放射性肺炎（RP）是肺癌患者接受胸部放射治疗后常见的并发症，仍然是限制治疗效果的主要因素。RP通常在放射治疗后1至6个月内发生，报告的发病率范围为7%至59%[[1], [2], [3], [4]]。在严重的情况下，患者可能会出现症状性甚至危及生命的肺损伤。因此，早期识别和准确预测RP对于改善患者预后和优化治疗策略具有重要意义。
传统的RP预测模型主要依赖于从剂量-体积直方图中得出的剂量学参数，如Vx（接受阈值剂量的肺体积）和平均肺剂量（MLD）[[5], [6], [7]]。尽管这些参数反映了辐射暴露情况，但由于它们依赖于回顾性数据且未能充分考虑个体生物学易感性和临床异质性，因此在一定程度上限制了其预测准确性。
新兴证据表明，多种生物标志物与RP的发病机制有关，如单核苷酸多态性[8]、血浆细胞因子[9,10]和中性粒细胞与淋巴细胞比值（NLR）[11]。然而，这些标志物的临床应用受到样本量小、侵入性高、技术复杂性和成本高昂等因素的阻碍。同时，越来越多的证据表明，临床因素（包括吸烟史[3,12]、既往的肺部或心脏疾病[[13], [14], [15], [16]]、基线健康状况[[17], [18], [19]]以及化疗史[[20], [21], [22]]也可能影响个体对RP的易感性。
最近，人工智能的进步使得放射组学和剂量组学方法能够用于RP预测。放射组学从医学图像中提取高维特征，而剂量组学则捕捉三维剂量分布信息，为风险分层提供了新的途径[23,24]。尽管这些方法具有潜力，但在临床应用中仍面临诸多障碍，包括特征稳定性不足、跨机构通用性差、由于“黑箱”性质导致的可解释性有限，以及数据异质性和样本量小的问题[25,26]。
总之，尽管文献中已经确定了许多RP的风险因素，但不同规模和异质性的研究之间的证据仍然分散，缺乏系统的整合和定量比较。这种碎片化的状况使得在临床实践中建立统一和标准化的风险评估系统变得复杂。在这项研究中，我们旨在利用系统评价和荟萃分析的证据，开发出一个实用且稳健的风险评分系统，以便在常规临床环境中早期识别高风险患者。
