率;其二,随机森林(Random Forest, RF)监督机器学习分类器,用于评估分类工具的稳健性,以LCA分配的原型作为结局变量,在训练子样本中训练模型并采用5折交叉验证;其三,外部验证,使用来自VOICE(欧洲乳腺癌和肺癌价值医疗结局)社区的多中心独立数据集(N=352),将推导队列估计的LCA参数应用于外部队列计算后验成员概率,通过平均后验概率(Average Posterior Probability, APP)评估个体分类确定性,并描述性比较两队列间各原型内分类变量的分布。
四、研究结果
患者原型定义: 研究人员拟合了1至8类别的八个模型。尽管未调整的BIC在五类别模型中最低,但样本量调整的BIC(aBIC)在六类别模型中最小(aBIC=9735.97),低于五类别和七类别解。AIC持续下降至八类别模型,但伴随分类质量明显恶化:熵值从M6的0.932降至M8的0.848,最小平均后验概率从0.92降至0.71。相比之下,M6在G2和χ2统计量、熵值及后验概率方面均表现最优,且六种原型具有清晰的临床可解释性,与VOICE联盟既往HCPC方法描述的六种患者原型一致。局部独立性假设通过检查所有观测变量对的二元残差(BVRs)进行评估,最高BVR值为1.97(年龄与腋窝手术之间的关联),未发现实质性违反。最终选择六类别模型(M6)作为最优解。
六种原型呈现不同的治疗模式:Arch-3(n=421)和Arch-6(n=162)是最常见的保乳治疗路径,均包含保乳手术、前哨淋巴结活检、放疗和激素治疗,主要区别在于化疗使用——Arch-3几乎无患者接受化疗,而Arch-6全部患者接受化疗,提示更具侵袭性的肿瘤特征;Arch-5(n=368)也以保乳手术为主,但放疗使用较少且无激素和化疗;Arch-1(n=144)和Arch-2(n=121)以乳房切除术为主,但年龄和治疗差异明显——Arch-1主要为年轻患者,切除术后通常立即重建,而Arch-2主要为老年患者,通常不进行重建且腋窝手术范围更大;Arch-4(n=40)是最小原型,主要为年轻患者(80%年龄低于50岁),接受最强化的多模式治疗,全部患者联合乳房切除术、腋窝清扫、化疗、放疗和激素治疗;Arch-0(n=231)为预先定义的导管原位癌患者,主要以保乳手术且无腋窝干预为特征,化疗使用极为有限。
患者分类工具与稳健性评估: LCA分类工具在随机森林5折交叉验证中展现出高总体准确率(99.68%)。按原型划分的性能指标显示,Arch-2、Arch-3、Arch-5和Arch-6的敏感性和特异性均为100%,Arch-1和Arch-4略低。外部验证中,尽管各原型内变量分布的整体模式在两队列间相似,但在年龄、手术类型和治疗相关变量的比例上存在一些差异,研究人员将其解释为反映中心间病例组合和临床实践的差异,而非原型结构本身的失败。外部队列的分类确定性较高(平均APP=0.965,各原型范围0.913至0.997),支持外部患者向既定原型的一致且自信的分配。
五、讨论与结论
本研究的讨论围绕三个层面展开。在方法论层面,研究证明LCA可用于推导统计上连贯且临床可解释的患者原型,并开发能够以高后验概率将新患者分配至这些原型的分类工具。与HCPC相比,LCA通过基于模型的概率框架取代了主观的树切割决策,实现了自动化且具有不确定性感知的新患者分类。在临床实用性层面,原型有助于支持治疗路径设计并识别可能受益于差异化护理策略的患者群体,但需进一步研究评估其对临床决策的影响。在基准评估适用性层面,原型通过将具有相似治疗路径的患者分组来减少病例组合异质性,从而支持跨机构的更公平比较。
研究局限性包括:完整病例分析导致684例(占初始队列27.5%)因年龄或手术数据缺失而被排除,这些患者年龄较大且记录的治疗使用率较低,缺失不能假设为随机,原型可能低估老年及治疗强度较低的患者;6个月的短期随访在乳腺癌背景下可能未涵盖部分患者的完整治疗路径;各原型间患者分布的内在失衡对实现精确分类构成挑战;RF比较应被解释为对新患者分类工具稳健性的检验,而非对潜在结构本身的验证。此外,需要通过重采样方法评估类别稳定性、评估对替代变量选择的敏感性,并在更广泛的独立队列中进行前瞻性和时间性验证。
研究结论指出,LCA为识别乳腺癌临床有意义的患者原型及开发将新患者分配至这些原型的分类工具提供了稳健且透明的框架。该方法通过基于相似治疗路径的患者分组支持VBHC框架内的基准评估,实现跨机构的更公平比较。然而,现有证据仅限于单一临床条件和单一医疗系统的数据。未来研究需评估原型的效度、在独立队列中测试分类工具,并评估该方法论框架向其他医学条件和组织情境的可转移性。更长的随访期将有助于评估患者原型随时间的变化及原型间转换的临床意义。此外,原型可能需要定期更新以反映治疗路径的变化和新兴临床实践。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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