《European Journal of Oncology Nursing》：Postoperative Weight Loss Trajectories and Early Risk Stratification in Gastric Cancer Patients Receiving Adjuvant Chemotherapy After Gastrectomy
编辑推荐：
中文翻译：
摘要
目的：识别胃切除术后前六个月的术后体重减轻轨迹，并开发一个可解释的机器学习模型，以在辅助化疗前预测快速体重下降。
方法：这项单中心回顾性队列研究纳入了546例接受根治性胃切除术并随后接受辅助化疗的患者。患者被分为训练队列（n = 435）和独
中文翻译：
摘要
目的：识别胃切除术后前六个月的术后体重减轻轨迹，并开发一个可解释的机器学习模型，以在辅助化疗前预测快速体重下降。
方法：这项单中心回顾性队列研究纳入了546例接受根治性胃切除术并随后接受辅助化疗的患者。患者被分为训练队列（n = 435）和独立测试队列（n = 111）。基于群组的轨迹建模（Group-based trajectory modelling, GBTM）仅在训练队列中拟合，并将固定参数应用于测试队列。六种机器学习模型使用了首次化疗周期入院时可获得的预测变量。通过区分度、校准度和决策曲线分析评估性能，并使用SHapley Additive exPlanations（SHAP）解释最终模型。
结果：识别出三种轨迹：稳定型（n = 177，32.4%）、中度下降型（n = 279，51.1%）和快速下降型（n = 90，16.5%）。快速下降轨迹在术后第6个月时体重减轻约达到22%。CatBoost在测试队列中显示了最佳的整体性能，受试者工作特征曲线下面积（area under the receiver operating characteristic curve, AUC）为0.808（95%置信区间，0.695–0.902），Brier评分为0.112，校准斜率为0.954。决策曲线分析表明，在约5%–30%的阈值概率范围内，其净获益高于全部治疗和全部不治疗策略。术前体重指数、组织学亚型和消化道重建是主要的预测因素，而心理社会变量提供了补充信息。
结论：术后体重减轻遵循不同的轨迹。CatBoost可能在辅助化疗开始时识别出有快速、持续体重下降风险的患者。在临床实施之前，需要进行外部多中心验证。
**论文解读：基于轨迹建模与机器学习预测胃癌术后辅助化疗患者快速体重下降风险**
**1. 研究背景与问题**
胃癌是全球尤其是中国重要的健康负担。对于可切除的胃癌，根治性胃切除术联合辅助化疗是标准治疗，但术后体重下降在治疗和康复期间极为常见。显著的体重下降与营养状况恶化、治疗耐受性降低、生活质量受损以及辅助化疗完成率下降密切相关。因此，早期识别可能经历持续性体重下降的患者，对于及时进行营养评估和支持治疗至关重要。然而，胃切除术后体重变化的进程具有高度异质性：部分患者体重相对稳定，另一些则经历渐进性或快速下降。传统的单一时间点测量或固定阈值（如6个月内体重下降>10%）无法充分区分早期、进展性和持续性的体重下降模式。基于群组的轨迹建模（Group-based trajectory modelling, GBTM）能够通过识别具有不同时间模式的患者亚组，提供更具信息量的表征。在首次辅助化疗周期入院时，临床医生需要识别那些在未来可能发生快速体重下降的高危患者，以便在严重恶化发生前进行干预。然而，常规营养筛查工具主要描述当前营养风险，并非设计用于预测患者后续的体重变化模式；已有的预测模型多关注特定时间点的营养不良或体重下降，对于识别快速且持续的体重下降轨迹的能力尚不确定。由于术后体重变化可能涉及人体测量、肿瘤、手术、实验室、治疗和心理社会因素之间的非线性交互作用，机器学习为整合这些领域提供了一个实用框架，但模型预测必须具有可解释性并与临床护理评估挂钩。
**2. 研究目的**
本研究旨在利用GBTM识别胃切除术后前六个月术后体重下降百分比（%WL）的不同轨迹，并开发、比较仅利用首次辅助化疗入院时或之前可获得的信息来预测快速下降轨迹的机器学习模型，最终在独立测试队列中评估模型的区分度、校准度和临床净获益，并使用SHAP分析预测因子贡献，以支持模型作为早期风险分层辅助工具的应用。
