《Cancer Management and Research》：Machine Learning Prediction of Prolonged Length of Stay in Older Patients with Lung Cancer: A Multicenter Study Using XGBoost with SHAP Interpretation
编辑推荐：
摘要
背景 住院时间延长（prolonged length of stay, PLOS）在老年肺癌患者中常见，并与不良结局风险增加、医疗资源利用度升高及治疗效率降低相关。然而，针对该人群，特别是在中国医疗背景下，仍缺乏可靠的风险分层工具。
方法 这项多中心回顾
摘要
背景 住院时间延长（prolonged length of stay, PLOS）在老年肺癌患者中常见，并与不良结局风险增加、医疗资源利用度升高及治疗效率降低相关。然而，针对该人群，特别是在中国医疗背景下，仍缺乏可靠的风险分层工具。
方法 这项多中心回顾性研究纳入了来自两家中国医院的年龄≥65岁的原发性肺癌住院患者。PLOS定义为住院时长超过整体队列的第75百分位数。在基于最小绝对收缩与选择算子（least absolute shrinkage and selection operator, LASSO）从34个候选变量中进行特征选择后，研究人员在训练集中开发了六种机器学习模型，并使用内部验证集和外部验证集进行了验证。模型性能通过区分度、校准度和临床效用指标进行评估。最优模型采用Shapley加法解释（SHAP）进行解读。
结果 共纳入5,836例患者。在六种模型中，XGBoost取得了最高的区分性能，在训练集中的受试者工作特征曲线下面积（area under the receiver operating characteristic curve, AUC）为0.821（95% CI: 0.806–0.837），内部验证集为0.773，外部验证集为0.727。校准曲线和决策曲线分析显示出满意的一致性和净临床获益。SHAP分析确定肺炎、低蛋白血症、C反应蛋白（CRP）、尿酸（UA）和入院途径为前五位预测因子。肺炎、低蛋白血症、CRP、入院途径和收缩压与PLOS呈正相关，而UA和总蛋白呈负相关。
结论 XGBoost模型为中国老年肺癌患者的PLOS提供了稳健且可泛化的预测。其可解释性可能有助于早期识别高风险个体，并为老年肿瘤护理中的针对性围手术期干预提供支持。
论文解读：基于机器学习的老年肺癌患者住院时间延长预测模型
一、研究背景与问题提出
肺癌是全球癌症相关死亡的首要原因，确诊中位年龄超过70岁。住院时间延长（prolonged length of stay, PLOS）是老年肿瘤学中衡量医疗效率和患者安全的关键指标。老年肺癌患者常伴有生理储备下降和多种合并症，发生PLOS的风险显著增高，这不仅增加了院内感染、谵妄、跌倒和功能衰退等住院相关伤害的风险，还与更高的30天再入院率和更差的总生存期相关。同时，PLOS也造成了巨大的经济和临床负担，例如一项前瞻性研究发现，伴有恶病质的老年非小细胞肺癌（non-small cell lung cancer, NSCLC）患者累积住院时间更长且费用更高。
尽管机器学习（machine learning, ML）方法在处理高维和非线性数据方面优于传统回归模型，并在PLOS预测中展现出潜力，但现有模型主要依赖于入院时的静态数据，缺乏对动态住院数据的整合，并且普遍存在“黑箱”问题，可解释性有限。更重要的是，专门针对中国老年肺癌患者的预测工具仍然匮乏。因此，本研究旨在利用中国真实世界的临床数据，开发和验证多种机器学习模型，用于预测老年肺癌患者的PLOS，并通过SHAP（Shapley additive explanations）增强模型的可解释性，使其在入院时即可用于早期风险分层。
二、研究方法概述
