首页 > 文章详情

2026 WCLC | 健康的社会环境决定因素及其与Sybil AI风险评分的关联

08月30日

编译：肿瘤资讯

来源：肿瘤资讯

Session Type

Oral

Session Title

OA03. Rethinking Lung Cancer Screening — AI, Equity, and Early Detection Beyond Traditional Risk

摘要号

OA03.01

英文标题

Socioenvironmental Determinants of Health and Associations With Sybil AI Risk Scores.

中文标题

健康的社会环境决定因素及其与Sybil AI风险评分的关联

讲者

Evan Garrad, MD

讲者机构

University of Illinois, Chicago

背景

基于人工智能的影像衍生肺癌风险模型应用于低剂量CT（LDCT），在单一时间点展现出强大的预测性能。然而，AI衍生风险在多大程度上反映潜在肿瘤生物学特征，抑或健康的社会环境决定因素（SDOH），仍不明确。理解这些关系对于确保AI驱动筛查工具的公平实施至关重要。本研究在一项大型、多样化的真实世界筛查队列中，评估了Sybil AI风险评分、临床因素和区域层面SDOH之间的关联，并评估了它们与肺癌诊断时间的关系。

方法

我们分析了2,645例在城市安全网医疗系统中接受LDCT筛查的个体，这些个体具有可用的详细临床和地理编码的人口普查区层面SDOH数据。参与者被分为无癌症组（n=2,541）、新发癌症组（n=42）或基线癌症组（n=62）。在基线和纵向随访中，使用logit转换的混合效应回归模型评估Sybil风险评分（范围0.0-1.0）。通过多变量建模并采用向后选择法，评估人口统计学、临床（包括BMI、Lung-RADS和吸烟相关变量）及区域层面SDOH变量（如食物不安全、教育程度、犯罪率）与Sybil评分的独立关联。采用Cox比例风险模型评估无基线癌症个体中肺癌诊断时间的预测因素。

结果

在基线时，肺癌患者的Sybil风险评分显著高于无癌症者（p<0.001）。在调整人口统计学和临床协变量的多变量模型中，Sybil评分与多个患者层面因素独立相关。与BMI正常者相比，体重过轻（p=0.0003）和肥胖（p=0.0005）个体的Sybil评分更高。西班牙裔个体的Sybil评分低于非西班牙裔黑人个体（p=0.008）；与私人保险相比，Medicare保险状态与更高的Sybil评分相关（p<0.0001）。重要的是，多个区域层面SDOH变量与更高的Sybil风险独立相关，包括较高的社区暴力犯罪率（p=0.028）、较低的高中毕业率（p=0.013）以及较高的亚裔居民比例（p=0.001），提示AI衍生影像风险可能捕获情境性环境暴露。在诊断时间分析中，基线Sybil评分仍是肺癌诊断的强独立预测因子（每增加0.1的风险比为1.72，95% CI 1.33-2.21；p<0.0001），在调整包括BMI、Lung-RADS和吸烟相关因素在内的临床协变量后依然如此。其他独立预测因素包括Lung-RADS ≥3（风险比2.52，p=0.01）、较高的区域层面食物不安全（每增加一个三分位的风险比为1.57，p=0.043）以及BMI（每增加一个类别的风险比为0.65，p=0.025），其中较低的BMI与较高的诊断风险相关。

结论

AI衍生影像风险与临床特征和区域层面社会环境暴露均独立相关，表明这些模型捕获了反映肿瘤生物学特性和情境性风险的复合信号。这些发现强调了在解读和部署基于AI的筛查工具时考虑SDOH的重要性。值得注意的是，在常规无法获得精细SDOH数据的场景中，AI衍生风险可作为情境性风险的替代标志物，支持在多样化人群中实施更公平、更个性化的肺癌筛查策略。