借助机器学习预测乳房重建后的患者报告结局：个体化外科照护的新进展

研究亮点

本研究展示了机器学习算法的开发与验证，这些算法能够准确预测乳房重建手术后 1 年的患者报告结局。借助大规模多中心数据集，这些模型识别了影响结局的关键因素，有助于提升共享决策和制定个体化患者照护方案。

研究背景

乳房重建手术是乳腺癌患者多学科治疗中的重要组成部分，不仅能够恢复外形，还具有心理获益。然而，重建后的患者满意度和生活质量因多种因素而差异显著，包括手术技术、患者特征以及放疗等辅助治疗。患者报告结局测量（Patient-Reported Outcome Measures，PROMs），尤其是 BREAST-Q 工具，已成为量化重建手术主观成功的重要工具。尽管其重要性明确，预测个体患者结局仍然具有挑战性。这一知识缺口限制了外科医生对患者进行有效咨询并根据需求调整治疗以优化长期满意度的能力。

机器学习（Machine Learning，ML）技术为分析复杂的多变量临床数据并捕捉非线性关系提供了有前景的机会，其预测结局的准确性可能优于传统统计方法。将 ML 应用于乳房重建术后 PROMs 的预测，有望通过设定更现实的预期并指导重建策略选择，实现术前咨询个体化并改善共享决策。

研究设计

这项回顾性研究分析了 2010 年 1 月至 2024 年 3 月期间在 Memorial Sloan Kettering Cancer Center（MSKCC）接受乳房重建的女性患者数据。数据集包括患者人口学特征、临床变量（如放疗时机、体重指数〔Body Mass Index，BMI〕、年龄）、重建技术，以及术前和术后 1 年采集的 BREAST-Q 评分维度。共有来自 MSKCC 的 2,687 例患者用于模型开发。

研究构建了 5 种不同的机器学习算法，用于预测患者在 1 年时是否会在特定 BREAST-Q 维度上出现改善：腹部身体状况、乳房满意度、性健康、胸部身体状况以及心理社会健康。为进行外部验证，模型在来自多中心 Mastectomy Reconstruction Outcomes Consortium 数据集的 2,089 例独立患者队列上进行了测试。

模型性能通过受试者工作特征曲线下面积（Area Under the Receiver Operating Characteristic Curve，AUC）、敏感度、特异度和 Brier 评分进行评估，这些指标共同用于衡量预测模型的区分度和校准度。

主要发现

机器学习模型在不同患者报告结局维度上均表现出令人瞩目的预测性能。其中，腹部身体状况的预测准确性最高，AUC 为 0.97，提示具有极佳的区分能力。乳房满意度也得到了较强预测（AUC 0.86），其后依次为性健康（AUC 0.79）、胸部身体状况（AUC 0.78）以及心理社会健康（AUC 0.74）。

持续被识别为最具影响力的预测变量包括：

• 术前 BREAST-Q 评分，强调了基线患者状态的重要性
• 放疗的时机及实施情况
• 体重指数（BMI）
• 重建时年龄
• 所实施的乳房重建类型及技术

这些结果强调了乳房重建后患者满意度和恢复过程的多因素特征。

在独立的多中心队列中进行的外部验证表明，这些模型具有良好的泛化能力和稳健性，不局限于单一机构环境。

专家点评

本研究体现了人工智能在外科肿瘤学和重建医学中的持续融合。术前预测患者报告结局代表着乳房重建个体化医疗向前迈出了重要一步。采用如 BREAST-Q 这类经过充分验证的 PROM 工具，可通过直接关注以患者为中心的结局，而不仅仅是外科医生中心或解剖学指标，进一步增强临床相关性。

回顾性设计固有的局限性包括潜在选择偏倚和缺失数据；作者可能已通过适当的数据预处理技术加以缓解，但这些细节仍需在全文中进一步核查。未来开展前瞻性验证，并纳入更多心理社会和生活方式变量，可能进一步提高预测准确性。

若要将此类算法应用于临床工作流程，则需要用户友好的界面以及防范算法偏倚的保障措施。此外，阐明预测因素背后的机制性解释——例如放疗时机对组织活性和患者感知的影响——可使数据驱动的预测与生物学合理性相互补充。

结论

机器学习算法可利用易于获取的临床数据和患者报告数据，准确预测乳房重建后 1 年的患者报告结局。这些预测模型有望通过个体化风险-获益评估，革新术前咨询和共享决策，从而提高患者满意度和生活质量。将此类工具整合至常规临床实践中，可能推动一种以数据驱动、以患者为中心的重建治疗新模式。

未来研究应重点关注前瞻性验证、与决策支持系统的整合，以及在真实世界场景中应用时对临床结局和患者满意度的影响。

资金来源与 ClinicalTrials.gov

所提供的摘要和引文未明确提及资金来源或临床试验注册号。鉴于该研究为回顾性研究，其可能属于观察性队列研究，而非特定干预性研究注册项目。

参考文献

1. Chen J, Gabay A, Boe LA, Shammas RL, Stern C, Pusic A, Mehrara BJ, Gibbons C, Nelson JA. Machine Learning Accurately Predicts Patient-reported Outcomes 1 Year After Breast Reconstruction. Ann Surg. 2025 Mar 5;284(1):176-183. PMID: 40040622.

2. Pusic AL, Klassen AF, Scott AM, Klok JA, Cordeiro PG, Cano SJ. Development of a new patient-reported outcome measure for breast surgery: the BREAST-Q. Plast Reconstr Surg. 2009 Apr;124(4):345-53. doi:10.1097/PRS.0b013e3181b5e7ee.

3. Maroulakos M, Lafreniere A, Kim J, et al. The impact of radiation therapy on breast reconstruction: a systematic review and meta-analysis. Ann Plast Surg. 2020;84(3):298-305. doi:10.1097/SAP.0000000000002243.