《Frontiers in Psychiatry》：Risk prediction models for fear of cancer recurrence in patients with cancer: a systematic review
编辑推荐：
背景： 癌症幸存者对癌症复发的担忧严重影响其生活质量。预测模型能够实现对这一问题的及时识别并实施干预。近年来，已构建大量模型用于预测癌症患者疾病复发的可能性。然而，这些模型的方法学严谨性和临床适用性仍需进一步阐明。
目的： 对现有的癌症复发恐惧预测模型进行系统
背景： 癌症幸存者对癌症复发的担忧严重影响其生活质量。预测模型能够实现对这一问题的及时识别并实施干预。近年来，已构建大量模型用于预测癌症患者疾病复发的可能性。然而，这些模型的方法学严谨性和临床适用性仍需进一步阐明。
目的： 对现有的癌症复发恐惧预测模型进行系统性评估。
方法： 系统检索PubMed、Cochrane Library、Embase和Web of Science四个数据库，检索时间范围为各数据库建库至2025年12月31日。由两名研究人员基于系统评价预测模型研究的关键评估和数据提取清单独立进行数据提取。采用预测模型偏倚风险评估工具（PROBAST）评估纳入模型的质量。
结果： 共检索到1,137篇文章，最终纳入9项研究中的15个模型。逻辑回归（Logistic Regression）和机器学习是模型开发中最常用的方法。所开发模型的曲线下面积（AUC）值范围为0.66至0.9786，而验证研究中报告的AUC值范围为0.83至0.949。所有模型均未进行外部验证。所有风险预测模型均表现出高偏倚风险，主要原因是数据来源不恰当和方法学缺陷。社会支持、年龄和受教育水平被确定为常见的预测因素。
结论： 当前癌症复发恐惧风险预测模型具有良好的区分能力。然而，大多数纳入研究为单中心回顾性研究，样本量较小且缺乏外部验证；这些研究存在显著的方法学局限性，限制了其临床适用性。未来研究人员应按照PROBAST指南开发预测模型，增强方法学严谨性，并进行内部和外部验证。
系统评价注册： https://www.crd.york.ac.uk/PROSPERO/recorddashboard，标识号CRD420261288735。
论文主体内容总结
1 引言
在全球范围内，癌症是导致死亡的主要原因之一。据国际癌症研究机构报告，2020年全球估计有1,930万新发癌症病例和近1,000万癌症相关死亡。尽管诊断和治疗技术近年来持续进步，患者生存率显著提高，但癌症复发恐惧（fear of cancer recurrence, FCR）已成为患者康复期间的关键心理问题。FCR被定义为"患者对癌症可能复发或进展的恐惧、担忧或焦虑"。研究表明，超过50%的癌症幸存者遭受显著的癌症复发恐惧。
多种因素促成癌症患者的复发恐惧，包括缺乏家庭和社会支持、晚期肿瘤分期、疾病接受度差以及心理韧性水平低。此外，高水平的FCR可能导致生活质量下降、抑郁状况恶化以及疾病康复不良。研究表明，认知行为疗法可以减轻患者的癌症复发恐惧，早期干预能显著改善患者的生活质量。因此，早期识别高风险人群并及时干预至关重要。
常用的工具如癌症复发恐惧量表（FCR Scale）和简化疾病进展恐惧量表（FOP-Q-SF）主要用于筛查处于FCR状态的癌症患者，而非识别高风险人群；此外，这些量表包含的指标相对有限。预测模型通过结合多个预测因素可以估计个体经历特定结局的风险，从而实现早期发现和早期干预。因此，开发有效的风险预测模型对于早期识别高风险个体和实施个体化干预具有深远的临床意义。
2 方法
研究方案已在国际系统评价前瞻性注册库（PROSPERO）注册，注册号为420261288735。
2.1 检索策略
系统检索PubMed、Cochrane Library、Embase和Web of Science四个数据库，检索时间范围为各数据库建库至2025年12月31日。检索关键词包括癌症相关术语、复发恐惧相关术语以及预测模型相关术语。此外，研究人员还检查了检索到的研究和相关文章的参考文献以识别潜在相关研究。本研究采用预测建模研究系统评价关键评估与数据提取清单（CHARMS）推荐的PICOS体系对研究人群、干预、对照、结局和场景进行全面描述。
2.2 纳入和排除标准
