乳腺癌化疗致骨髓抑制风险预测模型的系统评价

刘阳; 李红健; 吴建华; 刘学涛; 焦敏; 于鲁海

doi:10.6039/j.issn.1001-0408.2025.05.19

您当前的位置：

首页 >

文章列表页 >

乳腺癌化疗致骨髓抑制风险预测模型的系统评价

循证药学 | 更新时间：2025-09-26

- 乳腺癌化疗致骨髓抑制风险预测模型的系统评价
- Systematic review of risk predictive models for chemotherapy-induced myelosuppression in breast cancer
- 中国药房 2025年36卷第5期页码：612-618
- 作者机构：
  
  1.新疆维吾尔自治区人民医院药学部，乌鲁木齐　830001
  2.石河子大学药学院，新疆石河子　832000
- 作者简介：
  
  硕士研究生。研究方向：临床药学。E-mail：2363901559@qq.com
  主任药师，硕士生导师，硕士。研究方向：医院药学、药物分析。E-mail：1523264450@qq.com
- 基金信息：
  
  “天山英才”医药卫生高层次人才培养计划项目(TSYC202301A028)
- DOI：10.6039/j.issn.1001-0408.2025.05.19
  中图分类号： R979.1
- 收稿日期：2024-08-29，
  
  修回日期：2025-01-07，
  
  录用日期：2025-01-07，
  
  纸质出版日期：2025-03-15
- 稿件说明：
移动端阅览
刘阳,李红健,吴建华,等.乳腺癌化疗致骨髓抑制风险预测模型的系统评价[J].中国药房,2025,36(05):612-618.

LIU Yang,LI Hongjian,WU Jianhua,et al.Systematic review of risk predictive models for chemotherapy-induced myelosuppression in breast cancer[J].ZHONGGUO YAOFANG,2025,36(05):612-618.
刘阳,李红健,吴建华,等.乳腺癌化疗致骨髓抑制风险预测模型的系统评价[J].中国药房,2025,36(05):612-618. DOI： 10.6039/j.issn.1001-0408.2025.05.19.

LIU Yang,LI Hongjian,WU Jianhua,et al.Systematic review of risk predictive models for chemotherapy-induced myelosuppression in breast cancer[J].ZHONGGUO YAOFANG,2025,36(05):612-618. DOI： 10.6039/j.issn.1001-0408.2025.05.19.

摘要

目的

系统评价乳腺癌化疗致骨髓抑制的风险预测模型，为临床医疗工作者选择或开发有效预测模型提供科学的参考依据。

方法

系统检索中国知网、维普网、万方数据库、PubMed、Web of Science、Cochrane Library、Embase、Scopus数据库中有关乳腺癌化疗致骨髓抑制风险预测模型的研究，检索时限为建库至2024年5月7日。由2名研究者独立筛选文献，根据预测模型系统评价的严格评估和数据清单提取数据，并采用预测模型研究的偏倚风险评价工具分析纳入研究的偏倚风险和适用性。

结果

共纳入7项研究，包含12个模型，其中11个模型报告了受试者工作特征曲线下面积，为0.600～0.908；2个模型报告了校准方法；纳入模型常见的预测变量为年龄、化疗前中性粒细胞计数、化疗前淋巴细胞计数、化疗前白蛋白含量。7项研究整体偏倚风险高（主要原因为研究设计缺陷、样本量不足、变量处理方式不当、未报告缺失数据、模型评估指标缺乏等）但适用性良好。

结论

乳腺癌化疗致骨髓抑制风险预测模型的预测性能有待进一步提升，且模型整体偏倚风险高。未来的研究应遵循模型开发与报告规范，并结合机器学习算法开发出预测性能好、稳定性强、偏倚风险低的风险预测模型，为临床提供决策依据。

Abstract

OBJECTIVE

To systematically evaluate risk prediction models for chemotherapy-induced myelosuppression in breast cancer， and provide a scientific reference for clinical healthcare workers in selecting or developing effective predictive models.

METHODS

A systematic search was conducted for studies on predictive models of the risk of chemotherapy-induced myelosuppression in breast cancer across the CNKI， VIP， Wanfang， PubMed， Web of Science， Cochrane Library， Embase， and Scopus databases， with a time frame of the establishment of the database to May 7， 2024. Literature was independently screened by 2 investigators， data were extracted according to critical appraisal and data extraction for systematic reviews of predictive model studies， and the risk of bias evaluation tool for predictive model studies was used to analyze the risk of bias and applicability of the included studies.

