《eClinicalMedicine》：Natural language processing-based model to predict radiation pneumonitis in patients with locally advanced non-small cell lung cancer undergoing chemoradiotherapy: a retrospective cohort study
编辑推荐：
背景
放射性肺炎（RP）是接受放化疗（CRT）的不可切除局部晚期非小细胞肺癌（NSCLC）患者中一种重要的治疗相关毒性。现有的大多数预测模型依赖于静态的基线人口统计学或剂量学变量，缺乏实时临床适用性。研究人员开发了一种新型预测框架，利用自然语言处理（NLP）从
背景
放射性肺炎（RP）是接受放化疗（CRT）的不可切除局部晚期非小细胞肺癌（NSCLC）患者中一种重要的治疗相关毒性。现有的大多数预测模型依赖于静态的基线人口统计学或剂量学变量，缺乏实时临床适用性。研究人员开发了一种新型预测框架，利用自然语言处理（NLP）从临床记录中提取纵向症状数据，与临床和剂量学特征相结合，以改善RP的早期预测。
方法
研究人员回顾性地识别了在美国一家高容量癌症中心接受根治性CRT治疗的227例局部晚期NSCLC患者。研究人员纳入了所有年龄大于18岁、于2006年1月1日至2022年12月31日期间确诊、经组织学或细胞学证实为不可切除的2期或3期NSCLC（美国癌症联合委员会[AJCC]第8版），并接受最小剂量≥45 Gy适形放疗（联合或不联合化疗）的患者。其中，31例RP事件通过使用放射学标准和病历审查进行手动判定。研究人员使用NLP从超过100,000份涵盖治疗前和治疗期间的临床记录中提取了16种预先指定症状与治疗的时间关系。研究人员在基线临床数据、放射剂量学和NLP衍生的症状特征的组合上训练并验证了机器学习模型。模型性能通过嵌套交叉验证框架进行评估，其中外层交叉验证循环用于性能评估，内层交叉验证循环用于模型训练和集成，并使用受试者工作特征曲线下面积（AUC）和高特异性阈值下的部分AUC（pAUC）进行总结。临床效用通过决策曲线分析（DCA）进行评估。
发现
最佳表现的模型整合了纵向NLP特征，取得了中位AUC为0.759（90%置信区间0.753–0.766），显著优于仅使用剂量学（AUC 0.613）或临床变量（AUC 0.635）的基线模型。NLP衍生的特征如咳嗽轨迹、呼吸急促和喘息是最重要的预测因子之一。纳入NLP衍生的症状数据改善了高风险患者的早期识别，特别是在临床相关的高特异性范围内（pAUC 0.021 vs. 仅剂量学的0.010）。DCA显示，校准后的多层感知器（MLP）模型在临床相关的阈值概率范围内比治疗所有或不治疗任何患者的默认策略提供了更大的净获益。
解读
在这项早期工作中，从常规临床文档中基于NLP提取纵向症状显著增强了接受NSCLC CRT治疗患者的RP预测。该方法利用现有的电子健康记录基础设施提供实时、可扩展且可解释的风险估计，为潜在的早期干预和个性化毒性管理提供了途径。该模型和DCA在临床部署前需要外部和前瞻性验证；因此，未来的工作应侧重于这种验证及其在临床决策支持系统中的整合。
资助
阿斯利康。
研究背景
本研究之前的证据
放射性肺炎是non-small cell lung cancer（NSCLC）放化疗后一种临床上重要的毒性反应，先前的预测模型主要基于静态的临床和剂量学因素，且表现出有限且不一致的性能。研究人员检索了PubMed/MEDLINE、Embase和Google Scholar从建库至2025年5月的文献，检索词包括'radiation pneumonitis'、'non-small cell lung cancer'、'chemoradiotherapy'、'natural language processing'和'machine learning'。现有研究很少纳入纵向症状信息，据研究人员所知，没有研究使用自然语言处理常规临床文档来提取与治疗对齐的症状模式以进行早期风险预测。
本研究的附加值
本研究首次证明，对常规临床文档的自然语言处理可用于提取与治疗对齐的症状信息，并在传统临床和剂量学因素之外显著增强放射性肺炎的早期预测。通过捕捉症状与治疗开始的时间关系，该方法能够利用电子健康记录中已有的数据，在临床相关的早期阶段进行风险分层。尽管需要进一步的研究和验证，研究人员的发现证明了将NLP衍生的、与治疗对齐的症状信息纳入风险预测的可行性和潜在价值。其价值在于证明这种方法具有可扩展性，不需要改变临床工作流程，并代表了NLP在肿瘤学毒性管理中基于症状的风险分层的新应用。
所有可用证据的意义
总的来说，现有证据和研究人员的发现表明，早期症状信息是预测放射性肺炎的一个未被充分利用但具有临床信息量的信号。将NLP衍生的症状特征整合到风险模型中可能有助于更早地识别高风险患者，支持更个性化的监测、支持性护理和治疗决策。虽然需要外部验证和前瞻性评估，但这项工作为症状信息预测模型奠定了基础，这些模型可以整合到学习型健康系统中，并扩展到当代放化疗加免疫治疗的人群。
基于自然语言处理的放射性肺炎预测模型研究解读
一、研究背景与问题
