Page 95 - 《中国药房》2026年2期

anticipatory nausea and vomiting， gender， age， and highly emetogenic drugs.
KEYWORDS highly emetogenic chemotherapy； chemotherapy-induced nausea and vomiting； neurokinin-1 receptor antagonist； 5-
hydroxytryptamine 3 receptor antagonist

化疗相关性恶心呕吐是接受高致吐性化疗（highly 疗前夜患者睡眠时间＜7 h、上个周期化疗后发生 HEC
emetogenic chemotherapy，HEC）患者治疗过程中的常见 相关性恶心呕吐、院外止吐治疗；（3）心理因素：预期性
[1]
不良反应，严重影响患者的治疗依从性和生存质量 。 恶心呕吐；（4）临床特征：高致吐性药物（highly emeto‐
基于神经激肽 1 受体拮抗剂（neurokinin-1 receptor an‐ genic drugs，HED）、化疗周期数；（5）代谢相关指标：肌酐
tagonist，NK-1 RA）联合 5-羟色胺 3 受体拮抗剂（5-hy‐ 清除率（creatinine clearance rate，Ccr）、丙氨酸转氨酶
droxytryptamine 3 receptor antagonist，5-HT3 RA）和地塞 （alanine aminotransferase，ALT）、天冬氨酸转氨酶（aspar‐
米松的“三联止吐方案”已被国内外指南列为 HEC 相关 tate aminotransferase，AST）、碱性磷酸酶（alkaline phos‐
[2]
性恶心呕吐的标准预防策略 ，但其完全缓解（complete phatase，ALP）、总蛋白（total proteins，TP）、白蛋白（albu‐
response，CR）率在不同患者群体中仍存在显著异质性， min，ALB）、球蛋白（globulin，GLB）、总胆红素（total bili‐
这种差异可能与患者的性别、年龄、心理以及化疗方案 rubin，TBILI）、直接胆红素（direct bilirubin，DBILI）。
等多种因素相关 [3―4] 。由于传统统计模型受限于线性假 1.3 预防失败判断标准
设和固定效应结构，难以有效解析上述因素间的多维非 主要终点为CR，定义为化疗后0～14 d内无呕吐且
线性关系，进而导致个体化预测与干预策略的制订缺乏 无需急救治疗，即三联止吐方案预防有效，反之预防失
[5]
精准依据 。 败。患者通过电子日记记录每日呕吐次数、恶心强度及
近年来，深度学习技术在医疗预测领域展现出巨大 急救药物使用情况，护士每日核查数据完整性。出院患
潜力，其通过多层非线性网络可捕捉高维数据中的复杂 者通过电话或即时通讯工具进行随访，以补充相关
[6]
交互效应 ，但传统深度学习模型的决策过程缺乏可解 记录。
[7]
释性，这一缺陷限制了其在临床实践中的应用 。可解 1.4 数据预处理
[9]
释深度学习技术通过结合注意力机制、特征重要性分析 本研究采用多元填补链式方程 对缺失率＜40%的
等方法，能够揭示模型决策的关键因素，进而为临床决 变量进行填补，并剔除缺失率≥40%的变量。对于分类
[8]
策提供透明且可信的依据 。因此，开发兼具预测性能 变量，采用标签编码使数据符合机器学习计算要求：男
与临床可解释性的深度学习预测模型，已成为优化三联 性赋值为1，女性赋值为0；孕吐史、饮酒史、预期性恶心
止吐方案、实现精准医学目标的重要研究方向。本研究 呕吐、上周期化疗后发生 HEC 相关性恶心呕吐、院外止
旨在构建一种基于可解释深度学习的预测模型，用于评 吐治疗为肯定者赋值为 1，否定者赋值为 0；基于蒽环
估三联止吐方案预防HEC相关性恶心呕吐的有效性，以 类+环磷酰胺的化疗赋值为 1，基于卡铂[药时曲线下面
期为个体化止吐方案的选择提供参考。 积（area under the concentration-time curve，AUC）≥4
1 资料与方法 mg/（mL·min）]的化疗赋值为2，基于顺铂的化疗赋值为
1.1 一般资料 3。为消除量纲差异和异常值的影响，对变量进行 Z-
回顾性收集2018年1月至2022年12月就诊于天津 score 标准化处理。按分层随机法将数据分为训练集
医科大学总医院肿瘤科接受 HEC 且采用三联止吐方案 （80%）与测试集（20%），其中训练集用于模型构建，测试
（NK-1 RA联合5-HT3 RA、地塞米松）癌症患者的病历资 集用于评估模型性能。为了解决数据的不平衡性问题，
料。本研究患者的纳入标准包括：（1）年龄≥18 岁；（2） 在训练集中应用合成少数类过采样技术 生成合成样
[10]
诊断为癌症；（3）接受标准剂量 HEC 方案；（4）有完整的 本，使CR样本与非CR样本达到数据平衡。
三联止吐方案用药记录；（5）有完整的 HEC 相关性恶心 1.5 模型构建与优化
[11]
呕吐随访数据。本研究患者的排除标准为：（1）妊娠期 本研究分别采用深度随机森林 和全连接神经网
患者；（2）同时进行放射治疗患者；（3）使用阿片类药物 络（dense neural network，DNN）2种深度学习算法以及4
患者；（4）中枢神经系统转移或胃肠道梗阻患者。本研 种机器学习算法[支持向量机（support vector machine，
究已通过天津医科大学总医院伦理委员会审批（编号： SVM）、分类提升（categorical boosting，CatBoost）、随机
IRB2021-WZ078），所有患者数据均经过脱敏处理。 森林、决策树]构建预测模型。每个模型均使用 Optuna
1.2 数据收集 框架进行超参数优化，并选择受试者工作特征曲线下面
[4]
参考相关文献 与临床实践收集以下数据——（1） 积（area under the receiver operating characteristic curve，
人口学信息：性别、年龄；（2）既往史：饮酒史、孕吐史、化 AUROC）最高的超参数组合为最优超参数。

中国药房 2026年第37卷第2期 China Pharmacy 2026 Vol. 37 No. 2 · 221 ·