更好的短期死亡风险评估可以为针对癌症患者提前护理计划提供信息，还可增加目标一致的癌症护理。通过机器学习（ML）进行死亡率风险预测或是一个好帮手，但该方法并未在癌症患者群体中进行前瞻性验证。2020年9月，发表在《JAMA Oncol》的一项研究，对此进行了探讨。

重要性：ML算法可以识别具短期死亡风险的癌症患者，从而为治疗提供依据并制定治疗计划。但是，尚没有在肿瘤学中对ML死亡风险预测算法进行前瞻性验证，以及与常规使用的预后指标进行比较。

目的：验证整合在电子病历中的ML算法，该算法可实时预测常规肿瘤学队列中180天的死亡风险。

设计、地点和参与者：这项预后研究纳入2019年3月1日～2019年4月30日之间门诊肿瘤患者的前瞻性队列。ML算法使用回顾性实践数据集进行训练，以在患者就诊后4～8天内预测180天的死亡率。在大型美国学术医疗保健系统中，患者就诊于18种医学或妇科肿瘤学实践，包括1家三级临床实践和17家普通肿瘤医院。分析纳入门诊肿瘤科或血液科和肿瘤科≥18岁以上的患者。排除仅进行血液学评估、姑息治疗或康复的患者。

暴露：ML算法。

主要结局和衡量指标：主要结局是患者的180天死亡率。主要性能指标是受试者工作特性曲线下面积（AUC）。

结果：24582名患者中，1022名患者（4.2%）180天内死亡。中位（四分位范围）年龄为64.6（53.6～73.2）岁， 15319名（62.3%）女性，18015（76.0%）名白人， 10658（43.4%）名就诊于三级临床实践。整个队列的AUC为0.89（95%CI，0.88～0.90）。在三级临床实践中，AUC在特定疾病组之间有所不同（AUC范围为0.74～0.96），但三级临床实践和普通肿瘤医院间相似。在用于区分高危和低危患者的预先确定的40%死亡率风险阈值下，高危组观察到的180天死亡率为45.2%（95%CI，41.3%～49.1%），低危组观察到的180天死亡率为3.1%（95%CI，2.9%～3.3%）。将算法整合到东部肿瘤协作组和基于分类器的Elixhauser合并症指数中，可以实现有意义的重新分类（净重新分类指数分别为0.09 [95%CI，0.04～0.14]和0.23 [95%CI，0.20～0.27]）。

结论和相关性：在这项预后研究中，将ML算法切实可行地集成到了电子病历中，以实时准确地预测癌症患者的短期死亡率，并且优于常规使用的预后指标。该算法可为行为干预提供信息，并为癌症患者的治疗目标和生命终期实施早期监护。

（选题审校：王冠儒 编辑：余霞霞）
（本文由北京大学第三医院药剂科翟所迪教授及其团队选题并审校，环球医学资讯编辑完成。）

（专家点评：以机器学习算法为代表的诊断和筛查技术确实可以提高临床效率，但其有效性还需谨慎的验证。）

参考资料：
JAMA Oncol. 2020 Sep 24;6(11):1723-1730.
Validation of a Machine Learning Algorithm to Predict 180-Day Mortality for Outpatients With Cancer
https://pubmed.ncbi.nlm.nih.gov/32970131