预测接受抗生素治疗的癌症患者持续性发热:一种机器学习方法

Predicting persistent fever in patients with cancer receiving antibiotics: a machine learning approach

作者信息Gernot Pucher, Sanjat Kanjilal, Kevin Kopp, Aman Deep, Till Rostalski, Martin Schuler, Felix Nensa, Jens Kleesiek, H Christian Reinhardt, Christopher M Sauer
PMID42966761
发布时间2026-10-31
DOI10.1038/s41746-026-03449-w

实验完整度

中

基于两家医院EHR数据的回顾性队列建模与内外验证,含模型性能评估、校准、决策曲线及亚组分析,但无前瞻性干预验证。

主要模型

University Medicine Essen(UME)癌症住院患者EHR队列(987次住院,794例患者) Brigham and Women’s Hospital(BWH)癌症住院患者EHR队列(7409次住院,6256例患者)

重点核对

发热定义:首次广谱静脉抗生素后24–48小时内至少一次体温≥38.0°C(敏感性分析≥38.3°C) 结局定义:抗生素启用后48–72小时至少一次体温记录,持续发热定义为该窗口内体温≥38.0°C 模型验证:UME内部嵌套5折交叉验证(按患者分组)及BWH外部验证 候选模型:正则化逻辑回归、Random Forest、XGBoost、CatBoost、TabPFN及GLM和naïve基线 分类阈值:内部数据集Youden最优阈值,外部队列保持不变;另评估敏感性≥90%、≥95%、≥98%操作点

摘要

在接受静脉抗生素治疗后,住院癌症患者中持续性发热很常见,并常导致额外的影像学检查和抗菌药物升级。早期识别不太可能持续发热的患者,可在临床再评估时提供额外信息。我们开发并外部验证了机器学习模型,利用两家学术医院的电子健康记录,预测抗生素启用后48-72小时的持续性发热。纳入在治疗24-48小时内出现发热的成年癌症患者。模型纳入了人口统计学、合并症、实验室结果、生命体征和体温模式。最佳性能模型在内部达到AUROC 0.82(95% CI 0.79–0.84),外部达到0.78(95% CI 0.77–0.79)。体温相关变量是主要预测因子。决策曲线分析显示在大部分评估阈值范围内具有正向净获益。回顾性评估提示,大约四分之一的抗生素升级和胸部CT扫描发生在被正确预测为不会持续发热的患者中,突显了发热预测的潜在情境价值。这些发现表明,使用常规数据可以以具有临床意义的准确度预测短期发热持续性。然而,临床使用应限于辅助角色,而非独立的排除决策,并且需要前瞻性研究来评估安全性、临床医生接受度和真实世界影响。

实验结论

提炼研究问题、关键发现与证据,快速把握文章的核心贡献。

研究问题
能否利用常规电子健康记录数据,预测住院癌症患者在接受广谱静脉抗生素后48–72小时是否持续发热?
核心机制
体温相关变量(尤其是时间序列模型预测的最高体温)是模型预测持续发热的主要贡献特征,提示纵向发热轨迹提供超出单次体温测量的信息。
主要证据
在UME内部验证中最佳模型TabPFN的AUROC为0.82(95% CI 0.79–0.84),在BWH外部验证中为0.78(95% CI 0.77–0.79);SHAP分析显示体温衍生变量一致排名最高;决策曲线分析显示多数阈值范围正向净获益。
研究意义
模型可作为临床再评估时的辅助风险估计信号,而非独立排除工具;临床实施前需本地校准、情境特异性阈值选择及前瞻性验证安全性。

研究路径

按研究推进顺序梳理实验设计、验证步骤与关键观察。

1

队列构建与特征提取

从两家医院EHR中识别符合条件的癌症住院患者,并构建预测特征。

从UME HL7 FHIR基础设施和BWH EPIC系统提取数据,筛选年龄≥18岁、肿瘤/血液科入院诊断(ICD-10 C00-C96)、首次广谱静脉抗生素后24–48小时发热、且48–72小时有至少一次体温记录的患者。提取44个常规变量,工程化52个特征。

