Page 115 - 《中国药房》2025年5期
P. 115

的模型开发和验证研究至少需要评估模型的区分能力                            传统模型存在的局限性。
          和校准性能，以实现对模型性能的全面评估。此外，未                           3.5 本研究的局限性
          来的研究还应依据 PROBAST 来优化试验设计，减少潜                           本研究存在以下局限性：（1）研究只纳入了中、英文
                                               [10]
          在的偏倚风险，提高模型的可信度和适用性 。                              文献，存在发表偏倚；（2）由于纳入的研究在研究对象、
              本研究所纳入的模型总体适用性良好，其中 1 项研                       模型建立方法、结局评估等方面存在异质性，故仅对纳
          究适用性差的原因主要在于预测变量评估与结局时间                            入的研究进行了定性分析；（3）纳入的研究中，大部分研
          间隔不合适。在未来的模型开发研究中，研究人员可在                           究未完整报告模型评估性能指标，影响了本研究对各模
          数据预处理阶段对预测变量进行适当清洗，以确保预测                           型性能的评价结果。
          变量的评估时间点在结局发生之前。                                   4 结语
          3.3 预测模型的预测变量分析                                        本研究纳入了7项乳腺癌化疗致骨髓抑制的风险预
              本研究所纳入的预测模型最终筛选出的预测变量                          测 模 型 研 究 ，共 包 含 12 个 风 险 预 测 模 型 ；采 用
          不一致，主要包括患者一般资料、基础疾病、化疗方案、                          PROBAST 对模型各项特征进行系统评价的结果表明：
          实验室检查等。各模型同时出现频率较高的预测变量                            模型预测性能有待提高，模型建立方法存在缺陷，整体
          为年龄、化疗前中性粒细胞计数、化疗前淋巴细胞计数、                          偏倚风险较高，适用性良好。在未来的模型开发研究
                                  [26]
          化疗前白蛋白含量。Leon等 研究显示，老年患者较青                         中，建议研究者们严格遵循PROBAST标准，确保模型构
          年患者更易发生中性粒细胞减少症，这可能是老年患者                           建的科学性和严谨性；同时，鼓励研究者在研究时间、经
          生理性免疫功能下降或机体对药物清除及排泄能力下                            济条件等允许的情况下结合机器学习算法开展多中心、
          降所致；淋巴细胞是免疫系统的重要组成部分，低淋巴                           大样本的研究，开发出预测性能好、适用性广及稳定性
          细胞计数可能表明患者的免疫功能已经受损，而化疗会                           强的预测模型，为临床提供强有力且高质量的决策
          进一步抑制免疫系统，使得骨髓抑制的风险增加。有研                           依据。
          究表明，通过人血白蛋白和淋巴细胞计数计算得出的预                           参考文献
          后营养指数（prognostic nutritional index，PNI）与乳腺癌        [ 1 ]  BRAY F，LAVERSANNE M，SUNG H，et al. Global can‐
          患者的预后密切相关，较低的PNI值与乳腺癌患者较低                               cer  statistics  2022：GLOBOCAN  estimates  of  incidence
                                          [28]
                              [27]
          的生存率呈现出正相关 。而Chen等 研究发现，乳腺                              and mortality worldwide for  36  cancers in 185  countries
          癌化疗过程中低PNI患者较高PNI患者更容易发生骨髓                              [J]. CA Cancer J Clin，2024，74（3）：229-263.
          抑制。                                                [ 2 ]  LIN S Z，LEI S，LIU W，et al. Safety analysis of therapeu‐
          3.4 预测变量筛选及预测模型建立方法                                     tic drugs for breast cancer patients and construction of a
                                                                  predictive model for serious adverse drug reactions[J]. Eur
              本研究所纳入的研究在预测变量筛选时多采用单
                                                                  J Clin Pharmacol，2024，80（2）：249-259.
          因素分析结合多因素分析方法。随着人工智能技术的
                                                             [ 3 ]  TAYLOR S J，DUYVESTYN J M，DAGGER S A，et al.
          进步，预测变量筛选的方法日益增多，包括基于树的算
                                                                  Preventing  chemotherapy-induced  myelosuppression  by
          法进行特征选择、自编码器技术以及应用正则化技术的
                                                                  repurposing  the  FLT3  inhibitor  quizartinib[J].  Sci  Transl
          模型等。与传统统计学筛选方法相比，机器学习特征选                                Med，2017，9（402）：eaam8060.
          择方法在识别变量间的非线性联系和复杂的相互作用                            [ 4 ]  BARRETO J N，MCCULLOUGH K B，ICE L L，et al. An‐
          方面展现出了优势，并且在处理高维度数据时更有                                  tineoplastic  agents  and  the  associated  myelosuppressive
            [29]
          效 。在未来的模型开发研究中，研究人员可在预测变                                effects：a review[J]. J Pharm Pract，2014，27（5）：440-446.
          量筛选时将机器学习特征选择方法与传统统计学方法                            [ 5 ]  HAVRILESKY L J，REINER M，MORROW P K，et al. A
          相融合，从而有助于规避依赖单一方法引入的偏倚或误                                review  of  relative  dose  intensity  and  survival  in  patients
          差，并可提高模型的泛化能力。                                          with metastatic solid tumors[J]. Crit Rev Oncol Hematol，
              本研究发现，现有的乳腺癌化疗致骨髓抑制风险预                              2015，93（3）：203-210.
                                                             [ 6 ]  TALCOTT J A，SIEGEL R D，FINBERG R，et al. Risk as‐
          测模型多是基于传统 Logistic 回归方法建立，仅有 Cho
                                                                  sessment in cancer patients with fever and neutropenia：a
            [13]
          等 研究采用机器学习方法建立模型并取得了良好的
                                                                  prospective，two-center validation of a prediction rule[J]. J
          预测效果。机器学习方法能够弥补传统逻辑回归和数
                                                                  Clin Oncol，1992，10（2）：316-322.
          学模型的不足之处，并且拥有出色的灵敏度、特异度和
                                                             [ 7 ]  LI M，WANG Q，LU P，et al. Development of a machine
          预测能力。机器学习技术已被广泛应用于开发各类疾                                 learning-based  prediction  model  for  chemotherapy-
          病的预测模型，但在乳腺癌化疗所致骨髓抑制的风险预                                induced myelosuppression in children with Wilms’ tumor
          测模型研究领域，相关报道仍然不多。因此，建议在未                                [J]. Cancer （Basel），2023，15（4）：1078.
          来的研究中采用机器学习方法构建预测模型，以此弥补                           [ 8 ]  EPSTEIN  R  S，WEERASINGHE  R  K，PARRISH A  S，


          中国药房  2025年第36卷第5期                                                 China Pharmacy  2025 Vol. 36  No. 5    · 617 ·
   110   111   112   113   114   115   116   117   118   119   120