以患者为中心的乳腺活检体验建模：整合多模态数据与数字孪生技术优化诊疗流程

本综述创新性地整合患者报告结局（PROs）、心理社会评估及工作流程注释等多模态数据，构建了乳腺核心针穿刺活检（CNB）的数字化流程模型。研究通过线性混合模型（LMM）和机器学习方法，揭示了心理预评估（IES、CES-D、PSS、STAI）与术中焦虑的显著相关性（β值0.58-0.91, p<0.001），并首次定位局部麻醉（LA）为焦虑峰值关键时间点（βt2 p=5.43e?06）。结合自然语言处理（NLP）技术解析医患沟通文本，为构建医疗程序数字孪生、实现主动式护理提供了创新范式。

　　

引言：乳腺癌症筛查技术的进步虽提高了早期诊断率，但不断增长的患者数量、有限的医疗资源和时间约束使医疗团队难以有效预测和管理患者在活检过程中的痛苦体验。本研究基于236例乳腺活检患者的真实世界数据，通过整合多维度数据源，旨在构建患者体验的多维度模型，为临床干预提供精准指导。

研究方法与数据整合：研究采用2002-2004年间开展的乳腺核心针穿刺活检（CNB）临床试验数据，涵盖患者报告结局、心理社会评估量表（包括事件影响量表IES、流行病学研究中心抑郁量表CES-D、感知压力量表PSS、状态-特质焦虑量表STAI）、工作流程注释及生理指标（血压、心率、皮质醇）。通过半自动化文本分析方法对4,411条观察记录进行分类，识别子程序类型和关键事件（如局部麻醉LA时机、技术并发症等）。采用线性混合模型（LMM）分析心理指标与焦虑的关联，并利用自然语言处理（NLP）模型（BART-large-mnli）对42,411条文本单元进行情感分析。

结果1：流程模型与关键事件识别

通过临床指南和真实世界子程序分类，构建了以患者为中心的活检路径模型（图1）。研究发现活检过程存在显著变异：16例（13%）恶性结果和37例（29%）良性结果患者在5日内获得诊断，而73例（58%）面临结果延迟（未沟通54例、需手术切除14例、高危病变5例）。将时间以首次局部麻醉（LA）为中心对齐后，焦虑呈现显著的倒U型模式（β_t² p=5.43e^?06），即在LA前焦虑升至峰值，之后逐渐下降（图3）。关键事件标签化分析识别出多区域活检、囊肿抽吸、医患咨询、技术困难等9类事件，为数字孪生模型提供了分类基础。

结果2：影响个体体验的因素

心理社会评估显示：IES（β=0.91）、CES-D（β=0.82）、PSS（β=0.62）和STAI（β=0.58）均与术中中位焦虑显著相关（p<0.001），表明基线压力水平是焦虑的强预测因子。社会人口学因素中，年龄与焦虑无明确线性关系，种族间存在聚类趋势但受样本量限制。生理指标（血压、心率）与焦虑相关性较弱，皮质醇因混杂因素（睡眠、激素水平）未显示显著关联。

结果3：情境性调节因素分析

临床团队干预类型显著影响焦虑轨迹：自我催眠谈话（n=78）和共情谈话（n=82）组在LA后焦虑下降且操作时间缩短，而标准护理组（n=76）焦虑持续上升（图5）。语言分析表明：负面建议（如"这会疼"）与较高焦虑相关，正面建议略降低焦虑，但赞扬语效果不明确。NLP情感分类识别出585条"应激"注释（如"手臂疼"）、423条"疼痛"注释，揭示了患者痛苦的具体诱因（表2）。

讨论与展望：本研究通过多模态数据整合，突破了传统单一指标（如净推荐值）的局限，首次实现了CNB过程的数字化映射。心理预评估和LA时间点的预测模型为焦虑干预提供了关键靶点，而NLP技术则实现了医患沟通的量化分析。尽管生理数据预测力有限，但未来结合物联网（IoT）设备和穿戴式传感器可增强多模态监测能力。研究的局限性包括样本代表性不足（某些种族群体样本量小）和文本数据的异质性（混合患者、医护人员注释）。未来需通过因果发现技术和贝叶斯网络构建更复杂的变量关系模型，并将数字孪生框架扩展至其他局部麻醉介入手术，最终嵌入临床决策支持系统（CDSS）实现实时风险预警。

方法学细节：数据分析使用R（v4.4.1）和lme4包（v1.1-29），线性混合模型公式为：

Y_ij = β₀ + β₁×time_ij + β₂×group_i + β₃×X_ij + u_0i + u_1i×time_ij + ε_ij

其中X_ij为标准化心理指标，u为随机效应。文本分析采用零样本分类的BART模型，关联值>0.9的注释被视为高置信度情感标签。