基于机器学习和传统回归方法的肺癌患者EORTC QLQ-C30/QLQ-LC13与SF-6D效用指数映射模型构建

本研究针对肺癌临床研究中偏好型健康效用指标缺失的问题，开发了从EORTC QLQ-C30/QLQ-LC13量表到SF-6D效用指数的映射算法。四川癌症医院团队通过比较OLS、GLM等传统方法与GBM、SVR等机器学习模型，最终建立Ridge回归最优模型（R2=0.753，MAE=0.057），为肺癌经济评估提供了可靠的效用值转化工具。

在肺癌治疗领域，临床研究常使用欧洲癌症研究与治疗组织开发的EORTC QLQ-C30核心量表及其肺癌模块QLQ-LC13评估患者生命质量。然而这些疾病特异性量表无法直接用于卫生经济学评价中的成本效用分析(CUA)，因为后者需要偏好型效用指标如SF-6D来计算质量调整生命年(QALY)。这种"测量工具鸿沟"使得大量临床研究数据难以支持医疗决策，特别是在资源有限的发展中国家。

为解决这一关键问题，四川癌症医院胸外科团队开展了一项创新研究。他们收集了625例中国肺癌患者的EORTC QLQ-C30、QLQ-LC13和SF-6D数据，首次系统比较了传统回归与机器学习在量表映射中的性能。研究发现QLQ-C30中的躯体功能维度与SF-6D相关性最高（r=0.843），而包含肺癌特异性症状的QLQ-LC13模块反而降低了模型预测精度。通过五折交叉验证，研究最终确立岭回归(Ridge Regression)为最优模型，其预测误差MAE仅0.057，显著优于既往文献报道。该成果发表于《Health and Quality of Life Outcomes》，为转化非偏好型量表数据提供了方法学突破。

关键技术方法包括：1）采用多中心横断面设计，纳入四川癌症医院625例肺癌患者队列；2）运用Spearman相关分析验证量表间概念重叠度；3）并行测试OLS、GLM等传统方法与GBM、SVR等机器学习算法；4）通过五折交叉验证评估R²、RMSE等指标；5）使用方差膨胀因子(VIF)诊断多重共线性。

研究结果
Score distribution and sample characteristics
样本平均SF-6D效用值为0.774（SD=0.154），7.36%患者出现上限效应（健康状态"11111"）。QLQ-C30情绪功能得分最高（78.58±18.23），经济困难症状最显著（30.95±21.12）。

Overlap of concepts
Spearman分析显示QLQ-C30躯体功能与SF-6D相关性最强（r=0.843），而便秘/腹泻等维度无统计学意义。QLQ-LC13中呼吸困难与SF-6D负相关最显著（r=-0.699）。

Model performance
在20个候选模型中，包含QLQ-C30全部维度+年龄性别的岭回归模型(RR4)表现最优（R²=0.753，MAPE=8.169%）。VIF分析证实该模型有效解决了传统OLS的多重共线性问题（最大VIF=34.37）。

讨论与结论
该研究首次建立了亚洲人群EORTC量表向SF-6D的转化桥梁，其预测精度（MAE=0.057）优于欧美同类研究。值得注意的是，尽管QLQ-LC13能捕捉肺癌特异性症状，但其与通用效用指标的 conceptual mismatch 反而降低了映射效果，这一发现对量表选择具有重要指导意义。研究同时揭示了机器学习在健康效用预测中的潜力，特别是处理非线性关系时，GBM模型在MAE指标上展现出优势。

作为方法学创新，该算法使既往仅含EORTC量表的临床研究得以参与卫生技术评估(HTA)，对于医疗资源优化具有现实意义。作者建议未来研究应验证SF-6Dv2新版量表的性能，并开展多中心外部验证。这项成果不仅填补了肺癌领域映射研究的空白，更为肿瘤经济学评价提供了可推广的方法学框架。