基于机器学习的晚期癌症患者姑息治疗阶段预测模型构建与验证

为解决晚期癌症患者姑息治疗阶段评估的主观性和不一致性问题，湖南肿瘤医院团队通过回顾性队列研究，利用PCOC（姑息治疗结局协作组）数据构建了基于梯度提升决策树（XGBoost）的预测模型。该模型在训练组和测试组中AUC值分别达0.997和0.976，显著提升了稳定期、不稳定期、恶化期和终末期的分类准确性，为临床资源精准分配和症状管理提供了数据驱动决策工具。

　　

在全球癌症负担日益加重的背景下，晚期患者的姑息治疗需求激增，但如何精准识别患者所处的治疗阶段仍是临床难题。传统评估依赖医护人员主观判断，导致PCOC（姑息治疗结局协作组）框架下的症状量表（如SDAS、PCPSS）和功能评分（如AKPS、RUG-ADL）应用存在显著差异。这一问题在中国尤为突出——2023年PCOC项目本土化后，亟需客观工具实现治疗阶段的标准化分类。

湖南肿瘤医院姑息治疗中心的Junchen Guo、Yunyun Dai等研究者开展了一项回顾性研究，通过机器学习算法构建预测模型，成果发表于《BMC Palliative Care》。研究团队收集了2023年4月至2024年12月793名晚期癌症患者的9,787次评估数据，采用随机森林、逻辑回归和XGBoost三种算法对比分析，最终开发出能高精度区分稳定期、不稳定期、恶化期和终末期的预测工具。

关键技术方法
研究采用单中心回顾性队列设计，纳入标准为≥18岁、生存期≤12个月的晚期癌症患者。通过PCOC标准化工具（中文版SDAS、PCPSS、AKPS、RUG-ADL）采集症状与功能数据，使用递归特征消除（RFE）算法筛选关键变量，以70%训练集和30%测试集构建模型，通过AUC、敏感性和特异性等指标评估性能。

研究结果

四阶段临床特征差异
数据分析显示，不同阶段患者症状谱显著不同：不稳定期以疼痛（SDAS评分2.90±1.83）和睡眠障碍为主，恶化期和终末期则以食欲（3.14±2.03）和疲劳（2.87±1.74）为突出症状。终末期患者AKPS评分骤降至28.29±12.14，RUG-ADL中床位移能力评分高达3.68±1.45（p<0.001）。

症状指标的预测价值
逻辑回归分析揭示，食欲评分对终末期预测贡献最大（OR=5.445），而不稳定期的关键预测因子为疼痛（OR=1.703）和排便问题（OR=1.518）。值得注意的是，终末期疼痛风险与稳定期无统计学差异，反映中国姑息治疗镇痛措施的改进成效。

模型性能对比
随机森林算法表现最优，训练组AUC达0.997（稳定期）-0.999（终末期），测试组保持0.965-0.998。特异性在终末期高达0.996，但恶化期敏感性较低（0.613），提示小样本阶段的识别挑战。XGBoost模型虽AUC相近（0.980-0.999），但不稳定期敏感性仅0.816。

预测因子重要性排序
AKPS是各阶段核心预测指标，而症状维度贡献因阶段而异：稳定期依赖睡眠障碍和疲劳，终末期则由食欲和排便问题主导。研究首次明确RUG-ADL中"如厕"与"转移"项存在共线性（r>0.8），需在建模时剔除。

结论与意义
该研究开创性地将机器学习应用于中国姑息治疗阶段预测，解决了临床评估标准不统一的痛点。模型的高精度验证了PCOC指标体系的预测价值，尤其通过量化食欲、疲劳等功能性指标，为终末期护理资源前置配置提供依据。局限性在于单中心数据可能影响泛化性，未来需多中心验证。研究成果有望整合至临床决策系统，实现从"经验驱动"到"数据驱动"的姑息治疗模式转型，助力《中国抗癌协会姑息治疗指南》的落地实践。