肺癌患者术后肺炎风险预测模型的系统评价与Meta分析

《Frontiers in Oncology》：Risk prediction models for postoperative pneumonia in lung cancer patients: a systematic review and meta-analysis

　　

摘要专业翻译 背景： 术后肺炎（POP）是肺癌术后常见的并发症。目前已开发出大量针对POP的风险预测模型，然而，这些模型的质量和预测性能尚不明确。 方法： 研究人员在中国知网（CNKI）、万方数据库、维普数据库（VIP）、中国生物医学文献数据库（SinoMed）、PubMed、Embase、Cochrane图书馆、CINAHL以及Web of Science中进行了文献检索。检索范围涵盖自建库至2026年7月20日关于肺癌患者术后肺炎风险预测模型的研究。研究问题采用PICOTS框架构建。数据提取遵循预测建模研究系统评价的关键评估与数据提取清单（CHARMS），并采用预测模型偏倚风险评估工具（PROBAST）评估偏倚风险和适用性。Meta分析采用STATA 17.0软件进行。 结果： 共纳入来自20项研究的26个预测模型。模型主要采用logistic回归构建，其中两项研究采用了机器学习方法。常见的预测因子包括年龄、手术时间、吸烟、糖尿病、术前肺功能、慢性阻塞性肺疾病（COPD）和TNM分期。所有研究均表现出高偏倚风险，主要归因于数据来源不充分以及分析领域的报告欠佳；16项研究还引发了适用性方面的担忧，主要由于研究对象仅限于特定的肺癌亚组。Meta分析的合并曲线下面积（AUC）为0.89（95% CI：0.87-0.91）。 结论： 尽管现有的肺癌患者术后肺炎预测模型显示出良好的判别性能，但其临床应用受到高偏倚风险的限制，可能导致判别能力被高估。未来研究应开发样本量更大、设计更严谨并进行多中心外部验证的更稳健的模型。 系统评价注册： https://www.crd.york.ac.uk/prospero/，注册号CRD42024554224。

论文主体内容学术总结

1 引言

肺癌是全球重大公共卫生问题，每年新增病例约220万例，死亡约180万例，是发病率第二高且癌症相关死亡率居首位的恶性肿瘤。手术是可切除肺癌首选且最有效的治疗方式。术后肺炎（POP）是肺癌术后常见并发症，发生率高达25%，可显著延长住院时间、增加医疗费用并提高围手术期死亡率，对肿瘤治疗预后及患者总生存率产生不利影响。研究显示，适当的预防措施可降低POP风险，而预防的关键在于早期识别与预测并实施针对性干预。目前临床使用的生理学和手术严重程度评分系统（POSSUM）虽可用于预测术后并发症，但缺乏对POP的特异性，难以准确评估特定人群的风险。近年来，针对肺癌患者POP的风险预测模型研究日益增多，但仍缺乏公认的权威模型，且这些模型鲜少经过方法学质量严格评价。

2 方法

本系统评价与Meta分析遵循预测模型性能系统评价指南，并按照TRIPOD-SRMA清单进行报告，研究方案已在PROSPERO注册（ID：CRD42024554224）。

2.1 检索策略

研究人员系统检索了中国知网（CNKI）、万方数据库、维普数据库（VIP）、中国生物医学文献数据库（SinoMed）、PubMed、Embase、Cochrane图书馆、CINAHL及Web of Science等数据库，检索时间自建库至2026年7月20日。检索采用MeSH词和关键词，包括“Lung Neoplasms”“Postoperative pneumonia”“Pneumonia”“Pulmonary infection”“Infection”“Surgical Procedures, Operative”“Risk prediction model”“Prediction model”“Risk factor”“Predictor”“Risk Score”和“Predictive factors”等，同时辅以参考文献追溯以增强检索全面性。研究问题通过PICOTS框架构建。

