基于机器学习的非小细胞肺癌术后衰弱预测模型构建及其与早期康复的相关性研究

来自某医院的研究团队针对非小细胞肺癌(NSCLC)患者术后衰弱风险预测难题，通过回顾性分析2021-2024年1,013例手术患者的临床数据，采用LASSO回归构建机器学习模型。研究使用Tilburg衰弱量表和QoR-15量表评估术后3个月衰弱与1个月早期康复的关联，经SMOTE数据平衡后模型性能显著提升（AUC 0.819），并发现两者呈中度负相关（r=-0.370）。该研究为个性化术后管理提供了可视化工具（列线图），对改善患者康复预后具有重要临床价值。

　　

这项研究聚焦非小细胞肺癌(NSCLC)患者术后衰弱状态的预测难题。科研团队对2021至2024年间接受手术治疗的1,013例患者展开回顾性分析，系统采集人口统计学特征、肿瘤参数、治疗方案及实验室指标等多维度临床数据。通过LASSO回归算法进行特征筛选和模型优化，并采用交叉验证评估模型效能。

研究创新性地运用蒂尔堡衰弱指数(Tilburg Frailty Index)量化术后3个月衰弱状态，同时采用15项恢复质量量表(QoR-15)评估术后1个月的早期康复情况。初始模型在训练集中表现出色（AUC 0.833），但在验证集中召回率偏低（0.242）。针对数据不平衡问题（仅18.8%患者出现术后衰弱），研究团队应用合成少数类过采样技术(SMOTE)后，模型性能显著提升：测试集AUC达0.819，召回率提高至0.762，F1分数优化为0.781。

为提升临床实用性，研究者开发了直观的列线图工具，使临床医师能快速评估个体患者的衰弱风险。相关性分析揭示术后3个月衰弱程度与1个月早期康复呈中度负相关（相关系数=-0.370），这为术后干预时机的选择提供了重要依据。该预测模型的建立不仅为肺癌患者个性化管理提供了决策支持，更为改善术后康复轨迹开辟了新思路。未来研究需进一步验证该模型在真实临床场景中的应用价值。