《Frontiers in Cell and Developmental Biology》：Development and clinical validation of a nursing risk prediction model for chemotherapy-induced febrile neutropenia in patients with cancer
编辑推荐：
为解决化疗致中性粒细胞缺乏伴发热（FN）的早期预警难题，本研究构建了首个整合常规临床指标与护理评估（营养、黏膜炎等）的FN风险预测模型。结果显示该模型具有良好的区分度与校准度，能有效实现早期风险分层，为护理主导的精准预防提供循证工具。
化疗是抗击癌症的利器，但其“杀敌一千，自损八百”的特性常导致骨髓抑制，引发中性粒细胞缺乏伴发热（Febrile Neutropenia, FN）。FN是化疗最凶险的并发症之一，患者一旦中招，往往面临紧急住院、强力抗生素治疗，甚至化疗延期，严重影响抗癌效果和生活质量。尽管现有指南推荐根据化疗方案风险进行预防，但如何在化疗早期、在FN发生前，精准识别出那些“高危个体”，并将有限的护理资源（如高频监测、强化教育）精准投送给他们，一直是临床护理的痛点。现有预测工具多依赖医生视角的实验室数据，忽略了营养状况、口腔黏膜炎、自我管理能力等护理人员可直接观察和干预的关键因素，导致模型“好看不好用”，难以融入日常护理流程。
为此，发表在《Frontiers in Cell and Developmental Biology》上的这项研究，旨在打破这一僵局，开发一款真正为护士量身定制、能指导临床行动的FN早期风险预测模型。
研究技术路径速览
本研究基于单中心真实世界队列（N=2125），随机拆分7:3进行模型开发与验证。核心方法包括：1）数据整合：联动电子病历、检验与护理系统，确保变量可及；2）变量创新：纳入营养风险、黏膜屏障损伤等护理敏感指标；3）建模策略：采用LASSO回归筛选变量+多变量Logistic回归建模；4）效能验证：通过AUC、校准曲线及决策曲线分析（DCA）全面评估临床效用。
研究结果深度解析
3.1 队列构建与基线特征
研究纳入了2125名接受全身化疗的成年癌症患者，按7:3随机分为建模队列（1488人）和验证队列（637人）。统计分析显示，两组患者在年龄、肿瘤类型、化疗强度及关键的护理评估指标上均无显著差异，这为模型训练的稳定性和验证的可靠性打下了坚实基础。
3.2 模型性能：精准且实用
最终确立的“护理增强版”模型表现优异：
- •
区分度好：模型能有效区分谁会发生FN，内部验证的AUC（曲线下面积）令人满意。
- •
校准度佳：预测的风险概率与实际观察到的FN发生率高度匹配，说明模型预测准确，没有过度乐观。
- •
临床有用：决策曲线分析（DCA）显示，在合理的风险阈值范围内，使用该模型指导干预能带来明确的“净获益”，优于“全部干预”或“全部不干预”的粗放策略。
3.3 风险分层与护理路径
研究并未止步于预测概率，而是将其转化为行动指南。根据预测分数将患者分为低、中、高三个风险等级：
- •
低风险：执行常规监测与标准教育。
- •
中风险：加强随访频率，强化体温自我监测指导。
- •
高风险：启动“红色预警”，优先安排密切监护，设定早期触发机制，确保一旦有变能立即就医。
这种分层管理使得护理工作从“一刀切”转变为“按需分配”，极大提升了资源利用效率。
结论与展望
这项研究成功构建并验证了一个护理导向、工作流就绪的FN早期风险预测模型。它最大的价值在于可操作性——将复杂的统计学模型，通过诺模图（Nomogram）和简单评分转化为床边护士能看懂、能使用的决策工具。这不仅为FN的预防提供了新武器，更体现了护理在肿瘤治疗安全体系中的核心价值。未来，若能在更多医疗机构进行外部验证并整合进电子护理记录系统，这一工具有望成为守护化疗患者安全的重要防线。
