通过潜在剖面分析和机器学习算法表征乳腺癌患者癌症相关性疲乏的潜在亚组及预测因素

《Supportive Care in Cancer》：Characterizing potential subgroups and predictive factors of cancer-related fatigue among breast cancer patients through latent profile analysis and machine learning algorithms

　　摘要目的乳腺癌患者在治疗期间常感到疲劳，这可能会对他们的健康结果和生活质量产生不利影响。然而，关于该人群癌症相关性疲劳（CRF）的机器学习（ML）研究仍然有限。因此，本研究旨在使用癌症疲劳量表（CFS）评估CRF症状，识别CRF的潜在类别，并应用多种机器学习算法来识别关键预测因子，从而为制定针对性干预措施提供基础。方法采用横断面分层抽样方法，1005名参与者完成了自我管理的问卷，以使用CFS评估CRF症状。使用潜剖面分析（LPA）来识别CRF的潜在类别。使用五种机器学习算法来识别CRF的预测因子。结果识别出三个潜在类别：稳定疲劳组（9.8%）、低疲劳不稳定组（27.4%）和高疲劳不稳定组（62.9%）。五种机器学习模型的曲线下面积（AUC）值——K近邻（KNN）、自适应提升（AdaBoost）、高斯朴素贝叶斯（Gaussian NB）、极端梯度提升（XGBoost）和随机森林（RF）——范围在0.83到0.88之间，其中XGBoost表现最佳（AUC = 0.88）。最终的机器学习模型将感知压力、抑郁和自我同情确定为CRF最重要的预测因子。结论乳腺癌患者在治疗期间表现出疲劳症状的异质性。机器学习可能有助于识别与CRF相关的因素，包括感知压力、抑郁和自我同情。对于高疲劳不稳定组，干预措施可能针对感知压力和抑郁；对于低疲劳不稳定组，干预措施可能侧重于自我同情和压力管理；对于稳定疲劳组，干预措施可能针对焦虑减轻和社会支持增强。这种分层方法可能为临床医生制定个体化疲劳管理计划提供实用框架。目的乳腺癌患者在治疗期间常感到疲劳，这可能会对他们的健康结果和生活质量产生不利影响。然而，关于该人群癌症相关性疲劳（CRF）的机器学习（ML）研究仍然有限。因此，本研究旨在使用癌症疲劳量表（CFS）评估CRF症状，识别CRF的潜在类别，并应用多种机器学习算法来识别关键预测因子，从而为制定针对性干预措施提供基础。方法采用横断面分层抽样方法，1005名参与者完成了自我管理的问卷，以使用CFS评估CRF症状。使用潜剖面分析（LPA）来识别CRF的潜在类别。使用五种机器学习算法来识别CRF的预测因子。结果识别出三个潜在类别：稳定疲劳组（9.8%）、低疲劳不稳定组（27.4%）和高疲劳不稳定组（62.9%）。五种机器学习模型的曲线下面积（AUC）值——K近邻（KNN）、自适应提升（AdaBoost）、高斯朴素贝叶斯（Gaussian NB）、极端梯度提升（XGBoost）和随机森林（RF）——范围在0.83到0.88之间，其中XGBoost表现最佳（AUC = 0.88）。最终的机器学习模型将感知压力、抑郁和自我同情确定为CRF最重要的预测因子。结论乳腺癌患者在治疗期间表现出疲劳症状的异质性。机器学习可能有助于识别与CRF相关的因素，包括感知压力、抑郁和自我同情。对于高疲劳不稳定组，干预措施可能针对感知压力和抑郁；对于低疲劳不稳定组，干预措施可能侧重于自我同情和压力管理；对于稳定疲劳组，干预措施可能针对焦虑减轻和社会支持增强。这种分层方法可能为临床医生制定个体化疲劳管理计划提供实用框架。