《Current Oncology》：Analysing Emotional Well-Being in Cancer Patients: A Natural Language Processing Approach to Correlating Text with Hospital Anxiety and Depression Scale Scores
编辑推荐：
背景：心理困扰（psychological distress），特别是焦虑（anxiety）和抑郁（depression），在癌症患者中高度流行，并与生活质量受损、治疗依从性降低以及死亡率增加相关。标准化筛查工具，如医院焦虑抑郁量表（Hospital Anxi
背景：心理困扰（psychological distress），特别是焦虑（anxiety）和抑郁（depression），在癌症患者中高度流行，并与生活质量受损、治疗依从性降低以及死亡率增加相关。标准化筛查工具，如医院焦虑抑郁量表（Hospital Anxiety and Depression Scale, HADS），虽然有效，但在繁忙的肿瘤门诊环境中面临实施障碍。这项横断面研究调查了基于BERT的自然语言处理（Natural Language Processing, NLP）分析简短患者自发生成文本是否与连续入组的癌症门诊患者的HADS评分相关。材料与方法：共纳入165名在土耳其一家三级肿瘤中心连续就诊的成年癌症门诊患者。所有参与者完成了HADS问卷，并被要求用土耳其语自由书写当前情绪状态。研究人员使用预训练的土耳其语BERT模型分析患者生成文本，通过无监督层次聚类（unsupervised hierarchical clustering）推导出连续型BERT情感评分（BERT Sentiment Score, BSS）和分类型BERT情感聚类（BERT Sentiment Cluster, BSC）。进行单变量和多变量线性回归分析，以检查临床、人口统计学和NLP衍生变量与对数转换后HADS评分之间的关联。结果：平均总HADS评分为10.46（范围0–33），与中度心理困扰水平一致。在多变量分析中，两个变量与HADS评分独立相关：女性性别（β = 0.20, t = 2.14, p = 0.034），与更高HADS评分相关；以及BERT情感评分（BSS）（β = ?0.18, t = ?2.43, p = 0.016），较高值对应较低HADS评分。层次聚类识别出两个不同的主题组：‘应对与战斗精神（Coping and Fighting Spirit）’（74%）和‘希望与负面感受（Hope and Negative Feelings）’（26%）；然而，聚类成员（BSC）与HADS评分无独立关联（β = ?0.02, p = 0.789）。临床变量，包括癌症分期、诊断类型、治疗状态和诊断后时间，也与HADS评分无独立关联。结论：基于BERT的简短患者自发生成文本情感分析产生了一个连续测量指标，该指标与癌症门诊患者的HADS评分独立相关，女性性别也是如此。这些发现提供了概念验证证据，表明NLP衍生的情感评分可能为常规肿瘤护理中的标准化心理筛查提供一种实用、可扩展且互补的方法。
**论文解读文章**
### 研究背景与问题
癌症是全球性的公共卫生挑战，据GLOBOCAN 2022估计，2022年全球新增约2000万癌症病例，预计到2050年将增至3500万。除身体负担外，癌症诊断还带来深刻且持续的心理负担，焦虑和抑郁是患者中最常见的精神合并症。大型荟萃分析显示，约30%至40%的肿瘤患者和姑息治疗患者存在某种形式的情感障碍，而标准化诊断访谈评估的四周内任何精神障碍患病率约为32%，其中焦虑和适应障碍最为普遍。研究表明，抑郁和焦虑与生活质量下降、治疗依从性降低和死亡率增加相关。因此，国际临床指南（如欧洲肿瘤内科学会（European Society for Medical Oncology, ESMO）和美国国家综合癌症网络（National Comprehensive Cancer Network, NCCN））强调将心理困扰的系统评估和管理纳入癌症综合护理。
医院焦虑抑郁量表（Hospital Anxiety and Depression Scale, HADS）是肿瘤领域广泛使用的筛查工具，具有14个条目，避免躯体症状重叠，且其土耳其语版本已获得验证。然而，在繁忙的肿瘤门诊中实施HADS等结构化工具面临挑战，包括有限的就诊时间、患者疲劳以及行政管理负担。这促使研究人员对数字健康技术和人工智能产生兴趣，以用于日常肿瘤护理中的情感监测。自然语言处理（Natural Language Processing, NLP），特别是基于Transformer的架构如双向编码器表示（Bidirectional Encoder Representations from Transformers, BERT），能够通过双向注意力机制捕捉自由文本中的细微情感内容，已有研究在患者门户消息、初始肿瘤咨询记录中应用BERT识别抑郁相关担忧或预测转诊需求。然而，此前研究尚未探讨BERT情感评分与验证性心理筛查工具（如HADS）在连续癌症门诊患者群体中的直接关联。
