综述：欧洲癌症结局的基准评估：方法学与病例组合调整的范围综述

这篇综述系统评估了欧洲癌症护理中医院结局基准化的现状，揭示了病例组合调整（case-mix adjustment）缺乏标准化方法、过度依赖短期结局（如30天死亡率）以及治疗因素混杂（如手术方式）等核心问题，并提出建立类似TRIPOD的病例组合模型报告指南以推动公平比较。

　　

亮点

欧洲癌症结局基准化研究存在关键缺口：病例组合调整缺乏统一标准，80%研究集中于荷兰和英国，长期生存数据和患者报告结局（PRO）严重不足。病例组合模型普遍缺乏验证和透明报告，可能扭曲医院间公平比较。研究者提出病例组合建模的实用指南，以支持更科学的基准化实践。

背景

医院结局基准化是识别医疗不平等和改善癌症护理的核心工具。但若未合理调整病例组合因素（如年龄、合并症、肿瘤分期），医院可能因患者群体差异而非护理质量被误判。此前尚无研究系统评估欧洲癌症护理的基准化实践，本综述首次聚焦四大问题：常用健康结局类型、病例组合调整因素、统计方法选择，以及模型开发与评估流程。

材料与方法

通过OVID MEDLINE、Web of Science和EMBASE数据库的系统检索，纳入涉及欧洲医院、以癌症患者结局为基准化目标的研究。筛选4953篇摘要后，最终65篇符合标准，覆盖8个国家130万病例。数据分析采用预定义的JBI框架，重点关注病例组合模型的方法学质量。

结果

地理与疾病分布：52项研究（80%）来自荷兰和英国，结直肠癌（31%）是最常被评估的癌种。

结局指标：82%研究聚焦短期结局（如30天死亡率），仅18%涉及长期生存或PRO。7项研究使用"教科书结局"（TO）——一种综合手术质量与短期结果的二分类指标。

病例组合因素：所有研究调整了人口统计学变量，83%纳入肿瘤特征（如分期），但仅22%考虑社会经济因素（主要来自英国研究）。60%研究错误地将治疗相关变量（如手术方式）纳入调整，可能掩盖真实的医院绩效差异。

统计方法：86%研究采用传统回归模型（逻辑回归用于短期结局，Cox回归用于生存分析）。机器学习（ML）仅在8项研究中应用，且性能提升有限（如弹性网络回归AUC 0.82 vs 逻辑回归0.81）。

模型质量：28%研究未描述模型内容，94%开发新模型而非验证现有模型。仅7项（11%）研究完整报告了模型细节、性能指标和内部验证。

讨论

结局选择偏差：过度依赖短期结局可能误导医院优先优化术后管理而非长期生存。TO虽能整合多维度指标，但其"全或无"特性限制了针对性改进。

病例组合调整争议：调整治疗因素（如化疗方案）可能掩盖医院决策差异，而忽略社会经济因素或加剧评估不公。

方法论挑战：回归模型仍是金标准，ML在复杂数据中潜力待验证。潜在类别模型（LCM）等新兴方法需进一步探索。

评估框架缺失：当前缺乏针对病例组合模型的TRIPOD式报告标准，导致仅28%研究提供足够 reproducibility信息。

未来方向

建立跨学科团队开发临床相关病例组合模型，优先验证长期结局和PRO的基准化方法。推动国际协作以制定模型报告标准，并通过可视化与统计指标（如校准度）双轨评估模型性能。最终目标是通过科学基准化实现欧洲癌症护理的质量均质化。

（注：全文严格基于原文数据，未添加非文献支持内容；专业术语如TRIPOD、AUC等保留原文格式；上标/下标已按规范调整）