Ⅲ—Ⅳ期肺癌免疫检查点抑制剂治疗30天内非计划再入院风险预测模型

doi:10.3969/j.issn.1006-5725.2026.01.001

摘要/Abstract

摘要：

目的探讨Ⅲ—Ⅳ期肺癌免疫检查点抑制剂（immune checkpoint inhibitors，ICIs）治疗后30 d内非计划再入院（unplanned patient readmission， UPR）的危险因素，构建并验证相应的风险预测模型。方法收集2023年1月至2024年5月在重庆市中医院接受ICIs治疗的Ⅲ—Ⅳ期肺癌患者的资料。应用Boruta算法初筛风险因素，采用logistic回归识别独立危险因素，构建列线图预测模型。通过受试者工作特征曲线（ROC）评估模型区分能力，以校准曲线验证模型一致性，利用决策曲线分析（DCA）评估其临床实用性。采用限制性立方样条回归（RCS）联合SHAP可解释分析明确危险因素与非计划再入院之间的剂量反应关系及阈值点。结果最终纳入284例患者，UPR发生率为30.63%。logistic回归分析显示住院天数、NRS 2002评分、介入治疗及KPS评分是非计划再入院的独立风险因素（P < 0.05）。模型训练集的ROC曲线AUC = 0.88，95%CI： 0.84 ~ 0.93，灵敏度84%，特异度80%，验证集的ROC曲线AUC = 0.87，95%CI： 0.79 ~ 0.95，灵敏度82%，特异度70%，模型的校准曲线接近于对角线，显示良好的准确性；DCA分析显示模型阈值在10% ~ 90%之间具有净获益，SHAP分析显示住院天数是UPR的关键因素，SHAP-RCS分析发现住院天数> 6.43 d、NRS 2002 > 2.05、KPS < 79.01且有介入手术史的患者再入院风险更高。结论基于4个风险因素构建的预测模型能有效预测Ⅲ—Ⅳ期肺癌ICIs患者30 d内非计划再入院的风险，具有良好的临床适用性，对于高风险患者应予以重点关注及提前干预。

关键词: 肺癌, 免疫检查点抑制剂治疗, 非计划再入院, Boruta算法, 预测模型

Abstract:

Objective To identify risk factors for unplanned 30-day readmission （UPR） following immune checkpoint inhibitors （ICIs） treatment in stage Ⅲ—Ⅳ lung cancer patients and to develop/validate a predictive model. Methods We retrospectively analyzed clinical data from stage Ⅲ—Ⅳ lung cancer patients treated with ICIs at our institution （January 2023-May 2024）. Risk factors were preliminarily screened using the Boruta algorithm； independent predictors were identified via logistic regression. A nomogram prediction model was subsequently developed. Model performance was evaluated by： discrimination （receiver operating characteristic curves， ROC）， calibration （calibration plots）， and clinical utility （decision curve analysis， DCA）. Restricted cubic spline （RCS） regression combined with SHapley Additive exPlanations （SHAP） analysis further explored dose-response relationships and threshold effects of key risk factors on UPR. Results Among 284 included patients， the UPR incidence was 30.63%. Independent risk factors identified by logistic regression were： hospital length of stay， Nutritional Risk Screening 2002 （NRS 2002） score， invasive procedures， and Karnofsky Performance Status （KPS） score （all P < 0.05）. The model showed strong discrimination： training set AUC = 0.88 （95% CI： 0.84 ~ 0.93）， sensitivity 84%， specificity 80%； validation set AUC = 0.87 （95% CI： 0.79 ~ 0.95）， sensitivity 82%， specificity 70%. Calibration curves indicated good model fit. Decision curve analysis demonstrated positive net benefit at threshold probabilities of 10%~90%. SHAP analysis prioritized length of stay as the most influential predictor； SHAP-RCS analysis revealed increased UPR risk when： hospital stay > 6.43 days， NRS 2002 > 2.05， KPS < 79.01， or prior invasive procedures. Conclusion The nomogram model incorporating four key risk factors effectively predicts 30-day unplanned readmission risk in stage Ⅲ—Ⅳ lung cancer patients receiving ICI therapy. With robust performance and clinical utility， it may facilitate early identification and intervention for high-risk individuals.

Key words: lung neoplasms, immune checkpoint inhibitors, unplanned readmission, boruta algorithm, predictive model

中图分类号:

R473

邓波,彭曹霞,熊启连,辇伟奇,刘影. Ⅲ—Ⅳ期肺癌免疫检查点抑制剂治疗30天内非计划再入院风险预测模型[J]. 实用医学杂志, 2026, 42(1): 1-11.

Bo DENG,Caoxia PENG,Qilian XIONG,Weiqi NIAN,Ying LIU. Predictive model for unplanned 30-day readmission in stage Ⅲ—Ⅳ lung cancer patients receiving immune checkpoint inhibitors[J]. The Journal of Practical Medicine, 2026, 42(1): 1-11.