### 研究内容与意义
研究人员在土耳其一家三级肿瘤中心的私立医院门诊招募了165名连续就诊的成年癌症门诊患者，所有参与者完成HADS问卷并用土耳其语自由书写当前情绪状态。通过预训练的土耳其语BERT模型分析文本，获得连续型BERT情感评分（BERT Sentiment Score, BSS）和基于无监督层次聚类的分类型BERT情感聚类（BERT Sentiment Cluster, BSC）。单变量和多变量线性回归分析显示，BSS和女性性别与对数转换后的HADS评分独立相关（BSS的β=-0.18, p=0.016；女性性别的β=0.20, p=0.034），而BSC和临床变量（癌症分期、诊断类型、治疗状态、诊断后时间）无独立关联。研究结论表明，基于NLP的情感评分可能为标准化心理筛查提供一种实用、可扩展且互补的方法。该论文发表于《Current Oncology》。
### 主要关键技术与方法
研究人员采用横断面研究设计，从土耳其一家三级肿瘤中心的私立医院门诊连续入组165名成年癌症门诊患者（中位年龄61岁，女性占61%）。关键技术方法包括：（1）使用预训练的土耳其语BERT模型（dbmdz/bert-base-turkish-cased）进行情感分析，在句子层面输出情感极性，再综合为每位患者的连续型BERT情感评分（BSS）；（2）通过无监督层次聚类（基于BERT嵌入）将患者分为两个情感聚类（BSC）；（3）对HADS总分进行对数转换后，使用单变量和多变量线性回归分析（SPSS 21与Python库）检验变量关联。样本队列来源已注明为土耳其一家三级肿瘤中心。
### 研究结果
#### 3.1 患者特征
共纳入165名连续就诊的癌症门诊患者，中位年龄61岁（范围31–81岁），50%为≤60岁，50%为>60岁；女性占61%（n=101）。未提供详细表格内容，但归纳了人口统计学和临床特征。
#### 3.2 HADS评分、文本数据与NLP分析
平均总HADS评分为10.46（中位数10，范围0–33），表明该队列处于中度心理困扰水平。患者平均书写2.34个句子（中位数2，范围0–10）。层次聚类识别出两个主题组：较大的组（Cluster 0, n=122, 74%）以积极应对和韧性为主题，标记为“应对与战斗精神（Coping and Fighting Spirit）”；较小的组（Cluster 1, n=43, 26%）交织着希望与负面情绪，标记为“希望与负面感受（Hope and Negative Feelings）”。
#### 3.3 回归分析
单变量分析中，年龄（β=?0.17, p=0.034）、性别（β=0.26, p=0.001）和BERT情感评分（β=?0.21, p=0.008）显著相关。多变量分析中，仅性别（女性β=0.20, t=2.14, p=0.034）和BERT情感评分（β=?0.18, t=?2.43, p=0.016）保持独立关联：女性性别与更高HADS评分相关，更高（更积极）的BSS与更低（更好）的HADS评分相关。BERT情感聚类（BSC）不显著（β=?0.02, p=0.789）。
### 讨论与结论
讨论部分指出，这是首批系统地将BERT衍生NLP分析（基于简短自发性患者文本）与已验证心理筛查工具（HADS）相关联的横断面研究之一。主要发现为BSS与HADS独立关联，而临床变量（分期、诊断类型、治疗状态、时间）无独立关联，这与其他研究一致，即客观临床特征不能直接预测心理困扰程度。女性性别的独立关联复制了已有文献。BSC无显著关联，表明连续型BSS比二元聚类更能捕捉情感状态的细粒度变异。NLP方法具有实际优势：自由文本任务简短自然，自动化分析可大规模实施，且土耳其语BERT模型可扩展至多语言环境。局限性包括：单中心私立医院背景影响外推性；横断面设计无法评估纵向变化；教育水平和表达能力可能影响文本质量。未来需在更大、前瞻性多中心队列中验证。
研究结论部分翻译如下：在这项针对165名连续癌症门诊患者的横断面研究中，源自简短患者自发生成文本的BERT情感评分（BSS）和女性性别在多变量调整后与总HADS评分独立相关。BERT情感聚类（BSC）显示出定性不同的主题内容，但未独立预测HADS评分。这些发现表明，基于NLP的简短患者叙事分析可为肿瘤环境中的情感监测提供一种实用、可扩展且互补的方法，并对将人工智能工具整合到常规癌症护理中具有潜在意义。