这是一项多中心回顾性研究。研究队列来源于重庆医科大学附属巴南医院（2020年1月至2025年12月）和临汾市中心医院（2018年1月至2025年12月）。最终纳入5,836例符合条件的老年（≥65岁）原发性肺癌住院患者。研究人员从34个候选变量中，首先通过单变量分析筛选，再采用最小绝对收缩与选择算子（LASSO）回归进行特征降维，最终确定了13个预测变量。基于这些变量，在训练集中构建了六种机器学习模型：极端梯度提升（XGBoost）、轻量级梯度提升机（LightGBM）、随机森林（Random Forest, RF）、逻辑回归（Logistic Regression, LR）、决策树（Decision Tree, DT）和支持向量机（Support Vector Machine, SVM）。模型在内部验证集和外部验证集中进行了验证，评估指标包括受试者工作特征曲线下面积（AUC）、校准曲线和决策曲线分析（DCA）。最优模型（XGBoost）通过SHAP方法进行解释。
三、研究结果
1. 基线特征与研究队列
研究共纳入5,836例参与者。训练集和内部验证集的中位年龄均为71岁，男性占72%，已婚者占绝大多数（92.18%）。外部验证集患者年龄更大，急诊入院比例更高，基线C反应蛋白（CRP）和D-二聚体水平也更高。最常见的三种合并症为高血压（33.81%）、肺炎（18.03%）和糖尿病（15.85%）。PLOS（定义为住院天数>13天）的发生率在训练集为25.5%，内部验证集为26.1%，外部验证集为34.6%。
2. LASSO驱动的变量选择与多重共线性诊断
通过单变量分析和LASSO回归，最终筛选出13个非零系数的变量：入院途径、高血压、冠心病、慢性胃炎、低蛋白血症、肺炎、收缩压（SBP）、D-二聚体、平均血小板体积（MPV）、白细胞计数、CRP、尿酸（UA）和总蛋白（TP）。所有变量的方差膨胀因子（VIF）均低于5，表明不存在显著的多重共线性。
3. 连续变量的剂量-反应关系
限制性立方样条（RCS）分析显示，SBP、MPV、白细胞计数和TP与PLOS风险呈近似线性关系。而D-二聚体、CRP和UA则表现出显著的非线性关联。具体而言，CRP呈近似对数线性的正向关联，在较低浓度范围内风险增加更为明显；UA呈现U形模式，即风险随UA水平升高先降低后增加。
4. 机器学习模型的开发与验证
在所有六个模型中，XGBoost表现最佳。其在训练集的AUC为0.821，内部验证集为0.773，外部验证集为0.727。校准曲线显示XGBoost与实际观察结果一致性最好，决策曲线分析（DCA）也表明其在广泛的阈值概率范围内具有最高的净获益，显示了优越的临床效用。
5. 最优模型的SHAP可视化解释
基于SHAP的特征重要性排序显示，前五位预测因子为：肺炎、低蛋白血症、CRP、UA和入院途径。SHAP值进一步揭示了各因素的影响方向：肺炎、低蛋白血症、CRP、入院途径和SBP与PLOS风险呈正相关，而UA和TP与PLOS风险呈负相关。
四、讨论与结论总结
讨论总结：
本研究的XGBoost模型在三个数据集上均展现出最佳的区分性能，且通过外部验证证实了其一定的泛化能力。研究还通过RCS分析揭示了连续预测因子与PLOS风险间复杂的非线性关系，这比传统的线性建模更具优势。其中，肺炎、低蛋白血症和CRP构成的高危三联征在临床上具有合理性，分别代表了活动性感染、营养耗竭和系统性炎症。SHAP分析使模型具备了可解释性，有助于在入院时识别高风险患者，从而指导个性化的干预措施，如加强营养支持、早期抗感染治疗或更密切的呼吸监测。然而，研究也存在局限性，包括回顾性设计固有的偏倚、数据仅来自两家中国医院、未纳入动态住院参数以及缺乏关键的肿瘤学变量（如癌症分期、治疗方式等）。
研究结论翻译：
总之，老年肺癌患者面临PLOS风险显著升高的困境，而这又会使他们陷入一系列不良后果并加重医疗资源负担。本研究所开发的XGBoost模型为中国老年人群中早期识别高风险个体提供了一个有前景且经过外部验证的工具，具有中等水平的区分能力。通过将电子健康记录数据转化为可操作的、带有透明特征贡献的风险估计值，该方法有望在未来整合到临床决策支持系统中，以指导针对性的围手术期和支持性护理策略。然而，该模型的临床效用及其对患者预后的影响仍有待通过前瞻性的实施和效果评估研究来确定。未来的工作应侧重于在更广泛、更多样化的队列中验证该模型，并评估模型辅助的风险分层是否能在真实的老年肿瘤治疗环境中真正改善以患者为中心的结局和经济指标。
