基于可解释机器学习的结直肠癌化疗患者中重度癌因性疲乏风险预测模型构建

本研究针对结直肠癌化疗患者中重度癌因性疲乏（CRF）的预测难题，由中国多中心研究人员通过机器学习算法开发出高性能预测模型。随机森林（RF）模型表现最优（AUC=0.906），关键预测因子包括睡眠质量（PSQI）、焦虑评分（HADS）等，为临床早期干预提供可靠工具。

　　

研究人员通过构建预测模型评估结直肠癌（Colorectal Cancer, CRC）化疗患者中重度癌因性疲乏（Cancer-Related Fatigue, CRF）的风险因素。该研究纳入630名来自中国五家医院的化疗患者，采用一般资料调查表、修订版派珀疲乏量表（Piper Fatigue Scale-Revised, PFS-R）、医院焦虑抑郁量表（Hospital Anxiety and Depression Scale, HADS）和匹兹堡睡眠质量指数（Pittsburgh Sleep Quality Index, PSQI）进行数据采集。

通过7:3比例随机划分训练集与测试集后，研究团队采用单因素分析和LASSO回归进行特征筛选，并运用五种机器学习算法构建预测模型。结果显示中重度CRF总体发生率达70.5%，其中随机森林（Random Forest, RF）模型展现出最优性能：曲线下面积（AUC）为0.906，灵敏度0.943，准确率0.931，精确度0.977，特异性0.848，F1分数0.960。

借助沙普利加和解释（SHAP）方法增强模型可解释性，发现RF模型的特征重要性排序为：睡眠质量评分、焦虑评分、厌食症状、镁离子（Mg²⁺）浓度、吸烟史、居住地和肿瘤分期。该高性能预测模型可作为结直肠癌化疗患者CRF风险的筛查工具，为早期临床干预和症状管理提供数据支持。