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风险经济毒性的癌症患者——即伴随癌症诊断和治疗而来的经济压力和困难。该研究汇集了霍林斯癌症预防与控制研究计划的多位研究者，反映了该项目对癌症结果、幸存者生活和医疗服务的关注。
发表在《JNCI癌症谱》杂志上的这项研究描述了一种个性化风险预测模型，该模型利用患者信息来估计某人将面临与癌症相关的经济负担（如医疗债务、未付账单或对治疗费用的焦虑）的可能性。
"不幸的是，癌症治疗费用高昂，经济毒性是一个复杂的问题，"首席作者Haluk Damgacioglu博士说。"包括交通费用、住宿费用、收入损失、医疗账单和自付费用。在某些情况下，经济压力甚至可能导致患者延迟或中断治疗。我们的目标是更早地识别出有风险的人，在这些挑战升级之前进行干预。"
更早地将患者与支持服务对接
美国近四分之一的癌症患者经历经济毒性，这包括经济困难和心理压力。
"有物质层面的问题，如债务或未付账单，但也有心理层面的问题，"Damgacioglu解释说。"即使只是担心如何支付治疗费用，也可能成为主要的压力源。"
许多研究已经探讨了在癌症治疗期间最可能经历经济困难的人群，但预测患者风险的方法仍然有限。更早的识别可以帮助在经济压力影响护理决策、治疗依从性或生活质量之前，将高风险患者与咨询和其他服务联系起来。
霍林斯为患者及其家属提供广泛的服务，包括由专门从事癌症护理的咨询师提供的财务咨询。
"在霍林斯，我们有财务导航和咨询服务资源，"Damgacioglu说。"第一步是识别可能需要额外支持的患者，以便我们能更快地将他们与这些资源联系起来。"
构建预测财务风险的工具
为了解决这一差距，研究团队分析了近800名癌症患者的全国调查数据，这些患者在过去一年中正在接受或已完成癌症治疗。如果患者对几个物质困难或心理压力问题中的至少一个回答"是"，则被归类为经历经济毒性，例如借钱、无法支付医疗账单、负债、申请破产或担心与癌症护理相关的未来医疗费用。
研究人员测试了六种机器学习模型，使用患者的人口统计学、临床和财务信息来预测谁会经历经济毒性。然后，他们对模型进行微调以最大化敏感性，优先识别尽可能多的高风险患者。
"我们不想遗漏任何可能经历经济毒性的患者，"Damgacioglu说。"这是研究最重要的目标之一。"
表现最佳的模型以84%的敏感性和75%的特异性识别出有经济毒性风险的患者，在检测需要支持的患者能力与最小化误报之间取得了平衡。该模型识别出大多数可能经历经济毒性的患者，而不会不必要地标记许多假阳性。
该研究还使用可解释的机器学习方法来确定与财务风险最密切相关的因素。其中最强的预测因素包括：
- 年龄较轻
- 收入较低
- 整体健康状况较差
- 正在接受癌症治疗
- 较高的自付医疗费用
为了将研究转化为临床护理，研究团队开发了一个公开可用的基于网络的风险计算器，该计算器估计患者经历经济毒性的可能性，并将其分类为低、中或高。研究人员设想该工具最终将帮助在护理早期将患者与财务和其他支持服务联系起来。他们现在将专注于改进模型，在真实临床环境中测试模型，并探索经济压力如何影响患者的长期健康结果。
"经济毒性是癌症的另一种副作用，"Damgacioglu说。"如果我们能及早识别风险，可能有机会在压力变得难以承受之前帮助患者。"
【全文结束】