2.2 纳入与排除标准

纳入标准包括：研究对象为确诊肺癌患者；研究设计为观察性研究；研究报告了预测模型；研究结局聚焦于POP。排除标准包括：未报告预测模型的研究；结局仅限于特定POP亚组的研究；非英文或中文发表的研究。

2.3 研究筛选与数据提取

两名研究人员独立完成研究筛选和数据提取，分歧通过讨论解决，必要时咨询第三名研究人员达成共识。采用EndNote20去重，依据预设纳入与排除标准先进行标题和摘要初筛，再进行全文评估确定最终纳入研究。数据提取基于CHARMS清单制定标准化表格，提取内容包括研究特征（第一作者、发表年份、国家、研究设计、数据来源、研究人群、样本量、结局定义）及模型特征（建模方法、变量选择方法、连续变量处理方式、预测因子数量与名称、模型开发方法、验证方法、模型性能指标及模型呈现形式）。

2.4 质量评价

两名研究人员采用PROBAST清单独立评估纳入研究的偏倚风险与适用性。该清单涵盖研究对象、预测因子、结局和分析四个领域，共20个指示性问题，答案选项为“是”“可能是”“否”“可能否”或“无信息”。若某领域内至少一个指示性问题回答为“否”或“可能否”，则该领域被判定为高偏倚风险。仅当所有领域均评估为低风险时，研究总体偏倚风险方可判定为低。

2.5 数据合成与统计分析

采用Stata 17.0软件对已验证模型的AUC值进行Meta分析。研究间异质性通过I²指数和Cochrane Q检验评估，I²值25%、50%和75%分别代表低、中、高度异质性。根据异质性结果选择固定或随机效应模型。采用Egger检验检测发表偏倚，P<0.05提示存在发表偏倚。通过敏感性分析评估Meta分析汇总结果的稳健性与可靠性。

3 结果

3.1 研究筛选

共检索到3,044篇相关研究，经筛选最终纳入20项研究。

3.2 研究特征

纳入的20项研究发表于2019年至2025年间，均在中国开展。其中17项为回顾性研究，2项为前瞻性队列研究（含1项多中心研究）。研究对象方面，4项研究聚焦于腺癌或鳞状细胞癌肺癌患者，8项研究针对非小细胞肺癌（NSCLC）患者，其余8项未限定肺癌类型。手术方式方面，10项研究纳入接受胸腔镜手术的患者，5项研究涵盖开胸及胸腔镜手术患者，4项未报告具体手术方式。样本量范围为72至5,269例，共涉及18,558例肺癌患者，POP发生率介于1.7%至27.8%之间。

3.3 模型信息

纳入研究主要采用logistic回归构建模型，其中两项研究采用了机器学习方法。20项研究共确定40个最终预测因子，最常用的预测因子包括年龄（12项研究）、手术时间（10项）、吸烟（9项）、糖尿病（7项）、术前肺功能（6项）、慢性阻塞性肺疾病（COPD）（5项）和TNM分期（5项）。其他预测因子如切除范围、术中出血量、ASA分级、机械通气时间、C反应蛋白（CRP）、白蛋白、白细胞计数、体质指数（BMI）、引流留置时间、全身免疫炎症指数（SII）、降钙素原（PCT）、高迁移率族蛋白B1（HMGB1）及手术方式等各见于1至4项研究。报告AUC范围为0.670至0.963。

3.4 偏倚风险与适用性评估

所有纳入研究均被评估为高偏倚风险。在研究对象领域，17项研究因数据来源不当被判定为高偏倚风险。在预测因子领域，4项研究因预测因子与结局指标定义相似而存在不清楚的偏倚风险，3项研究因未提供模型使用时所有预测因子的信息而存在不清楚的偏倚风险。在结局领域，8项研究被判定为高偏倚风险，其中4项研究在定义结局时未排除预测因子相关信息，4项研究未确保预测因子评估与结局判定之间有适当的时间间隔。在分析领域，18项研究呈高偏倚风险，主要问题包括样本量不足（未达到每变量事件数（EPV）大于20的指南要求）、连续变量转换为分类变量、基于单因素分析选择变量、未全面评估模型预测性能、未处理过拟合与欠拟合问题以及未披露多因素回归模型中预测因子的系数等。适用性评估方面，16项研究因研究对象局限于特定肺癌亚组（如特定病理类型、老年患者或胸腔镜手术患者）而被判定为高适用性风险。

