《European Journal of Oncology Nursing》:Development and validation of an interpretable model for pre-chemotherapy triage of fatigue–pain–sleep disturbance burden in lung cancer
编辑推荐:
朱本祥|罗媛媛|习瑞琪|钱琪|张乐|毛冬梅|陈欣楠|刘新奇|苗静霞|张莉莉中国广东省广州市南方医科大学护理学院,邮编510515摘要目的本研究旨在构建一种可解释的机器学习模型,以便在化疗前有效识别出可能存在严重疲劳-疼痛-睡眠障碍风险的患者。方法该研究在两家三级医院开展了双中心观
朱本祥|罗媛媛|习瑞琪|钱琪|张乐|毛冬梅|陈欣楠|刘新奇|苗静霞|张莉莉
中国广东省广州市南方医科大学护理学院,邮编510515
摘要
目的
本研究旨在构建一种可解释的机器学习模型,以便在化疗前有效识别出可能存在严重疲劳-疼痛-睡眠障碍风险的患者。
方法
该研究在两家三级医院开展了双中心观察性研究。在化疗开始前约两周对潜在预测因子进行评估,而在化疗结束后则对疲劳、疼痛和睡眠障碍状况进行评估。研究收集了化疗前的人口统计学、临床、实验室数据以及患者自我报告的数据,通过潜在类别分析确定化疗后疲劳-疼痛-睡眠障碍的不同症状负担亚群。机器学习模型在一个医院的样本中训练,然后在另一家医院的独立样本中验证;通过区分度、校准度以及临床实用性指标来评估模型性能,最终使用沙普利加性解释法对最佳模型进行解读。
结果
共有1444名患者参与了模型构建及独立机构验证。在独立机构验证中,四种候选模型的受试者工作特征曲线下面积范围为0.761至0.821。多XGBoost模型在独立机构验证组中表现出最佳的区分能力(微观AUC=0.853;宏观AUC=0.821),分类结果可通过混淆矩阵进行总结。
结论
经过独立机构验证的可解释机器学习模型展现出良好的预测性能。该模型能够帮助肿瘤科护士和临床医生在化疗前识别出高风险患者,从而有助于更早地制定有针对性的症状管理计划。
引言
肺癌仍然是全球范围内的重大健康问题,其发病率和死亡率都很高。在许多临床情况下,化疗依然是治疗肺癌的核心手段(Sung等人,2021年)。在化疗期间,患者常常会出现多种复杂的症状,这些症状对护理工作至关重要,因为它们会影响患者的功能状态、康复进程以及护理需求。其中,疲劳、疼痛和睡眠障碍尤为常见且影响严重,越来越多的证据表明,这些症状实际上属于相互关联的“核心症状群”,它们之间存在共同的或相互强化的作用机制,而非孤立存在的问题(Xiao等人,2025年)。从肿瘤科护理的角度来看,这种症状群的特点凸显出早期综合评估和主动管理的必要性——因为能够及时识别出症状负担较重的患者,有助于制定及时、协调的症状管理计划,还能更高效地分配护理资源(Denis等人,2017年)。
有证据表明,疲劳-疼痛-睡眠障碍常常同时出现,并且存在具有临床意义的差异性,因此最近的肿瘤学研究开始从关注“平均症状严重程度”转向对肺癌患者进行潜在亚群划分(Zhou等人,2024年)。
然而,目前在以实践为导向的症状管理方面还存在两个不足:首先,许多关于症状群的研究仍然侧重于患病率/相关性分析或治疗后的情况描述,即便确定了潜在类别,也未必能将其转化为可直接用于护理流程的实际分层标准(Lee等人,2020年)。其次,目前可用于化疗前、具有普遍适用性的预测工具仍然较少,而这些工具恰恰在症状尚未加重时最为有用,因为此时开展主动的分流处理和早期综合干预比在化疗后再采取应对措施更为有效(Teng等人,2025年)。虽然利用电子化患者自我报告数据来进行系统化的症状监测可以改善护理流程和效果,但这种方法并不能完全替代提前识别高风险患者的必要性,尤其是在护理资源有限的医疗机构中(Basch等人,2025年)。
为解决上述问题,有必要找到一种方法,将症状群的相关研究结果转化为可用于治疗前风险分层的实用工具——这样无需复杂的输入数据或事后解读,就能支持以护理为主导的分流处理以及及时的辅助护理。同时,预测在症状管理中的作用还取决于临床医生对其的信任度:模型应当足够易于理解,这样才能为护理决策提供依据,因为在高风险临床环境中,纯粹的“黑箱”式输出可能难以被接受或实际应用(Rudin,2019年)。此外,随机对照试验也表明,在常规癌症治疗过程中对患者症状进行系统化的自我报告监测能够改善临床治疗效果,这也进一步支持了尽早识别并应对症状恶化的必要性(Basch等人,2016年)。正因如此,本研究旨在为化疗前的疲劳-疼痛-睡眠障碍症状群筛查提供实用方案,从而实现基于概率的分流处理,以及更早的、综合性的症状管理规划。