图/表 7

表1

图1

表2

图2

图3

图4

图5

参考文献 48

[1]	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. doi： 10.3322/caac.21834 . doi: 10.3322/caac.21834
[2]	SÁNCHEZ J C， NUÑEZ-GARCÍA B， RUANO-RAVINA A， et al. Patterns and outcome of unplanned care in lung cancer patients： An observational study in a medical oncology department［J］. Transl Lung Cancer Res， 2023， 12（8）：1752-1765. doi： 10.21037/tlcr-23-48 . doi: 10.21037/tlcr-23-48
[3]	MEDBERY R L， GILLESPIE T W， LIU Y， et al. Socioeconomic factors are associated with readmission after lobectomy for early stage lung cancer［J］. Ann Thorac Surg， 2016， 102（5）： 1660-1667. doi： 10.1016/j.athoracsur.2016.05.060 . doi: 10.1016/j.athoracsur.2016.05.060
[4]	PURI V， PATEL A P， CRABTREE T D， et al. Unexpected readmission after lung cancer surgery： A benign event？［J］. J Thorac Cardiovasc Surg， 2015， 150（6）： 1496-504， 505.e1-5； discussion 504-505. doi： 10.1016/j.jtcvs.2015.08.067 . doi: 10.1016/j.jtcvs.2015.08.067
[5]	CHUETZ P， SULO S， WALZER S， et al. Gomes F. Cost savings associated with nutritional support in medical inpatients： An economic model based on data from a systematic review of randomised trials［J］. BMJ Open， 2021， 11（7）： e046402. doi： 10.1136/bmjopen-2020-046402 . doi: 10.1136/bmjopen-2020-046402
[6]	NAIMI A， MOHAMMED R N， RAJI A， et al. Tumor immunotherapies by immune checkpoint inhibitors （ICIs）； the pros and cons［J］. J Cell Commun Signal， 2022，20（1）：44. doi： 10.1186/s12964-022-00854-y . doi: 10.1186/s12964-022-00854-y
[7]	WANG S J， DOUGAN S K， DOUGAN M. Immune mechanisms of toxicity from checkpoint inhibitors［J］. Trends in Cancer， 2023，9（7）：543-553. doi： 10.1016/j.trecan.2023.04.002 . doi: 10.1016/j.trecan.2023.04.002
[8]	CHHABRA N， KENNEDY J. A review of cancer immunotherapy toxicity： Immune checkpoint inhibitors［J］. J Med Toxicol， 2021， 17（4）：411-424. doi： 10.1007/s13181-021-00833-8 . doi: 10.1007/s13181-021-00833-8
[9]	THOMPSON J A， SCHNEIDER B J， BRAHMER J， et al. Management of immunotherapy-related toxicities， version 1.2022， nccn clinical practice guidelines in oncology［J］. J Natl Compr Canc Netw， 2022， 20（4）：387-405. doi： 10.6004/jnccn. 2022. 0020 . doi: 10.6004/jnccn. 2022. 0020
[10]	COUSSENS L M， WERB Z. Inflammation and cancer［J］. Nature， 2002， 420（6917）： 860-867. doi： 10.1038/nature01322 . doi: 10.1038/nature01322
[11]	GRETEN F R， GRIVENNIKOV S I. Inflammation and cancer： Triggers， mechanisms， and consequences［J］. Immunity， 2019， 51（1）： 27-41. doi： 10.1016/j.immuni.2019.06.025 . doi: 10.1016/j.immuni.2019.06.025
[12]	MANTOVANI A. The inflammation-cancer connection［J］. FEBS J， 2018， 285（4）： 638-640. doi： 10.1111/febs.14395 . doi: 10.1111/febs.14395
[13]	ECCLESTON D， DUONG M N， CHOWDHURY E， et al. Early vs. Late readmission following percutaneous coronary intervention： Predictors and impact on long-term outcomes［J］. J Clin Med， 2023， 12（4）：1684. doi： 10.3390/jcm12041684 . doi: 10.3390/jcm12041684
[14]	HUANG D， HARRISON R， CURTIS E， et al. Beyond post-operative readmissions： Analysis of the impact of unplanned readmissions during primary treatment of advanced-stage epithelial ovarian cancer on long-term oncology outcome［J］. Int J Gynecol Cancer， 2023， 33（5）：741-748. doi： 10.1136/ijgc-2022-003765 . doi: 10.1136/ijgc-2022-003765
[15]	KASPER J， WACH J， VYCHOPEN M， et al. Unplanned 30-day readmission in glioblastoma patients： Implications for the extent of resection and adjuvant therapy［J］. Cancers （Basel）， 2023， 15（15）：390. doi： 10.3390/cancers15153907 . doi: 10.3390/cancers15153907
