化疗后初级肝癌中中度至严重疼痛的预测模型:多中心前性病例控制研究

科学领域:

• 在瘤学瘤学.
• 疼痛管理 疼痛管理
• 人工智能在医学中的应用

背景情况:

• 在接受化疗的原发性肝癌 (PHC) 患者中,中度至严重疼痛的高发病率.
• 标准化治疗提供有限的疼痛控制,需要主动的疼痛预防策略.
• 缺乏前性模型来预测PHC患者的化疗诱导疼痛.

研究的目的:

• 开发和验证在接受化疗的PHC患者中适度至严重疼痛的预测模型.
• 为了确定与化疗后疼痛相关的重大风险因素.
• 利用人工智能进行早期疼痛风险评估.

主要方法:

• 一项前性病例控制研究,涉及467名接受化疗的PHC患者.
• 在入院和化疗后24小时收集的数据.
• 使用后勤回归进行风险因素分析,并开发反向传播人工神经网络 (BP-ANN) 模型.

主要成果:

• 在BP-ANN模型中,AUC为0.808,灵敏度为70.6%,特异性为81.7%.
• 内部验证显示AUC为0.783,敏感度为78.8%,特异性为70.8%.
• 确定的预测因素包括年龄,BMI,失眠,职业,特定的化疗药物 (伦瓦斯蒂尼布,奥克萨利普拉丁,多纳费尼布),儿童-普格评分,肝酶,癌症阶段和ECOG性能状态.

结论:

• 该BP-ANN模型表明,在PHC患者的化学疗法后,对中度至重度疼痛具有显著的预测价值.
• 该模型可以帮助进行早期临床查,并为针对性疼痛管理干预提供信息.
• 未来对该模型的可视化可以增强其用于预防疼痛的临床实用性.