RESULTS

There were totally 7 studies， comprising 12 models. Among them， 11 models indicated an area under the subject operating characteristic curve of 0.600-0.908； 2 models indicated calibration. The common predictor variables of the included models were age， pre-chemotherapy neutrophil count， pre-chemotherapy lymphocyte count， and pre-chemotherapy albumin. The overall risk of bias of the 7 studies was high， which was mainly attributed to the flaws in the study design， insufficient sample sizes， inappropriate treatment of variables， non-reporting of missing data， and the lack of indicators for the assessment of the models， but the applicability was good.

CONCLUSIONS

The predictive performance of risk predictive models for chemotherapy-induced myelosuppression in breast cancer remains to be further enhanced， and the overall risk of model bias is high. Future studies should follow the specifications of model development and reporting， then combine machine learning algorithms to develop risk predictive models with good predictive performance， high stability， and low risk of bias， so as to provide a decision-making basis for the clinic.

关键词

Keywords

references

BRAY F ， LAVERSANNE M ， SUNG H ， et al . Global cancer statistics 2022：GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries [J ] . CA Cancer J Clin ， 2024 ， 74 （ 3 ）： 229 - 263 .

LIN S Z ， LEI S ， LIU W ， et al . Safety analysis of therapeutic drugs for breast cancer patients and construction of a predictive model for serious adverse drug reactions [J ] . Eur J Clin Pharmacol ， 2024 ， 80 （ 2 ）： 249 - 259 .

TAYLOR S J ， DUYVESTYN J M ， DAGGER S A ， et al . Preventing chemotherapy-induced myelosuppression by repurposing the FLT3 inhibitor quizartinib [J ] . Sci Transl Med ， 2017 ， 9 （ 402 ）： eaam8060 .

BARRETO J N ， MCCULLOUGH K B ， ICE L L ， et al . Antineoplastic agents and the associated myelosuppressive effects：a review [J ] . J Pharm Pract ， 2014 ， 27 （ 5 ）： 440 - 446 .

HAVRILESKY L J ， REINER M ， MORROW P K ， et al . A review of relative dose intensity and survival in patients with metastatic solid tumors [J ] . Crit Rev Oncol Hematol ， 2015 ， 93 （ 3 ）： 203 - 210 .

TALCOTT J A ， SIEGEL R D ， FINBERG R ， et al . Risk assessment in cancer patients with fever and neutropenia：a prospective，two-center validation of a prediction rule [J ] . J Clin Oncol ， 1992 ， 10 （ 2 ）： 316 - 322 .

LI M ， WANG Q ， LU P ， et al . Development of a machine learning-based prediction model for chemotherapy-induced myelosuppression in children with Wilms’ tumor [J ] . Cancer （Basel）， 2023 ， 15 （ 4 ）： 1078 .

EPSTEIN R S ， WEERASINGHE R K ， PARRISH A S ， et al . Real-world burden of chemotherapy-induced myelosuppression in patients with small cell lung cancer：a retrospective analysis of electronic medical data from community cancer care providers [J ] . J Med Econ ， 2022 ， 25 （ 1 ）： 108 - 118 .

MOONS K G M ， DE GROOT J A H ， BOUWMEESTER W ， et al . Critical appraisal and data extraction for syste- matic reviews of prediction modelling studies：the CHARMS checklist [J ] . PLoS Med ， 2014 ， 11 （ 10 ）： e1001744 .

WOLFF R F ， MOONS K G M ， RILEY R D ， et al . PROBAST：a tool to assess the risk of bias and applica- bility of prediction model studies [J ] . Ann Intern Med ， 2019 ， 170 （ 1 ）： 51 - 58 .

DRANITSARIS G ， RAYSON D ， VINCENT M ， et al . Identifying patients at high risk for neutropenic complications during chemotherapy for metastatic breast cancer with doxorubicin or pegylated liposomal doxorubicin：the development of a prediction model [J ] . Am J Clin Oncol ， 2008 ， 31 （ 4 ）： 369 - 374 .

JENKINS P ， SCAIFE J ， FREEMAN S . Validation of a predictive model that identifies patients at high risk of developing febrile neutropaenia following chemotherapy for breast cancer [J ] . Ann Oncol ， 2012 ， 23 （ 7 ）： 1766 - 1771 .

CHO B J ， KIM K M ， BILEGSAIKHAN S E ， et al . Machine learning improves the prediction of febrile neutropenia in Korean inpatients undergoing chemotherapy for breast cancer [J ] . Sci Rep ， 2020 ， 10 （ 1 ）： 14803 .

CHEN K ， ZHANG X L ， DENG H R ， et al . Clinical predictive models for chemotherapy-induced febrile neutropenia in breast cancer patients：a validation study [J ] . PLoS One ， 2014 ， 9 （ 6 ）： e96413 .