在这种背景下,肿瘤科护士在将症状相关研究结果转化为实际护理工作中发挥着关键作用,因为他们往往是最早察觉到症状加重的人,负责协调各类辅助资源,同时在整个治疗过程中为患者提供教育指导及自我管理支持(Young等人,2020年)。也有证据表明,由护士主导的症状管理干预措施能够提升以患者为中心的护理效果,这进一步证明了在预计会出现症状负担时由护士提供综合性护理措施的实用性(Kelly等人,2022年)。另外,“分级护理”的理念——根据症状负担程度及患者反应调整干预强度——也为在忙碌的肿瘤科环境中实施分层辅助护理提供了可行的框架(Abdalla等人,2026年)。与这种护理实施理念相契合,本研究着重于尽早识别出那些可能出现较高疲劳-疼痛-睡眠障碍负担的患者,以便在适当的时间启动辅助护理,并在必要时逐步加强护理力度。本研究有望为在化疗前实施分层护理、从而实现更早的分流处理和综合性症状管理提供实用参考。
章节节选
研究目的
本研究旨在构建一种可解释的化疗前预测模型,用以识别出可能存在严重疲劳-疼痛-睡眠障碍风险的患者。
报告方法
本研究关于预测建模部分的报告遵循TRIPOD + AI声明的要求(Collins等人,2024年)(详见补充材料1)。
研究设计、地点及参与者
这项双中心观察性研究在中国广州市的两家三级医院开展,即南方医科大学附属南方医院和珠江医院,数据收集时间为2023年10月至2025年10月。
参与者特征及通过潜在类别分析得出的疲劳-疼痛-睡眠障碍负担特征
研究流程及模型构建过程如图1所示。共有1481名肺癌患者从这两家医院纳入研究,其中南方医院有997名患者,珠江医院有484名患者。经过数据筛选后,有37名患者的部分预测因子数据缺失比例超过20%,因此最终纳入分析的样本为1444名患者。模型构建工作在南方医院的患者样本中进行,而珠江医院的患者样本则用于
讨论
在肿瘤科护理领域,人们越来越意识到疲劳、疼痛和睡眠障碍很少单独出现(Dodd等人,2001年)。实际上,这些症状往往同时出现,彼此相互影响,共同损害患者的日常功能,因此以疲劳-疼痛-睡眠障碍的整体负担为评估重点的护理方法,比仅针对单一症状的护理方法更具临床意义(Miaskowski等人,2004年)。基于这一观点,我们的研究支持在化疗前通过常规检测手段进行主动的风险筛查
研究的局限性及未来发展方向
尽管预测因子与化疗后的疲劳-疼痛-睡眠障碍状况在时间上存在间隔,但观察性研究的设计使得无法得出因果关系。此外,疲劳-疼痛-睡眠障碍的状况仅在化疗后的一个时间点进行评估,因此该研究未能反映患者在多次化疗周期中的症状变化趋势。过度依赖患者自我报告的数据可能会导致报告偏差以及方法一致性问题,因此引入客观指标或临床医生评估的结果将有助于提高研究的可靠性
对临床护理实践的启示
研究结果表明,肺癌患者在化疗后的疲劳-疼痛-睡眠障碍负担存在具有临床意义的差异性,而且这些差异性可以通过化疗前容易获得的指标来提前预测。如果该模型能够得到进一步验证,并被整合到与日常工作流程相匹配的系统中,那么它就有助于实现基于概率的早期分流处理,从而推动及时、综合性的症状管理策略的实施,而非等到症状严重后才采取零散的应对措施
结论
总之,本研究明确了化疗后不同的疲劳-疼痛-睡眠障碍负担特征,同时构建了一种具有预测功能且易于理解的模式,可用于在治疗前进行早期风险分层。研究结果表明,常规收集的心理社会指标和生活质量指标,再加上基本的临床信息,有助于识别出那些可能出现较高疲劳-疼痛-睡眠障碍负担的患者,进而让护理人员能够更及时地采取综合性干预措施。不过,该模型仍需进行更广泛的验证以及前瞻性测试
数据说明
本研究中使用和/或分析的所有数据,如需获取,可向相应作者提出合理请求。
伦理考量
本研究是按照《赫尔辛基宣言》的要求开展的,所有参与者均签署了知情同意书。该研究已获得南方医院伦理委员会的批准(审批编号NFEC-2024-309)。
资金支持
本研究得到了国家自然科学基金的资助(项目编号:72374097)。资助方并未参与本研究的设计、数据收集与分析、论文发表决策以及手稿的撰写工作。
CRediT作者贡献说明
朱本祥:数据整理、定量分析、方法设计、软件应用、模型验证、结果可视化、初稿撰写、论文修订与编辑。罗媛媛:数据整理、定量分析、研究调查、方法设计、软件应用、模型验证。习瑞琪:研究构思、研究调查、项目管理、研究监督、论文修订与编辑。钱琪:研究调查、模型验证、初稿撰写。张乐:研究构思、定量分析、方法设计、软件应用、模型验证。