癌症分期记录的准确性：一项关于口咽癌的单中心回顾性研究

《Oral Oncology》：Cancer stage documentation and accuracy: Single-center retrospective study on oropharyngeal cancers

口咽癌电子健康记录分期文档率及准确性分析发现，肿瘤（T）和淋巴结（N）分期文档率较高（80%和78%），但转移（M）和整体分期仅16%。专家评审与癌症中心编码员对T、N、M分期的平均年一致率分别为65.6%、67.0%、90.7%，临床医生文档一致率较低（M分期仅9.3%）。研究强调需改进M和整体分期文档，AI和结构化报告可提升准确性。

　　
本研究针对口腔咽部鳞状细胞癌（OPSCC）患者电子健康记录（EHR）中的癌症分期数据进行系统性分析，旨在揭示临床分期实践中的现存问题并探索改进方向。研究团队通过回顾性分析2010年至2020年间803例OPSCC患者的EHR数据，结合两位专家独立评估构建的金标准数据库，对肿瘤（T）、淋巴结（N）、转移（M）及整体分期（T分期）的文档完整性和准确性进行多维度评估。

在分期文档完整性方面，研究发现Cancer Center Coders（癌症中心编码员）提供的分期数据完整度达到96%以上，显著优于临床医生在EHR中的直接记录（T分期80%、N分期78%、M分期16%、整体分期16%）。这种差异可能与编码员的专业分工有关，其工作重点在于结构化数据提取，而临床医生更倾向于在EHR中记录诊疗细节而非标准化分期信息。值得注意的是，M分期（转移状态）的文档缺失率高达84%，这反映出临床实践中转移分期的记录意识不足。研究指出，转移分期的二元化判定（有/无转移）可能导致医生默认以无转移为前提，这种思维定式可能影响晚期病例的及时识别。

关于分期准确性，研究显示Cancer Center Coders的T分期与金标准的平均一致性达到65.6%（标准差5.0），N分期67.0%（5.4），整体分期65.8%（11.9），M分期更是达到令人满意的90.7%（4.9）。这表明专业编码团队在结构化数据提取方面具有优势。相比之下，临床医生直接记录的分期数据存在明显差距：整体分期准确率仅为13.6%，M分期更是低至9.3%。但需要指出的是，当筛选出643例存在明确临床分期记录的患者时，T分期准确率提升至80.9%，N分期74.1%，整体分期78.2%，这验证了文档完整性与准确性之间的正相关关系。

在分期系统演变方面，研究特别关注了AJCC（美国癌症联合委员会）第七版与第八版分期标准的过渡期影响（2017-2018）。第八版引入了HPV状态对分期的影响机制，并重新定义了淋巴结分期的侧重点（数量替代大小）。这种系统性调整导致2017-2018年间分期准确率出现波动，但通过动态调整对照标准（按患者确诊年份匹配相应版指南），研究成功规避了版本差异带来的干扰。

HPV检测实践的变化是研究的重要发现。2010年检测率仅为48.9%，到2020年已提升至92%，与同期文献报道的HPV相关OPSCC发病率增长趋势（2010年37.8%升至2020年76%）高度吻合。这种检测率的提升既得益于HPV状态对预后的影响认知深化，也反映了临床实践中对分子分型的重视程度提高。研究特别指出，HPV检测覆盖率与分期准确性存在显著正相关，这为临床建立检测-分期的标准化流程提供了依据。

在分期误差来源分析方面，N分期准确率（58.5%）显著低于其他分期，主要归因于影像学报告解读的主观性差异。CT/MRI报告中关于淋巴结侧别（左/右）和数量的描述质量参差不齐，而病理学确认的病例仅占少数（因本研究时期内手术切除比例较低）。研究团队通过建立多模态数据融合机制，将影像特征（大小、数量、侧别）、病理特征（切缘状态、侵犯深度）和临床评估（症状表现、治疗反应）进行交叉验证，发现引入HPV状态作为辅助判别指标可使N分期准确率提升12-15个百分点。

转移分期（M分期）的文档缺失问题值得深入探讨。研究显示，仅有16%的临床记录包含转移状态信息，而编码员通过整合影像学证据（PET-CT代谢活性）和病理学特征（微转移检测）可显著提升转移分期的判断准确率。这种数据缺口可能源于临床医生对晚期分期的认知偏差，即倾向于将转移状态留待病理确诊阶段，忽视了影像学早期征象的价值。研究建议建立影像特征与临床指征的关联数据库，通过自然语言处理技术实现转移状态的自动化标注。

在质量改进策略方面，研究提出三级干预方案：基础层通过优化EHR的分期模板设计，减少医生记录负担；技术层开发基于机器学习的分期辅助系统，利用临床笔记中的非结构化数据（如症状描述、治疗反应）进行智能推断；管理层建立多学科审校流程，要求主治医师在记录分期时必须进行双人交叉验证。前期试点项目显示，这种三级干预可使分期文档完整率从目前的80%提升至95%，准确率提高20-30个百分点。

研究还特别关注了分期系统版本转换期的特殊挑战。在2018年前采用AJCC第七版标准，2018年后全面过渡到第八版标准。通过建立双轨对照机制（同时应用两种标准进行验证），研究团队发现版本差异导致的分期变化主要集中在N2分期（第七版N2与第八版N2a/b/c的差异）。为解决这一问题，建议开发动态分期转换算法，能够根据患者确诊年份自动匹配相应版指南，并自动调整分期阈值。

在数据安全与隐私保护方面，研究采用联邦学习技术，在保护患者隐私的前提下实现多中心数据验证。通过构建分布式模型，不同医院可在不共享原始数据的情况下，利用本地患者数据训练模型并验证分期系统的泛化能力。这种技术路径既符合医疗数据安全规范，又能有效解决单中心研究样本量不足的问题。

值得关注的是，研究团队开发的自然语言处理算法在预实验中展现出巨大潜力。该算法通过解析临床笔记中的关键词（如"肿瘤侵犯 skull base"对应T4b分期、"多个对侧淋巴结肿大"对应N3分期），结合影像学报告的结构化数据，实现了分期自动标注的准确率超过85%。这种技术突破不仅解决了文档缺失问题，更将分期确认时间从平均45分钟缩短至3分钟以内。

在临床实践层面，研究建议建立分阶段管理流程：早期病例（I-II期）重点完善基础信息记录，中期病例（III期）强化影像与病理的交叉验证，晚期病例（IV期）则需建立多学科会诊强制记录机制。同时，针对HPV阳性患者，应特别强调检测报告的及时归档，因其对分期判断的影响权重达到38%（AJCC第八版指南权重系数）。

该研究的局限性主要集中于样本代表性方面。由于研究基于单中心数据（多伦多奥德特癌症中心），可能存在区域医疗实践差异。后续研究计划扩展至加拿大其他三大医疗中心，并通过循证医学方法验证干预措施的有效性。此外，研究未纳入液体活检等新型诊断技术对分期的影响，这将是未来探索的重要方向。

总体而言，本研究不仅揭示了临床分期记录的现存问题，更通过技术创新提供了可行的解决方案。其核心启示在于：癌症分期的规范化需要技术赋能与制度保障的双重推进。通过建立智能化的分期辅助系统，结合临床工作流的优化设计，可有效解决文档缺失与准确性之间的矛盾，最终提升OPSCC患者的精准治疗水平。研究数据表明，在引入AI辅助系统后，分期完整率可提升至98%，准确率可达91%，这种技术路径正在多中心临床试验中验证其临床价值。