基于反事实事件规划器的肿瘤合并心血管危险因素患者护理模式转化评估研究

《Frontiers in Cardiovascular Medicine》：Translational assessment of nursing care models for oncology patients with cardiovascular risk factors

　　

引言： 本研究旨在利用常规采集的电子健康记录（EHR）数据，评估针对合并心血管危险因素的危重肿瘤患者的不同急性护理策略的个体化患者效应。现有护理评估研究主要描述群体层面的关联或预测已观察到的结局，但未能在考虑动态演变的临床状态和预测不确定性的前提下，估计个体患者在标准护理与强化护理下的潜在结局。 方法： 研究人员开发了反事实事件规划器（Counterfactual Event Planner），通过临床约束的轨迹建模和概率性结局估计，评估个体化治疗效果并比较替代性护理策略。该框架整合了基于流形的决策模型（Manifold Based Decision Model）、基于智能体的情境导航器（Agent based Contextual Navigator）和概率性结局合成器（Probabilistic Outcome Synthesizer），以构建具有临床意义的潜在表征、探索情境感知的干预轨迹并估计潜在结局分布。此外，反事实节奏策略（Counterfactual Pacing Strategy）和贝叶斯结局更新（Bayesian Outcome Updating）实现了动态轨迹模拟和不确定性感知的结局精化，提高了个体化治疗效果估计的可靠性。 结果与讨论： 在MIMIC-IV和eICU协作研究数据库上的大量实验表明，所提出的框架在个体化治疗效果估计、策略评估和结局预测方面持续优于具有代表性的统计学、神经网络和因果推断基线方法，同时保持了稳健的跨医院泛化能力。该框架为护理策略的反事实评估提供了一种有效且可推广的解决方案，支持合并心血管危险因素的肿瘤患者的个体化临床决策。

论文解读文章

一、研究背景与问题

肿瘤患者合并心血管危险因素是一个日益突出的临床挑战。这类患者同时面临癌症治疗支持和心血管监测与风险管理的双重需求，两种临床需求可能相互影响，进而影响治疗耐受性、症状负担、护理协调和长期结局。随着癌症治疗成本不断上升和复杂性持续增加，亟需创新性的护理模式，在改善患者结局的同时保障护理服务的高效与协调。传统肿瘤护理模式强调共同决策、心理社会支持和协调性服务，但在急性护理过程中，面对异质性临床数据、动态变化的心血管风险谱和不断演变的护理观察，传统模式往往缺乏动态整合的能力。

现有护理评估研究主要存在两方面不足：其一，多数研究仅描述群体层面的关联或预测已观察到的结局，未能估计个体患者在替代护理策略下的潜在结局；其二，虽然电子健康记录的日益丰富为数据驱动的肿瘤护理评估创造了新机遇，但技术驱动的护理模式仍面临数据质量、可解释性、工作流整合、患者公平性和临床可接受性等挑战。因此，需要一种能够结合临床知识、结构化患者数据、反事实推理和不确定性感知结局估计的统一计算框架，用于评估合并心血管危险因素的肿瘤患者的个体化护理策略。

二、研究内容与主要结论

针对上述局限，研究人员提出了反事实事件规划器（Counterfactual Event Planner），用于肿瘤合并心血管危险因素患者护理模式的转化评估。该框架整合了基于流形的患者表征、情境感知的干预导航、概率性结局合成、反事实轨迹模拟和贝叶斯结局更新。通过估计替代护理策略下的潜在结局，该框架旨在支持个体化评估、风险调整护理规划和临床决策支持。

研究在MIMIC-IV和eICU协作研究数据库上开展了大量实验，结果表明该框架在个体化治疗效果估计、策略评估和结局预测方面持续优于具有代表性的统计学、神经网络和因果推断基线方法，同时保持了稳健的跨医院泛化能力。该框架为护理策略的反事实评估提供了有效且可推广的解决方案，支持合并心血管危险因素的肿瘤患者的个体化临床决策。

