《Journal of Radiation Research and Applied Sciences》：Impact of computed tomography radiomics-based predictive model for immunotherapy efficacy in non-small cell lung cancer on predictive nursing outcomes
编辑推荐：
本研究针对非小细胞肺癌(NSCLC)免疫治疗疗效预测及护理优化问题，探索了基于CT影像组学(Radiomics)的预测模型构建及其与预见性护理(Predictive Nursing)的整合应用。研究发现逻辑回归(LR)模型在预测免疫疗效方面表现最佳(准确度0.787，F1-score 0.892)，同时预见性护理显著缩短了引流管拔除时间(52.39±4.32h vs 67.93±5.76h)和住院时间(11.82±1.84天 vs 17.92±2.91天)，并提高了患者生活质量评分(P<0.05)。该研究为构建"预测-干预"一体化临床管理框架提供了初步证据。
肺癌作为全球发病率和死亡率最高的恶性肿瘤之一，严重威胁人类健康。其中非小细胞肺癌(NSCLC)占所有肺癌病例的80%-85%，近年来免疫治疗的兴起虽然改变了癌症治疗格局，但耐药性问题依然突出。传统病理活检作为诊断金标准具有侵入性局限，而免疫治疗反应的个体差异使得早期疗效预测和个性化护理成为临床亟待解决的关键问题。
该研究创新性地将CT影像组学技术与预见性护理理念相结合，在同一患者队列中探索构建"疗效预测-临床护理"一体化框架。研究团队假设，通过早期识别潜在应答/非应答者，并实施针对性的预见性护理措施，能够全面提升患者的短期康复指标和长期生活质量。
本研究发表于《Journal of Radiation Research and Applied Sciences》，共纳入68例NSCLC患者，随机分为对照组(常规护理)和干预组(常规护理+预见性护理)。所有患者接受增强CT扫描，使用ITK-SNAP软件勾画肿瘤感兴趣区域(ROI)，通过AK软件提取强度特征、形态特征(球形度)和纹理特征(灰度共生矩阵等)共451个影像组学特征。采用方差分析和Spearman相关性分析进行特征筛选，最终保留18个非冗余特征。比较了逻辑回归(LR)、支持向量机(SVM)、K近邻(KNN)和AdaBoost四种机器学习算法在预测免疫治疗效果方面的性能，以RECIST v1.1标准作为疗效判定金标准。预见性护理干预包括心理护理、呼吸道护理、保温护理、疼痛护理、导管护理和早期活动等措施。
主要技术方法：研究采用64层螺旋CT进行胸部增强扫描，通过ITK-SNAP软件进行ROI勾画(Dice系数0.87)，提取451个影像组学特征后经两步降维得到18个关键特征。使用嵌套交叉验证构建预测模型，以GQOL-74量表评估生活质量，SPSS 19.0进行统计分析。
3.1. 临床数据统计：两组患者在年龄、性别、吸烟史等基线资料上无显著差异(P>0.05)，保证了组间可比性。
3.2. 特征提取与筛选：从CT图像中成功提取包括直方图特征(56个)、形态特征(12个)和纹理特征(383个)在内的多维度影像组学特征，经过筛选后保留18个与免疫疗效相关的关键特征。
3.3. 免疫疗效预测模型的建立与评估：研究发现经过多重降维后，LR模型在准确度(0.787)、特异性(0.525)、精确度(0.895)、召回率(0.889)和F1-score(0.892)方面均优于其他模型，表明其在预测免疫治疗效果方面具有最佳性能。
3.4. 基于CT影像组学技术的免疫治疗前后图像：典型案例显示，一名54岁女性患者经影像组学模型预测为潜在应答者，治疗后病灶从2.6cm×2.7cm缩小至1.8cm×1.6cm，验证了模型的临床预测价值。
3.5. 术后康复情况比较：干预组引流管拔除时间(52.39±4.32h)和住院时间(11.82±1.84天)显著短于对照组(67.93±5.76h和17.92±2.91天)，差异具有统计学意义(P<0.05)。
3.6. 生活质量评分比较：护理后干预组在躯体功能(96.93±5.21 vs 81.02±6.87)、心理功能(94.93±5.04 vs 78.02±7.12)、社会功能(95.93±4.89 vs 79.02±6.95)和物质生活(95.93±5.15 vs 79.02±7.03)维度评分均显著高于对照组(P<0.001)。
3.7. 并发症发生率比较：干预组并发症发生率(2.94%)低于对照组(17.65%)，但差异未达到统计学意义(P=0.105)，可能与样本量较小有关。
研究结论表明，基于CT增强影像的影像组学技术作为评估NSCLC患者免疫治疗效果的初步预测工具展现出潜力，为对该人群实施预见性护理提供了参考。然而其预测性能特别是特异性(0.525)仍有待提升。预见性护理干预可明显改善护理效果和患者生活质量，虽然并发症发生率的降低未达到统计学意义，但显示了积极趋势。
该研究的创新点在于首次在同一患者队列中平行探索CT影像组学预测模型和结构化预见性护理路径，为构建连贯的"预测-干预"框架提供了初步证据。未来可通过更大规模、前瞻性、多中心研究进一步验证这一整合模式的临床价值，同时纳入PD-L1、TMB(Tumor Mutational Burden)等免疫治疗生物标志物，提升模型的预测性能和临床适用性。这种"预测指导护理"的闭环管理理念，有望实现护理资源更精准的配置和患者康复质量的整体提升。
