基于机器学习的老年乳腺癌幸存者风险分层模型构建及临床护理意义

来自美国的研究人员利用SEER-CAHPS关联数据，开发了可预测乳腺癌幸存者3/5年全因死亡、癌症特异性死亡、复发及不良健康结局的随机森林模型。该模型整体预测准确率达91.9%（Cohen's Kappa 37.6%），尤其对癌症特异性死亡预测提升44%，为个体化分级诊疗提供重要依据。

　　

这项突破性研究利用监测流行病学终末结果数据库（Surveillance, Epidemiology and End Results, SEER）与医疗系统消费者评估（Consumer Assessment of Healthcare Providers and Systems, CAHPS）的关联数据，构建了针对老年乳腺癌幸存者的多维度风险预测体系。研究团队采用交叉验证的随机森林机器学习模型，成功预测治疗完成后3年及5年内的四大关键结局：全因死亡率（8.2%）、癌症特异性死亡率（2.5%）、索赔数据衍生的复发风险（14.7%）以及其他不良健康事件住院率（10.8%）。

模型展现出卓越的预测效能：整体分类准确率91.9%，较基线模型提升37.6%（Cohen's Kappa）。其中对癌症特异性死亡的预测尤为精准（97.5%准确率，44%提升幅度），复发预测（85%准确率）和其他不良结局预测（89%准确率）也显著优于传统方法。地理区域、年龄、衰弱指数、合并症、确诊时长及自付费用等非癌症特异性因素被证实为关键预测变量。

该研究颠覆性地揭示：老年乳腺癌幸存者的预后差异主要受非肿瘤因素驱动。基于机器学习(ML)的风险分层体系，使得高危患者可及时获得强化干预，而低危群体则可安全转诊至初级保健，为实现精准化癌症幸存者管理提供了革命性的决策工具。利益冲突声明显示，部分研究者曾接受阿斯利康(Astra Zeneca)和辉瑞基金会(Pfizer Foundation)的无关项目资助。