纳入标准包括：（1）研究对象为癌症患者；（2）研究设计仅包括前瞻性或回顾性队列研究和横断面研究；（3）研究聚焦于构建、验证或更新癌症患者复发恐惧风险评估的预测模型；（4）关注结局为复发恐惧。排除标准包括：（1）仅报告风险因素而未构建预测模型的研究；（2）预测变量少于两个的预测模型研究；（3）非英文发表的研究；（4）无法获取全文的研究；（5）系统评价、荟萃分析、会议摘要和病例报告及重复发表。
2.3 研究筛选
两名研究人员独立筛选符合条件的文献、提取数据并交叉核对数据。如两名作者对个别文献存在分歧，则加入第三名作者，由三位作者共同讨论决定。首先将检索到的记录导入EndNote X9软件并去除重复项，然后通过阅读文献标题和摘要排除不相关文章，并进行全文审查以最终确定纳入。
2.4 数据提取
两名研究人员使用基于CHARMS的标准化表格独立提取数据并由独立研究人员交叉核对。提取的数据包括：（1）基本信息：作者、发表年份、国家、研究设计、数据来源、场景、参与者特征、结局、结局测量、样本量、事件数和候选预测因子；（2）模型信息：缺失数据处理方法、连续变量处理方法、预测因子选择方法、模型开发方法、模型验证方法、模型区分度和校准度、模型最终预测因子以及模型呈现形式。
2.5 偏倚风险评估和应用评估
两名研究人员使用预测模型偏倚风险评估工具（PROBAST）评估每项纳入研究的偏倚风险和适用性。该工具包括四个关键领域（参与者、预测因子、结局和分析）和20个问题。当所有领域均被评为低风险时，总体偏倚风险为低风险；当一个或多个领域被评为高风险时，偏倚风险为高风险。
2.6 数据合成
鉴于纳入研究在参与者特征、预测因子和建模方法上存在显著差异，采用叙述性综合方法呈现结果。
3 结果
3.1 研究筛选
使用系统评价和荟萃分析报告项目（PRISMA）2020流程图进行筛选。共从数据库检索到1,137篇文章，排除261篇重复文章。阅读标题或摘要后排除864篇文章，最终纳入9篇文章。
3.2 纳入研究的特征
9项研究发表于2024年至2025年之间，包含来自中国（n = 8）和法国（n = 1）的癌症患者。13个模型基于横断面数据开发。模型开发的参与者人数范围为202至918人。最常用的评估工具为简化疾病进展恐惧量表（FOP-Q-SF）（n = 4）、简化癌症复发恐惧量表（FCRI-SF）（n = 4）和癌症复发恐惧量表（FCRI）（n = 1）。
3.3 模型开发特征
在候选预测因子方面，所有研究均采用了多种因素，包括社会人口学特征、疾病相关因素和心理因素；三项研究还纳入了实验室参数。候选预测因子数量范围为11至29个。最终预测因子范围为3至8个，其中社会支持、年龄和受教育水平是常见预测因子。在缺失值处理方面，四项研究仅纳入数据完整的病例，其余研究未明确其处理方法。七项研究对连续变量进行了分类处理。在模型开发方面，四项研究使用多变量逻辑回归选择最终预测因子，五项研究采用机器学习方法——包括随机森林（Random Forest, RF）、贝叶斯超参数优化、支持向量机（Support Vector Machine, SVM）和梯度提升（Gradient Boosting, GB）。
3.4 模型验证特征
八项研究报告了所开发模型的AUC值，范围为0.66至0.9786；五项研究报告了验证模型AUC值，范围为0.83至0.949。在模型校准方面，五项研究使用Hosmer-Lemeshow检验和校准曲线等方法报告了校准性能。一项研究开发的深度森林模型显示出最优的区分能力，优于传统机器学习和常规回归模型，验证模型AUC为0.928（95% CI: 0.856–0.965），F1得分为0.889，准确率为0.900。在模型验证方面，三项研究未进行任何验证，六项研究仅进行内部验证，其中bootstrap方法是最常用的方法，所有纳入研究均未进行外部验证。四项研究报告了模型的敏感性和特异性。一项研究报告了模型的准确率、精确率、召回率和F1得分。一项研究进行了决策曲线分析（DCA），显示出良好的临床适用性。在呈现形式上，两个模型使用公式结合列线图展示，三个模型仅以列线图形式呈现。
3.5 偏倚风险和适用性总结