[16]	VAN SMEDEN M， MOONS K G， DE GROOT J A， et al. Sample size for binary logistic prediction models： Beyond events per variable criteria［J］. Stat Methods Med Res， 2019， 28（8）： 2455-2474. doi： 10.1177/0962280218784726 . doi: 10.1177/0962280218784726
[17]	VITTINGHOFF E， MCCULLOCH C E. Relaxing the rule of ten events per variable in logistic and Cox regression［J］. Am J Epidemiol， 2007， 165（6）： 710-718. doi： 10.1093/aje/kwk052 . doi: 10.1093/aje/kwk052
[18]	SOHIL F， SOHALI M U， SHABBIR J. An introduction to statistical learning with applications in R， eISBN： 978-1-4614-7137-7［J］. Statist Theor Relat Field， 2022， 6（1）： 87. doi： 10.1080/24754269.2021.1980261 . doi: 10.1080/24754269.2021.1980261
[19]	KURSA M B， RUDNICKI W R. Feature selection with the boruta package［J］. J Statist Soft， 2010， 36（11）： 1-13. doi： 10.18637/jss.v036.i11 . doi: 10.18637/jss.v036.i11
[20]	LUNDBERG S， LEE S I. A Unified Approach to Interpreting Model Predictions［J］. arXiv， 2017. doi：10.48550/arXiv. 1705. 07874 . doi: 10.48550/arXiv. 1705. 07874
[21]	ZHU R， ZHANG Y， ZHANG J， et al. Development and validation of an explainable machine learning model for predicting occult lymph node metastasis in early-stage oral tongue squamous cell carcinoma a multi-center study［J］. Int J Surg， 2025，111（8）：5022-5035. doi： 10.1097/JS9.0000000000002641 . doi: 10.1097/JS9.0000000000002641
[22]	DONG W， JIANG H， LI Y， et al. Interpretable machine learning analysis of immunoinflammatory biomarkers for predicting CHD among NAFLD patients［J］. Cardiovasc Diabetol， 2025， 24（1）：263. doi： 10.1186/s12933-025-02818-1 . doi: 10.1186/s12933-025-02818-1
[23]	李文锋，李建华，王正昕. 肝癌肝移植术前应用免疫检查点抑制剂治疗的进展［J］. 器官移植， 2025， 16（3）： 329-337. doi： 10.12464/j.issn.1674-7445.2025094 . doi: 10.12464/j.issn.1674-7445.2025094
[24]	陈静文，徐林霞，吴秀丽，等. 基于Logistic回归与决策树模型的结直肠癌术后患者非计划性再入院影响因素分析［J］. 护理学报， 2022，29（2）：1-6. doi： 10.16460/j.issn1008-9969. 2022. 02.001 . doi: 10.16460/j.issn1008-9969. 2022. 02.001
[25]	李静，侯云霞，强万敏. 癌症患者非计划性再入院风险预测模型的范围综述［J］. 中华护理杂志， 2022，57（9）：1079-1087. doi： 10.3761/j.issn.0254-1769.2022.09.008 . doi: 10.3761/j.issn.0254-1769.2022.09.008
[26]	SHAH M P， NEAL J W. Relative impact of anticancer therapy on unplanned hospital care in patients with non–small-cell lung cancer［J］. JCO Oncol Pract， 2021， 17（8）： e1131-e1138. doi： 10.1200/OP.20.00612 . doi: 10.1200/OP.20.00612
[27]	HARRON K， GILBERT R， CROMWELL D， et al. Newborn length of stay and risk of readmission［J］. Paediatr Perinat Epidemiol， 2017， 31（3）：221-232. doi： 10.1111/ppe.12359 . doi: 10.1111/ppe.12359
[28]	LENNES I T， EUSEBIO J， BOHLEN N， et al. Characterization of unplanned 30-day medical oncology readmissions after discharge at an academic medical center with a comprehensive cancer center［J］. J Clin Oncol， 2016， 34（7） suppl： 269. doi： 10.1200/jco.2016.34.7_suppl.269 . doi: 10.1200/jco.2016.34.7_suppl.269
[29]	BISWAS S， DINH D， LUCAS M， et al. Incidence and predictors of unplanned hospital readmission after percutaneous coronary intervention［J］. J Clin Med， 2020， 9（10）：3242. doi： 10.3390/jcm9103242 . doi: 10.3390/jcm9103242
[30]	刘剑，李敏菁. 全身免疫炎症指数对非小细胞肺癌免疫检查点抑制剂疗效的预测价值［J］.实用医学杂志， 2022，38（7）：904-908. doi： 10.3969/j.issn.1006-5725.2022.07.024 . doi: 10.3969/j.issn.1006-5725.2022.07.024