3.5 纳入验证模型的Meta分析

共有来自15项研究的21个预测模型符合纳入标准。采用随机效应模型计算的合并AUC为0.89（95% CI：0.87-0.91），I²值为92.8%（p<0.001），提示研究间存在高度异质性。Egger检验值为2.243（p=0.016），提示存在显著发表偏倚。

3.6 敏感性分析

逐一排除各模型后，合并效应量未见显著变化，表明研究结果具有较强的稳健性和可靠性。

3.7 亚组分析

根据是否进行外部验证对21个预测模型进行亚组分析，排除1个未报告验证方法的模型后，其余20个模型纳入分析。内部验证亚组异质性显著（I2=92.9%，p<0.001）；同时进行内部与外部验证的亚组亦表现出显著异质性（I2=85.0%，p<0.001）。

4 讨论

多项研究表明，肺癌患者较其他癌症患者更易发生术后肺部并发症。通过早期识别和预测并实施针对性干预可降低POP风险。本综述显示，针对肺癌患者POP的风险预测模型数量日益增多，但这些模型主要基于中国患者数据。共评估了来自20项研究的26个预测模型，其预测性能为中等至优秀，AUC范围为0.670至0.963。然而，根据PROBAST评估，所有研究均存在高偏倚风险，限制了这些模型的临床应用价值。Meta分析中21个已验证模型的合并AUC为0.89（95% CI：0.87-0.91），但模型间异质性显著，可能源于不同模型在方法学、预测因子及人群方面的差异。纳入研究多采用内部验证，且仅合并AUC而未合并校准度等数据，可能导致AUC被高估。未来研究应优先开发质量更高的新模型。在模型开发过程中，两项研究专门针对老年肺癌患者，但POP可影响各年龄段患者，需对所有年龄段人群进行筛查。Bian等的研究采用前瞻性队列设计且样本量较大，但缺乏外部验证；而部分研究虽样本量大且进行了内部与外部验证，但采用回顾性设计，引入高偏倚风险。多数模型基于logistic回归构建，机器学习方法可能有助于解决样本量、连续变量处理、预测变量选择及模型评估等问题，但仅有少数研究应用了机器学习，且因缺乏外部验证，模型的可重复性和泛化能力尚不明确。临床相关性方面，年龄是公认的POP危险因素，医务人员应特别警惕老年肺癌患者的POP风险；手术时间延长与POP风险增加相关，但不应盲目缩短手术时间，而应在不损害安全的前提下优化手术策略；吸烟是充分证实的POP危险因素，术前戒烟具有获益；糖尿病亦与POP风险增加相关；第一秒用力呼气容积（FEV1）是重要的预测因子，但各研究采用的具体FEV1值存在差异。既往肺炎和术后淋巴细胞减少症已被证实为肺癌患者POP的影响因素，但纳入的预测模型未涵盖这些因素，未来可进一步研究其预测价值。

5 结论

本系统评价涵盖20项研究的26个模型，21个验证模型的合并AUC为0.89（95% CI：0.87-0.91），提示具有合理的判别能力；然而，高偏倚风险限制了其临床应用，可能导致判别能力被高估。所有纳入研究经PROBAST评估均为高偏倚风险，16项研究存在适用性担忧。因此，当前肺癌患者POP预测模型尚未达到PROBAST标准。研究人员应遵循TRIPOD声明的报告指南并熟悉PROBAST清单以提高研究质量。未来针对肺癌患者POP风险预测模型的研究应侧重于开发样本量更大、研究设计更严谨并进行多中心外部验证的新模型。