对于许多正在接受化疗等静脉治疗的肿瘤患者而言，一根深入大血管的中心静脉导管（CVC）是维系治疗的“生命线”。然而，这根管子本身也带来了一个常见的、可能危及生命的并发症——导管相关血栓（Catheter-Related Thrombosis, CRT）。血栓的形成不仅会堵塞导管，影响治疗，更可能脱落并随血液流动，导致肺栓塞等严重后果。因此，预防CRT是肿瘤支持治疗中的关键环节。但一个长期困扰临床医生的难题是：面对千差万别的患者，我们如何进行精准的预防？对所有患者都采取相同的预防策略，要么导致低危患者的过度治疗和潜在出血风险，要么对高危患者的保护不足。实现个性化预防，核心在于回答两个问题：哪些患者在哪些时间段是发生CRT的“高危人群”和“高危时段”？ 这正是Ge, Liu等人发表在《Communications Medicine》上的研究旨在解决的核心问题。
为了构建一个能够动态预测风险的模型，研究团队没有采用传统的、仅给出一个固定风险评分的模型，而是转向了生存分析模型。这种模型能够整合时间维度，预测“事件”（即发生CRT）在特定时间点之后发生的概率，从而描绘出风险随时间变化的曲线。这项研究前瞻性地收集了来自4个中心的30,947名肿瘤患者的导管置入数据，开发并验证了一个名为SM-CRT的生存模型。这个模型拥有两大“利器”：一是连续风险排序（crank）预测 ，能够对所有患者从高到低进行风险排序，识别出高危个体；二是生存分布（distr）预测 ，能够估算每位患者在导管留置期间的任何时间点发生CRT的概率，从而识别出高风险时期。
在关键技术方法上，本研究核心是构建并验证SM-CRT生存模型。首先，研究团队前瞻性地收集了来自4个医疗中心的大规模肿瘤患者队列（n=30,947）的导管置入及随访数据。模型构建采用了机器学习生存分析框架，最终生成的SM-CRT模型能够同时输出针对个体的crank评分和distr生存概率曲线。模型性能通过区分度（c-index）和校准度等指标，在内部测试集和两个外部独立测试集中进行了严格验证。此外，研究还通过多变量分析确定了关键风险因素，并基于模型的distr预测结果，对患者进行了风险分层和分组比较。
研究结果
模型性能与风险因素识别
SM-CRT模型在识别高危患者方面表现出稳健的性能。在基于crank预测的前瞻性测试数据集中，其区分度指标c-index达到0.714，在两个外部测试集中也分别达到0.678和0.779，证明了模型良好的泛化能力。通过模型分析，研究确定了几个关键的CRT高风险因素，包括：经股静脉置入的中心静脉导管（FICC）、经外周静脉置入的中心静脉导管（PICC）、胸腔内肿瘤以及使用烷化剂类药物。
基于风险预测的患者分层
研究人员进一步根据模型的distr预测结果，将患者分为三组：高风险组、低风险组和长期平稳组。分析发现，无论是在训练数据集还是测试数据集中，预测为低风险组和长期平稳组的患者，其每日CRT事件发生率均显著低于高风险组。具体而言，在训练集中，低风险组与高风险组相比的优势比（OR）为0.54（95% CI [0.38–0.91]，调整后p值[padj ] <0.001），长期平稳组的OR为0.39（95% CI [0.34–0.44]， padj <0.001）。在测试集中，低风险组的OR为0.47（95% CI [0.28–0.87]， padj = 0.024），长期平稳组的OR为0.41（95% CI [0.28–0.61]， padj <0.001）。这证实了模型能够有效区分出不同风险层级的患者。
结论与意义
本研究成功开发并验证了SM-CRT模型，这是一个专门用于预测肿瘤患者导管相关血栓风险的机器学习生存模型。首先 ，基于crank预测的高c-index值证明了该模型在识别需要优先进行血栓预防的高危患者方面具有强大能力，为临床实施个体化的血栓药物预防（个体化血栓预防）提供了量化依据。更重要的是 ，该模型通过distr预测能够识别出导管留置期间发生CRT的高风险时段，从而为指导个性化的拔管时机（优化拔管时间）提供了前所未有的决策支持。这意味着医生不仅知道“谁”风险高，还能预判“何时”风险最高，从而在最关键的时期加强监测或考虑提前拔管，在风险降低后则可能延长必要的导管留置时间。这项工作将大数据、机器学习与临床生存分析相结合，推动了导管相关血栓的管理从“一刀切”的普适性预防，迈向基于精准风险分层的动态个体化预防新阶段，对于改善肿瘤患者的治疗安全性与生活质量具有重要意义。
打赏
