基于列线图及机器学习的免疫检查点抑制剂相关性肺炎风险预测模型构建及验证

作     者：陈芮 王梅 贾楠 王灿 唐晓霞 毛惠娜 Chen Rui;Wang Mei;Jia Nan;Wang Can;Tang Xiaoxia;Mao Huina

作者机构：南方医科大学珠江医院护理部广州510282 南方医科大学护理学院广州510515 南方医科大学珠江医院肿瘤科广州510282 南方医科大学珠江医院网络信息办公室广州510282 浙江工商大学计算机与信息工程学院杭州310018 

出 版 物：《中国实用护理杂志》 (Chinese Journal of Practical Nursing)

年 卷 期：2023年第39卷第31期

页      面：2458-2464页

学科分类：1011[医学-护理学（可授医学、理学学位）] 10[医学] 

主　　题：机器学习 肿瘤 免疫检查点抑制剂 免疫检查点抑制剂相关性肺炎 预测模型 

摘      要：目的运用机器学习算法及列线图,构建和验证免疫检查点抑制剂相关性肺炎(CIP)风险预测模型,旨在为更好的辅助临床护理人员筛查CIP的高危人群,提供准确直观的方法。方法采用回顾性病例对照研究。选取2019年1月至2022年2月南方医科大学珠江医院就诊的230例使用免疫检查点抑制剂治疗的肿瘤患者,使用医院电子病历系统收集患者的资料。应用5种机器学习算法和列线图构建预测模型,在独立测试集进行模型的验证,最后依据评价指标AUC、准确率等评估预测模型的区分度及稳定性。结果6种模型均提示,肺部基础疾病、吸烟史、血清白蛋白值≤35 g/L、胸部放疗史是促进CIP发生的重要影响因素。K最近邻、支持向量机(SVM)、朴素贝叶斯、决策树和随机森林构建的CIP预测模型的AUC分别为0.647、0.696、0.930、0.870、0.934。列线图构建的模型AUC为0.813,预测性能较好,但低于机器学习算法中表现最佳的随机森林模型(AUC=0.934)。结论与列线图相比,基于机器学习算法建立的CIP的风险预测模型具有更高的诊断价值,但列线图构建的模型可更直观评估患者风险,建议在列线图基础上,结合机器学习算法,可增加预测模型的准确性及实用性。