PROBAST分析显示，所有九项纳入研究在参与者风险评选中均表现出高偏倚风险，主要原因是所有研究均为横断面或回顾性队列研究——这些设计不符合PROBAST的数据来源要求，可能引入回忆偏倚，且均未采用随机抽样方法。在预测因子风险评选中，一项研究为高风险，一项为不清楚风险，七项为低风险。在结局风险评选中，两项研究为高风险，一项为不清楚风险，六项为低风险。在统计分析风险评选中，所有九项研究均被归类为高风险，具体表现为：所有研究均采用单因素分析识别预测因子，可能忽略变量间的交互作用；五项研究未报告缺失数据处理方法；三项研究未进行模型验证，六项仅进行内部验证，均未进行独立外部验证；三项研究未说明是否处理了多重共线性或非线性关系等数据复杂性；三项研究未报告模型校准方法；两项研究报告每变量事件数（EPV）小于20。在适用性评估中，三项研究被归类为低适用性，其余六项为高适用性，主要原因是获取某些预测因子需要检索病历以及纳入实验室参数，数据获取难度大，临床可行性较差。
4 讨论
本系统评价纳入九项研究报告的15个癌症复发恐惧预测模型。八项研究提供了开发模型的AUC值，范围为0.66至0.9786，验证模型的AUC值范围为0.83至0.949。当前用于预测癌症复发风险的预测模型具有较强的区分能力。然而，PROBAST分析结果表明所有纳入研究均存在显著的偏倚风险，主要与参与者选择和分析方法有关。
参与者选择方面的显著偏倚风险主要源于不恰当的数据来源：所有九项纳入研究均为横断面或回顾性队列研究，容易产生受试者记忆偏倚、信息不完整和关键预测因子缺失等风险。根据PROBAST指南，使用前瞻性队列研究、随机对照试验（RCT）或巢式病例对照设计可以有效提高结论的可信度。
一些研究采用单因素和多因素筛选相结合的方法识别预测因子，但此类方法可能存在预测因子纳入不完整或因数据缺失而遗漏潜在预测因子等问题。研究表明，使用LASSO回归等技术进行变量筛选可以有效降低模型过拟合风险并提高变量选择的准确性。
在分析领域，所有九项纳入研究均表现出高偏倚风险。两项研究报告EPV小于20，低EPV可能导致模型过拟合。在缺失值处理方面，五项研究未报告处理方法，四项仅使用完整数据，可能引入偏倚。多重插补是处理缺失值的最优方法。除一项研究外，所有研究均对连续变量进行分类处理，可能导致信息丢失和不可靠的结局。为减少变量分类产生的偏倚，建议研究人员使用原始数据进行统计分析；当连续变量与结局之间存在非线性关系时，可采用限制性立方样条等统计方法。在建模方法和应用方面，大多数研究采用逻辑回归模型，而其他研究使用随机森林、支持向量机和梯度提升等机器学习方法。一项研究比较了森林模型与逻辑回归模型和机器学习方法，显示出优越的预测性能；然而，这些方法也存在显著局限性——如数据要求严格和可解释性差。因此，选择模型时必须仔细权衡模型可解释性与模型性能之间的取舍。此外，内部验证和外部验证是评估模型稳定性和可靠性的关键方法。超过一半的纳入研究进行了内部验证，但没有一项进行独立的外部验证。决策曲线可有效评估预测模型的临床适用性，但本系统评价中仅有一项研究使用了决策曲线分析。校准是评估临床预测模型的关键指标，反映模型预测概率与实际观察概率之间的一致性。本评价中五项研究使用Hosmer-Lemeshow检验或校准曲线等技术进行了校准评估，但四项研究未报告校准结果。尽管大多数模型的AUC值超过0.8时表现出良好的区分能力，但校准数据的缺失可能增加模型偏倚风险并限制对模型性能的全面评估。
预测因子是预测模型的关键组成部分并影响其临床适用性。社会支持是本系统评价中预测癌症患者复发恐惧模型最常见的预测因子。较高的社会支持水平与较低的癌症复发恐惧相关。强大的社会支持可以为癌症患者提供坚实的经济支持和心理关怀。此外，年龄、受教育水平和肿瘤大小也是重要的预后因素。
5 局限性
本系统评价存在若干局限性。仅纳入英文发表的研究，可能引入一定偏倚。在纳入研究中，仅一项在法国开展，其余均为在中国开展的调查研究，可能存在地域差异。此外，由于纳入研究之间存在显著异质性——包括样本来源、使用的预测因子和建模方法的差异——无法对癌症患者复发恐惧预测模型的性能进行定量分析。大多数纳入研究仅进行了内部验证而未进行外部验证，限制了其普适性。纳入研究采用了两种不同的测量工具——FCR和FOP-Q-SF——可能影响研究结果的解释和可比性。
6 结论
当前癌症复发风险预测模型具有良好的区分能力。然而，根据PROBAST工具评估，所有模型均表现出高偏倚风险。未来研究人员应按照PROBAST指南开发预测模型，并结合临床情境改进研究设计和方法学，以减少偏倚并增强模型普适性。此外，全面的内部和外部验证对于开发具有临床实用性、可行性和科学有效性的预测工具至关重要。