非小细胞肺癌（non-small cell lung cancer, NSCLC）是肺癌的主要病理类型，约20%–35%的患者在确诊时即为局部晚期，丧失了手术根治的机会。对于这类患者，同步放化疗（chemoradiotherapy, CRT）联合巩固免疫治疗（immunotherapy, IO）是当前的标准治疗方案。然而，治疗相关的毒性反应，尤其是放射性肺炎（radiation pneumonitis, RP），严重制约了治疗疗效的充分发挥。RP是胸部放疗后正常肺组织发生的炎症性损伤，在CRT后发生率可达15%–40%，可导致治疗中断或延迟，甚至影响免疫治疗的后续实施。因此，在治疗过程中尽早识别RP高风险患者，对于实施主动监测和早期干预具有重要意义。
然而，现有的RP预测工具在准确性和临床实用性方面存在明显不足。既往研究主要以静态的基线和剂量学参数作为预测因子。临床因素如慢性阻塞性肺疾病、吸烟史、基线肺功能差和年龄增长虽与RP风险相关，但个体区分能力有限。放射剂量学参数，特别是肺接受≥20 Gy的体积（V20）和平均肺受量（mean lung dose, MLD）被视为最可靠的预测指标，临床上通常通过限制剂量学约束来降低RP风险。然而，即使严格遵守剂量限制，RP仍时有发生，提示放射剂量并不能完全解释个体对RP的易感性。因此，迫切需要超越静态基线特征和放射参数的动态临床标记物。
一个有前景但未被充分探索的方向是利用症状发生与治疗的时间关系来预测RP。新兴证据表明，肺癌治疗期间对患者报告症状进行监测可显著改善生存结局，其机制在于能够更早地发现疾病进展并及时调整治疗方案。尽管前瞻性研究中已常规收集患者报告的症状，但回顾性研究中这些信息往往以非结构化文本形式记录在临床文档中。自然语言处理（natural language processing, NLP）技术提供了一种解决方案，可从叙述性临床文档中提取多时间点的症状数据。在本研究开展之前，尚无研究将NLP提取的纵向患者报告症状整合用于NSCLC患者临床结局的预测模型。
二、研究目的与方法概述
本研究旨在应用NLP从临床记录中提取症状与治疗的时间关系，并将这些数据与临床和放射变量整合，开发机器学习模型，以预测接受根治性CRT的不可切除局部晚期NSCLC患者的RP发生风险。研究数据来自美国西奈山伊坎医学院的单中心数据库，最终纳入2006年1月1日至2022年12月31日期间确诊为不可切除II期或III期NSCLC、接受最小剂量≥45 Gy适形放疗（联合或不联合化疗）的227例患者。研究排除了接受巩固免疫治疗的患者，以分析单纯放射因素导致的肺炎。
在技术方法层面，研究人员利用CLiX NLP引擎审查每位患者的电子病历临床记录，自治疗前3个月至CRT开始后6周，提取16种预设症状的出现时间。该引擎可将自由文本与SNOMED CT术语匹配，并能识别否定、症状变化方向（如"新出现"、"加重"）等语义特征。共整理出47个NLP衍生的临床特征。同时收集基线社会人口学资料、合并症、生命体征、肿瘤特征及53个放射剂量学参数。模型开发采用嵌套交叉验证框架，比较了多种分类算法（如随机森林、梯度提升、支持向量机、多层感知器（multi-layer perceptron, MLP）等），并使用AUC和pAUC（特异性≥0.9）评估性能，决策曲线分析（decision curve analysis, DCA）评估临床净获益。
三、主要研究结果
（一）患者特征与事件发生率
最终研究队列共227例患者，其中31例（13.7%）发生RP。从放疗结束至影像学确诊RP的中位时间为80天（IQR 59.5–124.5天）。分级方面，1级RP占25.8%（n=8），2级占58.1%（n=18），3级占16.1%（n=5），无4级或5级事件。发生RP的患者年龄更大（p=0.003），除此之外两组患者的临床特征和剂量学参数无显著差异。
（二）模型性能与特征重要性
在所有训练的模型中，将NLP特征与人口统计学数据通过MLP堆叠的模型性能最佳，AUC为0.759（90% CI: 0.753–0.766），pAUC为0.021。这一结果显著优于仅使用剂量学（AUC 0.613）或仅使用临床变量（AUC 0.635）的基线模型，也优于仅使用NLP特征的单模态模型（AUC 0.707）。在基线模型中（仅含治疗前特征），NLP结合人口统计学数据仍取得最高AUC（0.702）。特征重要性分析表明，咳嗽、发热、呼吸急促和喘息等仅在治疗期间出现的症状是模型预测能力的主要贡献者，且在单因素分析中也是RP的显著危险因素。治疗期间的NLP变量对模型性能的提升明显优于其他变量。
（三）决策曲线分析
校准后的MLP模型在阈值概率约0.05–0.40的临床相关范围内，其净获益均高于"治疗所有患者"或"不治疗任何患者"的默认策略，说明该模型可为风险指导的决策提供潜在的临床价值。
四、讨论与结论
本研究的主要发现是，通过NLP提取的纵向症状信息可显著提升RP预测性能，超越了传统的临床和剂量学因素，这一结论具有多方面的意义。该模型在保持较高特异性的情况下能更准确地识别高风险患者，这在临床实践中对于避免过度治疗和不必要的干预至关重要。该框架直接利用了电子健康记录中已有的数据，无需改变临床工作流程即可实现实时风险分层与个体化决策支持。
研究讨论中也指出了存在的局限性：单中心设计、RP事件数相对较少可能导致过拟合、未纳入接受免疫治疗的患者、NLP性能未进行正式量化评估，以及回顾性数据中的报告偏倚。未来工作需在更大规模的多中心队列中进行外部验证，并扩展到同期放化疗联合免疫治疗人群，还可探索与其他生物标志物（如细胞因子、影像组学）结合的多模态模型。
总之，NLP衍生的纵向症状数据能实质性地改善NSCLC患者CRT后RP的预测性能，提供了一种可扩展且实用的方法，利用常规护理中已记录的数据来增强临床决策支持。该框架为症状信息引导的预测模型奠定了基础，有望整合进学习型健康系统，最终实现对放射性肺炎高危患者的超前识别与个体化干预。
