基于机器学习的列线图预测肺癌伴恶性胸腔积液患者预后的研究成果

《Scientific Reports》：Development and validation of a machine learning-based nomogram for predicting prognosis in lung cancer patients with malignant pleural effusion

研究人员针对肺癌伴恶性胸腔积液（MPE）患者预后评估难题，开展研究，发现 LR 模型表现最佳，意义重大。

　　肺癌，这个在全球范围内都令人闻风丧胆的 “健康杀手”，近年来其发病率和死亡率一直居高不下。而恶性胸腔积液（Malignant pleural effusion，MPE）作为晚期肺癌常见的并发症，更是让患者的生存状况雪上加霜。它不仅会严重影响患者的呼吸功能，导致呼吸困难、胸痛等一系列症状，极大地降低患者的生活质量，还会使患者的生存时间明显缩短，中位生存期通常仅有 3 到 12 个月。

目前，针对 MPE 的治疗手段多种多样，像超声引导下胸腔穿刺、留置胸腔导管、化学性胸膜固定术以及胸腔内化疗等。然而，这些治疗方法往往伴随着各种并发症，比如胸痛、肺炎、脓胸、气胸、导管相关感染和骨髓抑制等。更让人头疼的是，至今都没有一种明确有效的治疗方法，能够让患者获得最大的生存获益。对于肺癌伴 MPE 的患者来说，准确预测预后显得尤为关键，这能够帮助医生为患者制定更加精准、有效的治疗方案，从而提高患者的生活质量，延长患者的生命。

为了解决这些难题，川北医学院附属医院等机构的研究人员开展了一项极具意义的研究。他们的研究成果发表在《Scientific Reports》上，为肺癌伴 MPE 患者的预后评估和治疗决策提供了全新的思路和有力的工具。

研究人员采用了多种关键技术方法来开展这项研究。在样本方面，收集了川北医学院附属医院、广安人民医院和达州中心医院等多个医院的患者数据，构建了训练队列、内部测试队列以及多个外部测试队列。在分析方法上，运用单变量逻辑回归（LR）和多变量 LR 分析，筛选出独立预测因子。同时，应用了 9 种常用的机器学习算法，包括决策树（DT）、随机森林（RF）、极端梯度提升（XGBoost）等，进行患者预后预测，并通过 5 折交叉验证评估模型性能。

下面来看具体的研究结果：

1. 特征选择：研究人员严格按照既定的纳入和排除标准，收集了多个医院的患者临床数据。经过详细的单变量 LR 分析和多变量 LR 分析，最终确定了治疗方案、心包积液的存在以及胸腔积液总量这三个关键变量，用于后续的机器学习模型构建。
2. 9 种机器学习预测模型的性能：9 种机器学习模型在训练队列、内部测试队列和外部测试队列中都展现出了良好的预测性能，曲线下面积（AUC）值均超过 0.80 。其中，LR 模型表现最为出色，在各个队列中的校准曲线一致性最佳，决策曲线分析（DCA）也表明其能为患者带来更大的临床获益。
3. 列线图的开发和患者风险评估：基于表现最佳的 LR 模型，研究人员开发了列线图。该列线图可以实现个体化的风险量化，在外部测试队列 2 和时间外部测试队列中都展现出了强大的预测准确性，AUC 分别达到 0.962 和 0.949 。通过列线图的评分系统，患者被分为低风险（≤19 分）、中等风险（19 - 88 分）、高风险（88 - 162 分）和极高风险（≥162 分）四个等级，不同风险组患者的死亡率和生存时间存在显著差异。

研究结论和讨论部分指出，本研究确定了治疗方案、心包积液和胸腔积液总量这三个对肺癌伴 MPE 患者预后预测至关重要的变量。LR 模型在预测准确性、校准度和临床实用性方面表现最佳，基于该模型构建的列线图能够有效地对患者进行风险分层。这一研究成果为临床医生早期评估患者预后、制定个性化治疗方案提供了有力的支持。不过，该研究也存在一定的局限性，比如未对肺癌的影像学特征进行评估，外部数据集相对较小等。未来还需要进一步扩大样本量，开展更深入的研究，以提高模型的准确性和适用性。总之，这项研究在肺癌伴 MPE 患者的预后评估领域迈出了重要的一步，为后续的研究和临床实践奠定了坚实的基础。