基于机器学习的ePRO平台癌症患者营养管理依从性预测模型研究

语 本研究针对癌症患者ePRO营养管理依从性差异大的核心问题，通过多中心前瞻性队列（n=8268）和LightGBM机器学习模型，首次系统识别关键预测因子。结果显示：33.0%和40.3%患者未达总能量（TEI）及总蛋白（TPI）目标；晚期TNM分期（ORTEI=1.18）、ECOG评分差、PG-SGA≥4、步行时间<60分钟及恶心症状显著降低依从性，而女性、高血清白蛋白（ALB）及ALT水平可提升依从性。研究为优化数字化营养干预提供循证依据，对改善全球癌症营养管理具有重要临床意义。

　　

癌症作为全球主要死亡原因，其治疗过程中的营养不良问题严重影响患者生存质量和治疗效果。尽管国际指南强烈推荐全程营养干预，但临床实践中存在专业资源短缺、随访困难等瓶颈。电子患者报告结局（ePRO）系统虽能实现个体化营养管理，但患者对能量和蛋白质摄入目标的依从性差异巨大，关键影响因素尚不明确。为破解这一难题，中国医学科学院肿瘤医院联合全国55家医疗中心，开展了一项名为PROMISING的大规模研究，旨在通过先进算法识别依从性风险因素，为精准营养干预提供新策略。该成果发表于国际权威期刊《eClinicalMedicine》。

研究团队采用四项关键技术：

1. 多中心前瞻性队列设计：2012-2024年纳入8268例癌症患者（中位年龄61岁，61.9%男性），覆盖中国东西部地区各级医院；
2. ePRO平台动态监测：基于微信生态的SHCD-PROTECT?平台实时采集营养摄入、体力活动及症状数据（如恶心评分、步行时间）；
3. LightGBM机器学习建模：对比8种算法，优选LightGBM预测TEI/TPI依从性（阈值<60%），利用SHAP值解析特征重要性；
4. 双向固定效应逻辑回归：控制省份和时间混杂因素，验证纵向预测因子（如TNM分期、PG-SGA评分）。

研究结果

基线特征揭示严峻挑战
入组患者中71.7%存在营养不良（PG-SGA≥4），55.0%营养风险筛查阳性（NRS-2002≥3）。实际摄入中位数TEI仅17.10 kcal/kg/day，TPI 0.81 g/kg/day，显著低于指南推荐值（Table 1）。

省级依从性差异显著
黑龙江、四川等省TEI/TPI依从性较高（>65%），而湖北、河南地区低依从比例突出（Fig 2C-D），提示区域经济水平和医疗资源不均衡的影响。

LightGBM模型预测效能卓越
在预测低依从风险时，LightGBM的AUC达0.861（TEI）和0.821（TPI），显著优于XGBoost等模型（Supplementary Table S1）。SHAP分析显示五大核心预测因子（Fig 4）：

• 负向作用：前期低依从史、步行<60分钟、睡眠<8小时、高PG-SGA评分
• 正向作用：女性、高握力（HGS）、长随访时间

关键风险因素锁定
固定效应模型进一步证实（Table 2）：

• 疾病相关：晚期TNM分期（TPI-OR=1.39）、ECOG>1（TPI-OR=1.36）、高PLT计数（OR_TEI=1.01）
• 症状相关：恶心（TPI-OR=1.44）、睡眠不足（TPI-OR=1.41）
• 代谢标志物：低ALB（TPI-OR=0.97）、低ALT（TPI-OR=0.99）及低GLU（TPI-OR=0.96）

结论与意义

本研究首次通过机器学习量化了ePRO营养管理的依从性风险：超过1/3患者未达基本营养目标，且晚期患者风险激增39%。核心发现具有三重转化价值：

1. 临床实践：构建“性别-疾病分期-症状-代谢”四维风险评估框架，助力早期识别高危患者（如男性晚期胃癌伴恶心者）；
2. 技术优化：为ePRO系统嵌入动态预警功能提供依据（如当步行时间<60分钟时触发个性化提醒）；
3. 政策制定：揭示中西部省份资源缺口，推动建立分层管理模式。

值得注意的是，血清ALB、ALT等常规指标被证实与依从性显著相关，这为基层医疗提供低成本监测工具。未来需探索针对男性患者的交互界面设计，并将症状管理（如抗恶心治疗）与营养支持深度整合，真正实现“以患者为中心”的精准营养干预。