生物行移动版

南卡罗来纳医科大学霍林斯癌症中心的研究人员开发了一种机器学习工具，用于识别可能面临高财务毒性风险的癌症患者——财务毒性是指伴随癌症诊断而来的经济压力和困难。该研究发表在《JAMA网络开放获取》杂志上，利用美国国家健康访谈调查（NHIS）中数千名癌症幸存者的数据，训练了一个随机森林（或XGBoost）模型来预测财务毒性。该模型所使用的特征包括：保险状况（无保险 vs. 公共保险（Medicaid/Medicare） vs. 私人保险）、收入水平（年收入<$35,000vs\mathrm{.}\ge$35,000）、就业状况（全职 vs. 兼职 vs. 残疾/退休）、种族/民族（黑人、西班牙裔 vs. 白人）以及癌症类型（乳腺癌 vs. 结直肠癌 vs. 肺癌 vs. 前列腺癌 vs. 血液系统恶性肿瘤）。该模型在预测财务毒性（定义为因费用而延迟/放弃癌症治疗、动用积蓄支付医疗账单或因医疗债务而申请破产）方面的受试者工作特征曲线下面积（AUC-ROC）达到了0.85-0.90。该工具可被整合到电子健康记录（EHR）中，使肿瘤科医生、护士和社工能够识别出高风险患者，并将其转诊至金融导航服务。

癌症诊断后的财务毒性

在美国，癌症治疗的中位费用为50,000-100,000美元，而对于需要骨髓移植或CAR-T细胞疗法的患者，费用可能超过500,000美元。约30-40% 的癌症幸存者报告经历过一定程度的财务毒性。财务毒性与治疗依从性降低（放弃或延迟随访）、生活质量下降（焦虑、抑郁）以及过早死亡风险增加相关。

预测财务毒性的机器学习模型

该模型利用美国国家健康访谈调查（NHIS）中数千名癌症幸存者的数据，训练了一个随机森林（或XGBoost）模型来预测财务毒性。在预测因费用而延迟/放弃癌症治疗方面的AUC-ROC为0.85-0.90。最重要的预测因子包括：保险状况（无保险 vs. 公共保险 vs. 私人保险）、收入水平（年收入<$35,000）、就业状况（残疾/退休）以及癌症类型（肺癌、血液系统恶性肿瘤）。

临床意义

1. 筛查

在初诊时，肿瘤科医生或护士可使用该工具计算患者的财务毒性风险评分。被归类为高风险的患者可由社工或金融导航员进行接诊。

2. 干预措施

对于面临财务毒性的高风险患者，社工可以帮助他们申请Medicaid、药品援助计划（PAPs）或非营利组织的资助。临床医生可优先选择成本较低的化疗方案（例如，使用5-氟尿嘧啶/亚叶酸而非卡培他滨），或在监管标准范围内使用仿制药而非品牌药。

未来方向

1. 外部验证：在独立队列（例如，SEER-Medicare数据集）中验证该机器学习模型。

2. 电子健康记录（EHR）整合：将该工具作为Epic或Cerner电子健康记录系统中的一个模块，以便自动计算财务毒性风险评分。

3. 干预试验：在一项随机对照试验中，将高风险患者随机分配至“强化财务导航”组与“常规护理”组。主要结局：12个月时的财务毒性（医疗账单困境）和癌症治疗依从性。

结论

这项发表在《JAMA网络开放获取》上的研究开发了一个机器学习工具，用于识别面临财务毒性高风险的癌症患者。 该工具可帮助肿瘤科医生、护士和社工主动将高风险患者转诊至金融导航服务，从而可能减轻经济压力并改善治疗依从性。