综述：严重放射性口腔黏膜炎的预测模型：一项系统评价和荟萃分析

《BMC Oral Health》：Prediction models of severe radiation-induced oral mucositis: a systematic review and meta-analysis

本综述系统评价了癌症幸存者严重放射性口腔黏膜炎（RIOM）的风险预测模型，发现现有模型（如逻辑回归、随机森林等）虽表现出良好的区分度（AUC>0.7），但普遍存在高偏倚风险、缺乏外部验证及预测因子异质性大等问题。荟萃分析显示严重RIOM发生率为36%，年龄≥60岁、糖尿病、吸烟及牙周病史是独立危险因素。建议未来研究遵循PROBAST/TRIPOD指南，采用前瞻性多中心设计和机器学习算法以提升模型质量。

　　

背景

近年来，癌症已成为全球范围内导致死亡的主要原因之一，严重影响着患者的生存期和生活质量。根据国际癌症研究机构（IARC）的数据，全球癌症负担预计在未来三十年内将持续上升。放射治疗是癌症患者的主要治疗手段之一，然而，其在杀伤肿瘤细胞的同时，也会对正常组织造成损伤，导致一系列不良反应，其中放射性口腔黏膜炎（RIOM）最为常见。RIOM主要表现为口腔糜烂、肿胀、溃疡、疼痛和吞咽困难等症状，严重时可导致放疗中断，影响治疗效果。早期筛查和识别高危患者并进行精准管理，是降低严重RIOM发生率的关键。

方法

本研究遵循系统评价和荟萃分析优先报告条目（PRISMA）指南，在PROSPERO平台注册。检索了从建库至2025年2月期间的中英文数据库，包括CNKI、VIP、Wanfang、CINAHL、PubMed等。根据PICOTS原则构建问题，聚焦于接受放疗的成年癌症患者（P），评估所有用于预测严重RIOM（O）的模型（I）。文献筛选、数据提取和偏倚风险评价（采用PROBAST工具）由两名研究者独立完成，并使用Stata 18.0软件进行荟萃分析。

结果

文献筛选与基本特征

初检共获得2179篇文献，经去重及筛选后，最终纳入10项研究，涉及2881名癌症幸存者，共包含14个不同的预测模型。纳入研究发表时间主要集中在近五年，其中七项研究来自中国。研究设计包括病例对照研究、回顾性队列研究和前瞻性队列研究。

预测模型的构建与性能

在建模方法上，所有研究均使用了逻辑回归，部分研究还尝试了支持向量机、随机森林、高斯朴素贝叶斯（GNB）和XGBoost等机器学习算法。模型区分度通过受试者工作特征曲线下面积（AUC）评估，建模时的AUC值在0.657至0.942之间，内部验证AUC在0.720至0.810之间，两项进行了外部验证的研究其AUC分别为0.805和0.902，表明大多数模型具有良好的预测能力。模型校准度通过Hosmer-Lemeshow检验或校准曲线进行评估。模型呈现形式多样，包括列线图、回归方程、聚类热图、树状图和散点图等。

偏倚风险与适用性

PROBAST评估结果显示，十项研究中有八项存在高偏倚风险，风险主要集中于研究对象、结局和分析领域。例如，回顾性研究设计可能导致数据可靠性问题，部分研究未明确说明预测变量的处理方式或缺失数据的处理方法，多数研究缺乏外部验证。在适用性方面，除一项研究外，其余研究均被评为低风险，表明模型整体适用性良好。

荟萃分析结果

对十项研究的荟萃分析显示，严重RIOM的合并发生率为36%（95% CI: 25%-48%）。异质性较高（I² = 97.3%, P < 0.001），敏感性分析表明结果稳定。进一步分析确定了四个独立危险因素：年龄≥60岁、糖尿病、吸烟和牙周病史。

讨论

本研究对严重RIOM的风险预测模型进行了全面审视。现有模型虽展现出良好的应用潜力，但仍存在明显局限。预测因子的选择存在较大异质性，未能形成统一的变量组合。建模方法虽以传统逻辑回归为主，但少数研究探索的机器学习算法（如支持向量机、随机森林）显示出更优的预测精度，提示了未来研究方向。

模型普遍缺乏外部验证是制约其临床推广的主要瓶颈。大多数研究为单中心回顾性设计，其结论的外推性受限。未来的研究应严格遵循PROBAST和TRIPOD指南，采用前瞻性、多中心、大样本的设计，并积极利用外部数据集进行验证。

在临床实践中，医护人员应特别关注年龄≥60岁、吸烟、患有糖尿病或有牙周病史的患者，这些是经荟萃分析确认的高危因素。建议建立基于循证的多维评估体系，加强患者教育和多学科协作，实现RIOM的早期预警和干预。

局限性

本研究存在一定局限性。首先，纳入研究多为单中心研究，样本代表性可能不足。其次，仅纳入中英文文献，可能存在发表偏倚。此外，部分关键性能指标报告不全，且多数模型缺乏外部验证，影响了结果的综合解读。

结论

众多预测模型为严重RIOM的风险评估提供了工具，其性能总体良好。然而，当前研究在方法学质量、模型验证和临床转化方面仍面临挑战。未来研究应致力于构建方法学严谨、经过充分外部验证的高质量预测模型，并结合人工智能技术进行深度数据挖掘，以期为临床决策提供更可靠的支持，最终改善癌症放疗患者的生活质量和治疗效果。