基于机器学习模型的中国肺癌患者支持性照护需求探索与预测

这篇综述通过横断面研究（cross-sectional study）和机器学习（ML）技术，系统评估了中国486例住院肺癌患者的支持性照护需求（SCN），发现教育水平和家庭人均月收入是主要影响因素。研究采用随机森林（RF）等6种算法构建预测模型，RF模型在预测总需求评分时MAE为4.45，预测最高需求维度的准确率达88.42%。成果为临床个性化护理（personalized care）提供了数据驱动的决策工具，但需注意交叉验证可能导致的性能高估。

　　

研究背景与意义

肺癌作为全球死亡率最高的恶性肿瘤，在中国预计2030年死亡病例将增长42.7%。肺癌治疗带来的生理和心理压力显著影响患者生活质量（QoL），90%新确诊患者存在未满足的需求。支持性照护需求（Supportive Care Needs, SCN）涵盖信息、心理、生理等多维度，但传统评估方式效率低下。人工智能（AI）与大数据技术的结合为精准预测SCN提供了新思路。

研究方法

研究纳入广东某三甲医院486例住院肺癌患者，采用支持性照护需求简表（SCNS-SF34）评估需求水平，包含健康系统与信息、性需求等5个维度。通过单因素分析发现年龄、教育水平、职业、肿瘤分期和家庭收入显著影响需求评分（P<0.05），多因素线性回归进一步确认教育水平（β=0.24）和家庭收入（β=-0.18）为关键预测因子。

机器学习建模采用6种算法：

1. 线性/逻辑回归：基础GLM模型
2. 支持向量机（SVM）：通过核函数处理非线性特征
3. K近邻（KNN）：基于欧氏距离的相似性分类
4. 随机森林（RF）：集成决策树，Gini重要性评估特征
5. 自适应提升（AdaBoost）：增强弱分类器性能

特征工程中，年龄离散化（18-40/41-60/61-90岁）后采用独热编码，避免归一化导致的性能下降（图6-7）。

核心发现

1. 需求维度排序：健康系统与信息需求最高（84.8%），其次为患者照护支持（75.2%），性需求最低（34.8%）。
2. 预测性能：
   • RF模型预测总需求评分的R²
     =0.57，显著优于线性回归（R²
     =0.04）
   • 最高需求维度预测的ROC-AUC达0.9061，F1分数87.49%
3. 特征重要性：教育水平、肿瘤分期和病理类型在两类预测任务中均位列前5关键特征（图5）。

临床启示

低教育水平患者因信息获取能力差，对健康系统需求更迫切；经济压力大的家庭（月收入≤2000元）需求评分更高。研究建议：

• 针对化疗患者重点管理疲劳、恶心等不良反应
• 对早期患者加强疾病知识科普（如科室讲座、病友分享）
• 通过RF模型预筛高风险患者，优化护理资源分配

局限与展望

横断面设计无法追踪需求动态变化，且样本仅来自单一中心。未来需扩大样本量并开展外部验证，探索自然语言处理（NLP）技术在需求文本分析中的应用潜力。

（注：全文数据与结论均源自原文，未新增推断；专业术语如SCNS-SF34、ROC-AUC等均按原文格式保留）