首页 > 文章详情

2025 WCLC | 当AI“读懂”患者的痛苦：我们离个性化肿瘤毒性管理还有多远？

10月17日

编译：肿瘤资讯

来源：肿瘤资讯

肿瘤治疗的进步在延长患者生存期的同时，其伴随的不良事件（AEs）也为患者带来了沉重的生理和心理负担，严重影响生活质量，甚至导致治疗中断。据统计，约62%的肿瘤患者在为期6个月的随访期内会经历严重的医疗事件 。传统上，对治疗毒性的管理主要依赖于医生根据临床指南和个人风险因素进行手动评估和干预，这种方式不仅耗时，且预测性能有限。

随着人工智能（AI）技术的飞速发展，其在毒性预测和管理领域的应用正展现出巨大潜力。本文将系统梳理AI，特别是通过患者报告结局（PROMs）和自然语言处理（NLP）等技术，在早期识别、精准预测和个性化干预肿瘤治疗相关毒性方面的前沿进展，并探讨其在临床实践中的应用前景与挑战。

当前困境：不良事件管理的挑战

在肿瘤治疗过程中，严重不良事件（AEs）的发生率居高不下，给患者、医疗系统乃至社会带来了巨大的经济和人力成本，并导致医院床位和急诊室资源紧张。以化疗引起的恶心呕吐（N/V）为例，临床医生通常需要综合评估来自抗肿瘤方案本身的致吐风险以及一系列复杂的个体风险因素，如年龄、睡眠状况、既往史（晨吐、晕车）等，才能制定出个性化的止吐方案。这种依赖人工的评估方式不仅流程繁琐，而且难以保证评估的全面性和即时性，从而限制了预防措施的最佳效果。

患者报告结局（PROMs）：早期预警的“前哨”

利用患者报告结局（PROMs）进行远程监控，是实现不良事件早期探测的有效策略。通过手机应用等工具，患者可以定期居家报告自身的症状和感受。数据显示，这种模式能显著改善患者的临床结局。

一项研究表明，基于PROMs的远程监控系统可将严重不良事件（4级）的发生率降低25%，急诊就诊和非计划性住院减少17%-28%。更重要的是，它能将患者的生活质量（QoL）改善率从18%提升至34%，并将治疗持续时间延长1.9个月。

法国的CUREETY平台是该领域的杰出代表。一项涉及400名患者的研究显示，其内置算法在识别“危急”（red）信号方面表现出高达95.8%的敏感性，证明了其在筛选高风险患者方面的可靠性。另一项名为MINERVA的研究也发现，通过该平台进行干预，每位住院患者的平均住院天数从39.3天显著减少至15.3天，降幅高达61%（p=0.02）。

AI预测模型：从传统评分到机器学习

传统的毒性预测工具，如CRASH评分，虽然在临床中应用多年，但通常依赖于有限的变量，预测能力有待提升。近年来，机器学习（ML）和自然语言处理（NLP）为构建更精准、更全面的预测模型开辟了新路径。

机器学习的应用

研究人员利用患者的人口统计学信息、实验室检查结果和合并症等数据，通过各种机器学习算法来预测药物不良反应。一项涵盖13项研究的系统性综述显示，这些模型的敏感性和特异性均表现出良好的潜力，总体预估值分别达到了78.1%和70.6%。这表明机器学习能够有效整合多维度数据，识别出传统方法难以发现的风险模式。

自然语言处理（NLP）的突破

NLP技术可以直接从非结构化的病历文本（如医生记录、出院小结等）中提取关键信息，用于预测不良事件。SAEPred模型是一个典型案例，它通过在超过14万名患者的250万份文本报告上预训练BERT模型，成功预测了未来3个月内发生恶心/呕吐（AP=0.71）和疲劳/不适（AP=0.45）的风险。这证明了NLP在解锁海量临床文本数据价值方面的巨大潜力，其预测诊断和住院风险的AUC值可达到0.70至0.90的区间。

多模态数据融合：提升预测精度的未来方向

为了进一步提升预测模型的准确性，未来的研究趋势是将不同类型的数据进行融合。除了临床记录和PROMs，其他数据维度也显示出预测价值：

可穿戴设备数据：例如，通过监测患者的每日步数，预测非计划性住院的AUC值可达0.83-0.88。
社会决定因素（SDOH）：患者的医疗可及性、体力活动水平、健康素养和经济状况等社会因素，与严重不良事件的发生风险密切相关。
生物标志物：针对特定毒性，如免疫治疗相关的肺炎，研究已发现多种潜在的预测性生物标志物，涵盖单核苷酸多态性、细胞因子、特定HLA亚型、自身抗体及影像组学特征等。对于T细胞衔接器（TCE）引起的细胞因子释放综合征（CRS），虽然尚无成熟的预测指标，但IL-6、TNF-α等多种细胞因子的基线后变化已显示出相关性。

挑战与展望：从模型到临床实施

尽管AI在毒性管理领域取得了令人鼓舞的进展，但将其真正部署到临床实践仍面临重大挑战，其中最核心的是数据问题。高质量、标准化的数据是训练可靠模型的基石。一项研究在使用大型语言模型（LLM）自动从病历中提取ICD-10诊断编码时发现，即便是先进的Mistral Nemo和Llama-3.1模型，其F1分数也仅为0.1272和0.1327，远低于临床应用要求，凸显了数据结构化和模型精准度的双重挑战。

为了克服这些障碍，法国的SoftChemo项目提供了一个前瞻性的解决方案。该项目致力于整合来自影像、实验室、PROMs和电子病历等多种来源的数据，通过自动化数据收集、结构化处理和计算，实现对恶心/呕吐等风险的自动评分和预警，最终辅助医生进行临床决策。

总之，人工智能正逐步改变肿瘤治疗毒性管理的范式。从利用PROMs实现早期预警，到通过NLP和机器学习构建精准预测模型，再到融合多模态数据进行综合风险评估，AI技术为实现个性化、前瞻性的毒性管理策略提供了强有力的工具。未来，随着数据壁垒的打破和算法模型的持续优化，AI必将在提升肿瘤患者生活质量和治疗成效方面扮演愈发关键的角色。

参考文献

WCLC 2025.

责任编辑：肿瘤资讯-Nydia
排版编辑：肿瘤资讯-Nydia

10月18日

白文秀

平遥兴康医院 | 中医科

感谢分享受益匪浅

10月17日

尚瑞国

鹤壁市人民医院 | 肿瘤内科

人工智能正在改变人类医疗活动的规律。

10月17日

郭飞

丰城矿务局总医院 | 外科

人工智能正逐步改变肿瘤治疗毒性管理的范式。从利用PROMs实现早期预警，到通过NLP和机器学习构建精准预测模型，再到融合多模态数据进行综合风险评估，AI技术为实现个性化、前瞻性的毒性管理策略提供了强有力的工具