基于临床数据的奥沙利铂诱导周围神经病变的可解释性预测机器学习模型：一项回顾性单中心研究

《Supportive Care in Cancer》：An explainable predictive machine learning model of oxaliplatin induced peripheral neuropathy based on clinical data: a retrospective single center

　　

摘要

背景

奥沙利铂（OXA）广泛用于治疗结直肠癌等胃肠道恶性肿瘤。然而，奥沙利铂引起的周围神经病变（OIPN）是一种常见且具有特征性的不良反应，发病率很高。OIPN表现为四肢麻木和感觉异常，会限制药物剂量，且往往不可逆，严重影响患者的生活质量。目前的评估主要依赖于主观症状，缺乏有效的预测模型。

方法

这项单中心回顾性队列研究纳入了829名接受奥沙利铂化疗的结直肠癌患者。通过Lasso回归、Boruta算法、递归消除特征交叉验证（REFCV）和梯度提升决策树（GBDT）从104个潜在变量中筛选出14个核心特征。开发并评估了5个机器学习模型。使用五折交叉验证进行模型优化，并通过接收者操作特征曲线下面积（AUC）、校准曲线和决策曲线分析（DCA）等指标评估模型性能。采用SHAP（Shapley Additive Explanations）分析来解释模型，并开发了一个在线风险计算器。

结果

GBDT模型表现最佳，在训练集中的AUC为0.997（95% CI：0.994–1.000），在验证集中的AUC为0.908（0.854–0.962），在内部测试集中的AUC为0.892（0.837–0.947）。观察到较高的校准准确性，DCA显示了显著的净收益。SHAP分析确定累积奥沙利铂剂量（Total OXA）、体重指数（BMI）、癌胚抗原（CEA）、载脂蛋白A1（APOA-1）、性别和寒冷暴露（ETCO）是OIPN的六大核心预测因子，其中总奥沙利铂剂量（Total OXA）的影响最为显著且具有剂量依赖性。

结论

本研究表明，GBDT机器学习模型能够有效预测结直肠癌患者的OIPN风险。结合SHAP分析后，模型的可解释性得到了提升。开发的在线计算器为早期临床识别高风险患者和制定个性化干预策略提供了可靠的工具。