李亚玲，饶真真，胡保玲，等 . 乳腺癌化疗患者骨髓抑制风险预测模型的构建与验证 [J ] . 军事护理， 2024 ， 41 （ 2 ）： 6 - 10 .

LI Y L ， RAO Z Z ， HU B L ， et al . Construction and validation of a risk prediction model for myelosuppression in breast cancer chemotherapy patients [J ] . Mil Nurs ， 2024 ， 41 （ 2 ）： 6 - 10 .

黄家良，夏坤健，郭伟，等 . 三阴性乳腺癌化疗致重度骨髓抑制的危险因素分析及其预测模型的构建 [J ] . 中山大学学报（医学科学版）， 2023 ， 44 （ 5 ）： 886 - 892 .

HUANG J L ， XIA K J ， GUO W ， et al . Risk factors and predictive model for severe myelosuppression due to chemotherapy in triple-negative breast cancer [J ] . J Sun Yat Sen Univ Med Sci ， 2023 ， 44 （ 5 ）： 886 - 892 .

CHANG L L ， SCHNEIDER S M ， CHIANG S C ， et al . Implementing an evidence-based risk assessment tool to predict chemotherapy-induced neutropenia in women with breast cancer [J ] . Cancer Nurs ， 2013 ， 36 （ 3 ）： 198 - 205 .

ERNSTER V L . Nested case-control studies [J ] . Prev Med ， 1994 ， 23 （ 5 ）： 587 - 590 .

CAO W ， CHEN H D ， YU Y W ， et al . Changing profiles of cancer burden worldwide and in China：a secondary analysis of the global cancer statistics 2020 [J ] . Chin Med J （Engl）， 2021 ， 134 （ 7 ）： 783 - 791 .

NATTINO G ， PENNELL M L ， LEMESHOW S . Assessing the goodness of fit of logistic regression models in large samples：a modification of the Hosmer-Lemeshow test [J ] . Biometrics ， 2020 ， 76 （ 2 ）： 549 - 560 .

PARK S H ， HAN K . Methodologic guide for evaluating clinical performance and effect of artificial intelligence technology for medical diagnosis and prediction [J ] . Radio-logy ， 2018 ， 286 （ 3 ）： 800 - 809 .

TALARI K ， GOYAL M . Retrospective studies：utility and caveats [J ] . J R Coll Physicians Edinb ， 2020 ， 50 （ 4 ）： 398 - 402 .

OGUNDIMU E O ， ALTMAN D G ， COLLINS G S . Adequate sample size for developing prediction models is not simply related to events per variable [J ] . J Clin Epidemiol ， 2016 ， 76 ： 175 - 182 .

COLLINS G S ， OGUNDIMU E O ， COOK J A ， et al . Quantifying the impact of different approaches for hand- ling continuous predictors on the performance of a prognostic model [J ] . Stat Med ， 2016 ， 35 （ 23 ）： 4124 - 4135 .

PESKOE S B ， ARTERBURN D ， COLEMAN K J ， et al . Adjusting for selection bias due to missing data in electronic health records-based research [J ] . Stat Methods Med Res ， 2021 ， 30 （ 10 ）： 2221 - 2238 .

LEON RAPOPORT B ， GARCIA-MORILLO M ， FONT C ， et al . A prospective，real-world，multinational study of febrile neutropenia （FN） occurrence in oncology patients receiving chemotherapy with intermediate risk of FN：a MASCC Neutropenia，Infection，and Myelosuppression Study Group initiative [J ] . Support Care Cancer ， 2023 ， 31 （ 12 ）： 628 .

DAI Y ， LIU M B ， LEI L ， et al . Prognostic significance of preoperative prognostic nutritional index in ovarian cancer：a systematic review and meta-analysis [J ] . Medicine （Baltimore）， 2020 ， 99 （ 38 ）： e21840 .

CHEN L ， BAI P ， KONG X Y ， et al . Prognostic nutritional index （PNI） in patients with breast cancer treated with neoadjuvant chemotherapy as a useful prognostic indicator [J ] . Front Cell Dev Biol ， 2021 ， 9 ： 656741 .

ZHOU Y L ， LIU Y D ， ZHANG Y ， et al . Identifying non-linear association between maternal free thyroxine and risk of preterm delivery by a machine learning model [J ] . Front Endocrinol （Lausanne）， 2022 ， 13 ： 817595 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

我国医疗机构临床药师岗位培训现状分析

头孢哌酮舒巴坦致成人凝血功能异常危险因素的系统评价

中国养老机构老年人群合理用药相关研究的系统评价

中国急性缺血性卒中人群药物经济学研究的系统评价

纳米递送系统在乳腺癌治疗中的研究进展