2

体温预测特征生成

利用时间序列基础模型生成48–72小时最高预测体温,作为额外预测特征。

使用Chronos-2模型,以入院至抗生素启用后48小时的体温测量为输入,预测48–72小时体温,取最高预测值作为分类模型特征。

3

模型训练与内部验证

在UME队列中训练多种候选模型并进行内部验证,评估区分度、校准和临床效用。

训练正则化逻辑回归、Random Forest、XGBoost、CatBoost、TabPFN,并与GLM和naïve基线比较。采用嵌套5折交叉验证(按患者分组),贝叶斯超参数优化,Platt校准。

4

外部验证

评估模型在不同医院环境中的可迁移性和稳健性。

将UME训练好的模型及预处理参数直接应用于BWH队列,分类阈值保持不变,评估区分度、校准和阈值依赖性能。

5

模型解释与亚组分析

评估特征重要性、模型在不同临床亚组中的表现及对发热定义的稳健性。

计算SHAP值和置换特征重要性;按性别、年龄、癌症类型分层;按24–48小时最高体温分层;敏感性分析改变发热阈值至≥38.3°C;标准化BWH体温监测密度;分析ICU和死亡亚组。

6

临床干预回顾性分析

探索模型预测与后续抗生素升级和胸部CT检查的关系。

在正确预测为不会持续发热的患者中,回顾性评估抗生素启用后36–96小时内的抗生素升级和胸部CT检查发生比例。

研究方法

按研究目的归类文中使用的方法,便于定位所需技术。

产品清单

实验环节名称品牌货号
Python 3.11----
Scikit-learn(v1.1.3)--v1.1.3
Optuna(v2.10.1)--v2.10.1
Chronos-2----
ChatGPT 5.1----
Gemini Flash----

关键环节

汇总复现实验时建议重点确认的条件及原文阅读提示。

环节核对要点
研究队列构建
纳入标准:年龄≥18岁、肿瘤/血液科入院诊断(ICD-10 C00-C96)、首次广谱静脉抗生素后24–48小时内体温≥38.0°C、48–72小时至少一次体温记录;排除仅接受预防性抗菌治疗者;中性粒细胞减少不是纳入标准。
阅读提示:Methods中Study cohort小节
结局定义
持续发热定义:抗生素启用后48–72小时至少一次体温≥38.0°C;敏感性分析使用≥38.3°C。
阅读提示:Methods中Study cohort小节及Results中Sensitivity analysis
预测特征与工程化
44个常规变量提取及52个工程化特征;体温特征包括0–24和24–48小时最大值/均值、48小时前最后值、≥38.0°C比例、测量频率、变异性、首末变化、范围、日内最大值、0–48小时趋势、偏度和傅里叶幅度;Chronos-2预测的48–72小时最高体温作为额外特征。
阅读提示:Methods中Covariates小节及Supplementary Table 18
模型训练与验证
嵌套5折交叉验证按患者分组;内部循环贝叶斯超参数优化;预处理仅在训练折拟合;外部验证预处理参数来自UME不变应用;Platt校准仅基于训练数据。
阅读提示:Methods中Model development和Model evaluation小节
分类阈值与性能评估
Youden最优阈值在内部数据集确定并保持不变应用于外部;另评估敏感性≥90%、≥95%、≥98%操作点;性能指标包括AUROC、AUPRC、校准-in-the-large、校准斜率、Brier评分、敏感性、特异性、PPV、NPV、F1。
阅读提示:Methods中Model evaluation小节及Table 2
临床干预回顾性分析
干预窗口为抗生素启用后36–96小时;模型分类基于外折交叉验证预测;抗生素升级定义见Supplementary Table 25。
阅读提示:Methods中Model evaluation小节及Supplementary Table 25