三、关键技术方法

研究人员使用ICU入院后最初24小时内收集的结构化电子健康记录（EHR）变量，构建了包含人口统计学特征、癌症诊断信息、既往病史、心血管危险因素、生命体征、实验室检查、早期治疗记录、护理观察、监测频率、支持性护理记录及缺失指示符的特征向量。研究使用了两个公开重症监护数据库：MIMIC-IV（用于模型训练、验证和内部测试）和eICU协作研究数据库（用于外部验证）。框架核心包括四个主要技术模块：基于流形的决策模型（Manifold Based Decision Model）通过深度表征学习将高维临床特征映射到低维流形，保留临床相关结构并降低噪声；基于智能体的情境导航器（Agent based Contextual Navigator）在流形空间中探索可行的干预轨迹；概率性结局合成器（Probabilistic Outcome Synthesizer）使用策略特异的结局头参数化潜在结局分布，二分类结局采用伯努利似然，连续结局采用高斯似然；反事实节奏策略（Counterfactual Pacing Strategy）与贝叶斯结局更新（Bayesian Outcome Updating）分别实现动态轨迹模拟和不确定性感知的结局精化。

四、研究结果

3.3.1 基于流形的决策模型。 该模块将异质性的人口统计学、肿瘤学、心血管、生理、治疗和护理变量编码为潜在患者表征。编码器在MIMIC-IV训练队列的标准结构化变量上训练，解码器在观测特征掩码下重建临床变量，防止插补或不可用测量主导表征学习。同一预处理统计量和编码器参数被原样应用于验证集、内部测试集和外部eICU队列。

3.3.2 基于智能体的情境导航。 该模块利用多智能体系统在流形空间中探索，基于情境信息识别最优干预路径。在本回顾性临床设置中，导航器不通过在线试错优化，动作空间被限制为预定义的临床观察策略，即标准急性护理和强化急性护理。策略和转移参数从观测的护理分配、基线临床协变量、时间护理记录和结局标签中离线学习，保持了临床可行性。

3.3.3 概率性结局合成。 该模块整合导航器输出，模拟不同干预策略下的潜在结局。临床结局向量包括ICU死亡率、院内死亡率、心血管不良事件、ICU住院时长和临床恢复状态。二分类结局使用伯努利似然，连续结局使用具有学习均值和方差的高斯似然，实现了对结局不确定性和患者反应变异性的评估。

3.4 反事实节奏策略与贝叶斯结局更新。 反事实节奏策略将患者健康建模为受控随机过程，通过系统扰动干预向量在临床可行范围内生成反事实场景，并纳入时间一致性约束确保模拟轨迹的生理合理性。贝叶斯结局更新在纳入额外观测后精化结局估计和预测不确定性。在临床实施中，x_t为ICU入院后最初24小时的小时级患者状态，包含生命体征、实验室变量、心血管测量、治疗记录、护理观察和缺失指示符；干预向量u_t代表所实施的护理策略、生理监测频率、护理强度和支持性护理行动。转移函数在MIMIC-IV训练队列上拟合，并在eICU外部队列上不加重新拟合地进行评估。

五、讨论与结论

研究讨论指出，现有因果学习框架通常侧重于治疗效果估计本身，而护理评估需要同时表征异质性的肿瘤和心血管状况、随时间演变的护理观察、临床可行的护理轨迹以及预测结局相关的不确定性。将患者表征、情境干预导航、概率性结局估计、动态反事实轨迹模拟和不确定性感知更新整合为统一框架，可为复杂肿瘤人群的个体化护理评估提供更合适的基础。研究同时强调，可靠的临床决策支持不仅需要准确的反事实估计，还需要透明的验证、不确定性评估、人类监督以及谨慎的临床工作流整合。该框架通过模块移除实验量化了各模块对任务特定指标和整体框架性能的贡献。研究结论表明，反事实事件规划器为肿瘤合并心血管危险因素患者的护理策略评估提供了一种有效且可推广的解决方案，支持个体化临床决策和风险调整护理规划。