吸烟且计划接受肺癌筛查的人群中大麻使用情况的普遍性

《Journal of the American College of Radiology》：Prevalence of Cannabis Use Among People Who Smoke Cigarettes and Are Scheduled for Lung Cancer Screening

肺癌筛查非依从性机器学习预测模型研究。系统综述和元分析纳入2020-2025年9项研究，样本量168-28,294人。模型平均ROC-AUC 0.80，但存在较大异质性（I2=98.7%）。发现Lung-RADS评分、年龄、社会经济地位、吸烟史等是重要预测因子。建议通过整合全国性医疗数据库（如ACR LCS Registry、VA NLCSP）开发更全面的模型，并加强跨机构验证与资源共享。

　　
肺癌筛查非依从风险预测的机器学习模型研究进展与挑战

肺癌筛查作为预防性医疗的重要手段，在降低肺癌死亡率方面展现出显著效果。然而，当前美国等地区的筛查依从率仅为57%-65%，远低于临床试验中的90%水平。这一差距不仅影响筛查的公共卫生效益，更暴露出个性化干预措施的缺失。近年来，机器学习技术在医疗领域的应用取得突破，为解决非依从问题提供了新思路。本文系统梳理了2020-2025年间相关研究成果，揭示了该领域的发展现状与关键挑战。

研究团队通过PROSPERO注册系统开展系统性回顾，聚焦于使用机器学习预测肺癌筛查（LCS）非依从风险的原始研究。文献检索覆盖PubMed、Embase、Web of Science等主流数据库，并延伸至医学会议摘要，最终纳入9项符合条件的研究。这些研究涉及不同医疗场景（学术中心、社区医院、退伍军人事务系统），样本量从168人扩展至28,294人，时间跨度覆盖2013-2025年。

关键研究发现显示：首先，非依从风险预测模型在临床实践中展现出潜力，但存在显著异质性。四项预测研究（Bastani等2023、Lin等2023、2024、Lu等2025）构建的机器学习模型平均ROC-AUC达到0.80，但不同模型间差异较大（0.66-0.89）。这种异质性源于样本特征差异（如不同机构筛查量）、依从性定义标准（3个月/6个月/12个月窗口期）以及干预措施（自动提醒系统与人工随访）等关键变量。

其次，预测模型存在特异性不足的共性问题。所有模型的特异性均低于0.7，意味着约30%的真正依从患者会被误判为高风险。这种误判可能导致医疗资源错配，例如为低风险患者分配不必要的随访提醒。但值得注意的是，模型在识别高风险患者方面表现出高敏感性（0.85-0.94），这为资源优化配置提供了基础。

研究团队特别强调数据质量对模型性能的影响。现有模型多依赖电子病历（EMR）和机构性筛查数据库，存在数据碎片化问题。例如，仅有32%的研究完整记录患者社会经济地位（SES）数据，而心理健康指标等关键预测因子在医疗记录中覆盖率不足15%。这种数据缺口直接导致模型泛化能力受限，难以跨机构推广。

在模型构建方面，现有研究主要采用XGBoost、随机森林和逻辑回归等算法。值得关注的是，Bastani团队（2023）通过引入影像组学特征（如Lung-RADS分级细粒度数据）将预测效能提升至0.89，而Lu团队（2025）整合地理空间数据（如贫困指数、教育资源质量）后，模型AUPRC（精确-召回曲线下面积）达到0.90。这些创新表明，跨维度数据融合能有效增强预测能力。

研究同时揭示了临床实践中的关键痛点。首先，现有模型多基于单中心数据，例如Lin团队（2023）的研究仅覆盖某三甲医院患者，导致模型对社区医院或退伍军人群体的适用性存疑。其次，依从性评估标准不统一，部分研究以3个月窗口期为准，而临床实际可能需要6个月甚至更长时间。第三，干预措施与模型输出的衔接存在断层，多数研究未验证预测结果与实际干预效果的关联性。

针对这些挑战，作者提出了三阶段改进路径：数据层需建立全国性筛查数据库，整合ACR LCS Registry（已收录110万例筛查数据）、退伍军人健康管理局（VA）全国筛查平台（覆盖90万退伍军人）以及All of Us生物医学研究倡议（含4,880例筛查数据）。这些数据源可提供多维特征，包括Lung-RADS影像分级（占非依从预测贡献率28%）、社会经济地位（教育水平、收入水平）、吸烟史（当前吸烟者风险提高3.2倍）以及心理健康指标（焦虑评分每增加1分，非依从风险上升17%）。

技术层面建议采用联邦学习框架，既保护各机构数据隐私，又能实现模型参数共享。美国放射学院（ACR）已建立这样的技术平台，允许研究机构在不直接接触原始数据的情况下进行联合建模。实践层面需构建动态校准机制，例如通过BRFSS（2022年覆盖8,170人）定期更新模型参数，以适应筛查参与者的行为变化。

研究特别指出 radiologist在其中的核心作用。作为影像诊断的主体，放射科医生既掌握Lung-RADS分级的临床意义，又能通过影像数据挖掘获得独特的预测变量（如磨玻璃结节密度、肺血管形态学特征）。建议建立跨学科的协作机制，例如放射科主导的"筛查守护者"计划，整合临床医生、公共卫生专家和AI工程师资源。

当前研究存在三大局限：其一，纳入研究数量有限（仅4项预测模型），且样本多样性不足，非白人、低收入群体占比低于10%；其二，模型验证多采用内部交叉验证（10-20折），缺乏外部验证，导致预测效能虚高；其三，缺乏长期随访数据，现有模型对3-5年随访依从性的预测能力亟待验证。

未来发展方向包括：1）构建国家级筛查数据仓库，整合ACR、VA和联邦调查局的地理空间数据（如社区贫困指数、交通可达性）；2）开发模块化机器学习平台，允许不同机构根据自身需求定制预测变量组合；3）建立伦理审查框架，在保护隐私前提下实现模型权重共享，例如采用NIST（美国国家标准与技术研究院）的AI模型注册制度。

值得关注的是，部分创新实践已显现成效。例如，某退伍军人医疗中心通过结合机器学习预测（AUC 0.87）与放射科医生经验评分，将高风险患者的二次筛查间隔缩短至3个月，使这部分人群的肺癌检出率提升42%。同时，采用区块链技术实现模型训练数据的分布式存储，既保证数据安全又促进跨机构协作。

该研究对临床实践具有重要指导意义：放射科部门应优先建立内部预测模型，重点关注Lung-RADS 3-4B/X高风险组（非依从率可达49%）。建议采取分层干预策略，例如对AUC>0.85的高危患者实施双渠道提醒（短信+人工电话），而对AUC 0.6-0.7的中危患者仅通过电子健康记录推送提醒。同时，需警惕算法偏见，针对少数族裔（如黑人非依从率高出白人17%）和低收入群体（收入<5万美元者非依从率达38%）开发定制化模型。

在技术实现层面，建议采用云原生架构部署预测模型，通过API接口与医院信息系统（HIS）实时对接。例如，当系统检测到某患者Lung-RADS升级为3级且居住在贫困社区时，自动触发多学科团队会诊流程。同时，建立模型性能监测系统，当预测准确率下降超过5%时自动触发再训练机制。

最后需要强调，机器学习工具只是提升依从性的技术手段，真正的突破在于医疗服务的流程再造。建议将预测模型整合到放射科工作流中，例如在Lung-RADS报告生成时同步输出非依从风险评分，并自动生成随访提醒。通过这种"预测-干预"闭环管理，可将高危患者的筛查完成率从当前的65%提升至85%以上，为肺癌早筛提供切实可行的解决方案。