首页 > 文章详情

基层医疗机构中肺癌筛查依从性预测模型的构建

01月18日

编译：肿瘤资讯

来源：肿瘤资讯

引言：早诊早治已被公认可以改善恶性肿瘤的预后。然而，作为肿瘤早诊早治重要一环的基层医疗机构，就诊患者对肺癌筛查的依从性仍然很低，有必要探索与肿瘤筛查依从性相关的临床和人口学变量。因此，有研究者基于美国社区级基层医疗机构超2000例肺癌筛查受试者数据，分析并构建了肺癌筛查依从性的预测模型，有望预测和提高大众的肺癌筛查依从性。研究成果已在线发表于JNCI Cancer Spectrl杂志^[1]，本文对此进行简要解读和分享，希望能为基层医务工作者提供新的科研和临床参考，造福更多肺癌患者。

背景

肺癌（LC）仍是全球范围内主要的癌症相关死亡原因。美国国家肺筛查试验（NLST）发现，与胸部X线相比，每年低剂量计算机断层扫描（LDCT）体检可使LC死亡率降低20%。基于NLST结果，美国预防服务工作组（USPSTF）制订了肺癌筛查（LCS）指南，并在修订中纳入了更多年轻和轻度吸烟人群。目前的LCS指南（USPSTF 2021）推荐年龄在50至80岁之间、吸烟史为20包年、当前吸烟或既往吸烟但戒烟时长小于15年的人群进行LCS。

上述LCS方案在NLST和荷兰-比利时随机肺癌筛查试验（NELSON研究）中证实了其可行性和作用，因为该LCS方案依从性非常高（90%-95%）。既往还有研究发现，LCS中46%的依从率将使其在肺癌死亡方面获益减少50%。为了最大化LCS的健康效益，成功实施LCS指南，每年接受LCS至关重要；然而，LCS依从性仍然存在许多障碍。在基层医疗机构中，LCS的一个主要障碍是，部分参与者可能将LCS视为“一次性”检查，并对后续筛查的依从性较差。识别LCS不依从风险较高的患者是改善依从性的第一步。一些研究已经发现了与LCS不依从相关的临床和人口统计学因素，如吸烟状况、筛查地点、种族和既往胸部结节病史。然而，目前还没有可靠的模型能够在个体患者层面上预测LCS不依从风险。

本研究旨在通过机器学习和临床、人口统计学因素开发一种预测基层医疗机构中LCS依从性的模型，以识别LCS依从性差的患者并及时给予干预，最终达到减轻LC负担的目的。

结果

从2015年1月1日至2018年1月1日，共有2056人在基层医疗机构进行了LCS。图1为本研究纳入受试者的流程图。在2056例LCS受试者中，67例（3.3%）因年龄和吸烟史不符合USPSTF指南而被排除在本研究之外。在剩余的1989例受试者中，又有114例受试者因死亡或后续筛查影像学资料不全而被排除在外。最终的纳入本研究的受试者共有1875例，其中1264例（67.4%）受试者未执行后续的第一次年度LCS计划。

图1、研究纳入受试者的流程图.png 图1、研究纳入受试者的流程图

表1概述了按后续第一次年度LCS依从状态分层对比的受试者人口学和临床特征。单因素回归分析显示，性别、种族、吸烟状况、基线筛查结果（LungRADS评分）、转诊专业和筛查地点是与后续第一次LCS依从性统计学显著相关的变量。值得注意的是，最终纳入本研究的受试者（N=1875）中分别有104例（5.5%）和21例（1.1%）种族和吸烟状况信息变量缺失，这些患者的种族或吸烟状况数据被归类为“未知”。

表1、按后续第一次年度LCS依从状态分层对比的受试者人口学和临床特征

在通过机器学习构建预测模型时，研究者将“不依从”设定为阳性结局。表2总结了构建的3种机器学习模型的预测效能。当以AUC、精确率-召回率曲线下面积、阳性预测值（PPV）、阴性预测值（NPV）、敏感性、特异性和准确性为衡量标准时，两种基于树结构的机器学习方法（随机森林和梯度增强决策树）都优于逻辑回归方法。与梯度增强决策树相比，随机森林的PPV（0.95 vs 0.83）、NPV（0.83 vs 0.82）、敏感性（0.98 vs 0.94）、特异性（0.57 vs 0.58）和准确性（0.85 vs 0.82）都大致相当或更高。然而，梯度增强决策树模型具有更高的AUC值，这表明其具有很好的区分LCS依从与不依从受试者的能力。

表2、三种机器学习模型对LCS依从性的预测效能表2、三种机器学习模型对LCS依从性的预测效能.png

图2展示了三种模型用于预测后续第一次LCS依从性相对重要的预测因子。转诊科室、保险类型、基线LungRADS评分和种族是梯度增强模型中最重要的4个预测因子。同样地，随机森林模型通过基线LungRADS评分、保险类型、转诊专业和筛查地点来预测LCS依从性。逻辑回归模型中重要的预测因素包括筛查地点、LungRADS评分和转诊专业。

图2、三种机器学习模型中用于预测后续第一次LCS依从性的变量及其相对重要性

结论

在美国社区级基层医疗机构范围内，LCS的依从性仍然很低。本研究开发了三种用于预测LCS依从性的模型，预测模型不仅可以预测后续LCS不依从风险，还能通过针对性的工作以提高患者的依从性。未来仍需要更多的数据和研究，以期完善本研究建立的预测模型并进行外部验证。

参考文献

[1] Bastani M, Chiuzan C, Silvestri G, et al. A predictive model for lung cancer screening nonadherence in a community setting health-care network. JNCI Cancer Spectr. 2023;7(2):pkad019. doi:10.1093/jncics/pkad019。

本材料由阿斯利康提供，仅供医疗卫生专业人士参考

审批编号CN-149518 过期日期为2025-03-25

责任编辑：肿瘤资讯-Yuno
排版编辑：肿瘤资讯-Julian

01月19日

刘蕊

华北理工大学附属医院 | 肿瘤内科

好好学习天天向上

01月19日

刘惠明

长治市潞州区中心医院 | 放射治疗科

好好学习天天向上

01月19日

庞静

中山大学附属第五医院 | 肿瘤内科

好好学习天天向上