**3. 研究方法（关键技术）**
研究人员开展了一项单中心回顾性队列研究，纳入了2020年3月至2024年9月期间在江苏省中医院接受根治性胃切除术并随后接受辅助化疗的546例胃癌患者。患者按80%和20%分层随机分为训练队列（n = 435）和独立测试队列（n = 111）。训练队列专属用于GBTM轨迹拟合、数据预处理、特征选择、模型训练和超参数优化，测试队列仅用于轨迹类别分配和最终性能评估。研究人员采用基于群组的轨迹建模（GBTM）识别体重下降轨迹；使用最小绝对收缩和选择算子（LASSO）逻辑回归进行特征选择；随后训练六种机器学习算法：XGBoost、随机森林（Random Forest）、CatBoost、k近邻（k-Nearest Neighbours）、弹性网络（Elastic Net）和人工神经网络（Artificial Neural Network）。超参数通过Optuna进行五折交叉验证优化。模型性能通过受试者工作特征曲线下面积（AUC）、准确率、召回率、F1分数、Brier评分和校准斜率评估，临床效用通过决策曲线分析（DCA）评估，模型可解释性通过SHAP分析实现。研究还从前瞻性维护的整体护理评估数据库中获取了心理社会变量（如恐惧疾病进展、心理弹性、自我效能和社会支持）。
**4. 研究结果**
**4.1 不同轨迹的体重变化**
GBTM识别出三个轨迹组：稳定型（32.4%）、中度下降型（51.1%）和快速下降型（16.5%）。稳定型在六个月内平均体重下降约4%；中度下降型从1个月的6.5%逐渐增加到6个月的9%；快速下降型从1个月的11%增加到6个月的22%，且增加幅度在第四个月后趋于平缓。
**4.2 基线特征**
共有546例患者，训练队列435例（79.7%），测试队列111例（20.3%）。两队列仅在肿瘤位置分布上存在统计学差异（p = 0.021），测试队列中“其他”位置肿瘤比例较高（21.6% vs 6.9%），胃体肿瘤比例较低（16.2% vs 30.3%）；其余基线特征无显著差异。
**4.3 特征选择与模型性能**
LASSO回归保留了10个预测因子：术前BMI、消化道重建、初始辅助化疗方案、组织学亚型、化疗前白细胞计数、重大术后并发症、一般自我效能感量表评分、恐惧疾病进展评分、组织学分级和血清尿素。其中术前BMI的标准化系数绝对值最大（0.379）。六种模型的测试队列AUC在0.635至0.808之间。CatBoost表现最佳，测试AUC为0.808（95% CI: 0.695–0.902），准确率0.800，召回率0.778，F1分数0.722，Brier评分0.112，校准斜率0.954；训练AUC为0.872。基于综合表现，CatBoost被选为最终模型。
**4.4 模型可解释性分析**
SHAP分析显示，术前BMI的平均绝对SHAP值最大（0.867），其次为组织学亚型（0.713）和消化道重建（0.649）。化疗前白细胞计数（0.460）和初始化疗方案（0.436）分别位列第四和第五。SHAP蜜蜂图显示，较高的术前BMI值集中在正向SHAP区域，即增加预测为快速下降轨迹的概率。类别依赖图显示，Roux-en-Y重建具有正向平均SHAP值，而Billroth I、Billroth II和食管胃吻合术为负值。对于连续变量，术前BMI的平滑SHAP曲线在约26.12 kg/m2处穿过零点，恐惧疾病进展评分在约33.73处穿过零点。化疗前白细胞计数和血清尿素呈现非单调模式，多次穿过零点。这些转折点仅为探索性发现，不作为临床阈值。
**4.5 临床效用分析**
决策曲线分析显示，在测试队列中，阈值概率约5%–30%范围内，CatBoost模型的净获益高于“全部治疗”和“全部不治疗”策略。在10%参考阈值处，模型净获益约0.17，高于“全部治疗”的0.13和“全部不治疗”的0。
**5. 讨论与结论**
研究人员通过耦合纵向轨迹建模与入院时预测模型，提供了一种在首次辅助化疗前识别快速持续性体重下降风险患者的框架。快速下降轨迹在术后第一个月即已显现，并在6个月时达到约22%的体重下降，提示其易感性在术后恢复期间已经出现。CatBoost模型在独立测试队列中表现出良好的区分度和校准度，且DCA表明在临床相关的低阈值概率范围内有正向净获益。SHAP分析揭示了模型整合了基线身体状态、肿瘤特征、手术解剖、全身状况、治疗背景和心理社会因素等多维信息。术前BMI、消化道重建和组织学亚型是主要的预测因子，心理社会变量（如恐惧疾病进展）提供了补充信息。然而，研究存在局限性，包括单中心回顾性设计、单一训练-测试划分、数据库未捕获的潜在临床因素以及某些类别的样本量较小。本研究结论为：术后体重下降遵循不同的轨迹，CatBoost模型能够利用首次辅助化疗入院时的信息识别出可能经历快速、持续体重下降的患者，可作为营养评估和监测的早期风险分层辅助工具，但在临床实施前需要进行外部多中心验证和前瞻性影响评估。