[31]	TANG Q， CHEN Y， LI X， et al. The role of PD-1/PD-L1 and application of immune-checkpoint inhibitors in human cancers［J］. Front Immunol， 2022，13（1）：964442. doi： 10.3389/fimmu. 2022.964442 . doi: 10.3389/fimmu. 2022.964442
[32]	CATA J P， CORRALES G， SPEER B， et al. Postoperative acute pain challenges in patients with cancer［J］. Best Pract Res Clin Anaesthesiol， 2019，33（3）：361-371. doi： 10.1016/j.bpa. 2019. 07.018 . doi: 10.1016/j.bpa. 2019. 07.018
[33]	WU D T Y， VITHALA T M， VU H， et al. Development of a clinical decision support system to predict unplanned cancer readmissions［J］. AMIA Annu Symp Proc， 2022，2022：1173-1180.
[34]	THIAGARAJAN S， KANTAMANI T， SATHE P， et al. Impact of surgical site infection on unplanned hospital readmissions， initiation of adjuvant treatment following surgery， and disease-free survival on patients with upper aerodigestive tract squamous cell carcinoma［J］. J Surg Oncol， 2023，128（4）：692-700. doi： 10.1002/jso.27356 . doi: 10.1002/jso.27356
[35]	GUVEN D C， CEYLAN F， CAKIR I Y， et al. Evaluation of early unplanned readmissions and predisposing factors in an oncology clinic［J］. Support Care Cancer， 2021，29（7）：4159-4164. doi： 10.1007/s00520-020-05927-7 . doi: 10.1007/s00520-020-05927-7
[36]	YUAN Q， YAO H J， XI C H， et al. Perioperative risk factors associated with unplanned neurological intensive care unit readmission following elective supratentorial brain tumor resection［J］. J Neurosurg， 2022， 139（2）：315-323. doi： 10.3171/2022.10.JNS221318 . doi: 10.3171/2022.10.JNS221318
[37]	ZHOU J， YE D， ZHANG S， et al. The impact of karnofsky performance status on prognosis of patients with hepatocellular carcinoma in liver transplantation［J］. BMC Gastroenterol， 2024，24（1）：85. doi： 10.1186/s12876-024-03161-7 . doi: 10.1186/s12876-024-03161-7
[38]	郭科迪，武岩，汤夕慧，等.术前衰弱对老年肺癌患者术后并发症的影响［J］. 实用医学杂志， 2023，39（15）：1956-1960. doi： 10.3969/j.issn.1006-5725.2023.15.017 . doi: 10.3969/j.issn.1006-5725.2023.15.017
[39]	MANZANO J M， LIN H， ZHAO H， et al. Derivation and validation of the cancer readmit score： a readmission risk scoring system for patients with solid tumor malignancies［J］. JCO Oncol Pract， 2022，18（1）： e117-e128. doi： 10.1200/OP.20.01077 . doi: 10.1200/OP.20.01077
[40]	PRADO C M， PURCELL S A， LAVIANO A. Nutrition interventions to treat low muscle mass in cancer［J］. J Cachexia Sarcopenia Muscle， 2020，11（2）：366-380. doi： 10.1002/jcsm.12525 . doi: 10.1002/jcsm.12525
[41]	匡荣康，顾熙. 南京某三级医院2015至2019年间胃肠道恶性肿瘤病人营养风险和营养治疗现状调查分析［J］. 肠外与肠内营养， 2020，27（6）：350-354. doi： 10.16151/j.1007-810x.2020.06.007 . doi: 10.16151/j.1007-810x.2020.06.007
[42]	CHANG L， CHENG Q， MA Y， et al. Prognostic effect of the controlling nutritional status score in patients with esophageal cancer treated with immune checkpoint inhibitor［J］. J Immunother， 2022， 45（9）：415-422. doi： 10.1097/CJI.0000000000000438 . doi: 10.1097/CJI.0000000000000438
[43]	HERSBERGER L， BARGETZI L， TRIBOLET P， et al. Nutritional risk screening （NRS 2002） is a strong and modifiable predictor risk score for short-term and long-term clinical outcomes： Secondary analysis of a prospective randomised trial［J］. Clin Nutr， 2020，39（9）：2720-2729. doi： 10.1016/j.clnu.2019.11.041 . doi: 10.1016/j.clnu.2019.11.041
[44]	WANG F， DONG Q， YU K， et al. Nutrition risk screening and related factors analysis of non-hospitalized cancer survivors： A nationwide online survey in China［J］. Front Nutr， 2022，9：920714. doi： 10.3389/fnut.2022.920714 . doi: 10.3389/fnut.2022.920714
[45]	王娜，秦卓，刘慧珍，等. 营养风险评分对脓毒症相关性急性肾损伤患者预后的临床价值［J］. 中华危重病急救医学， 2022，34（3）：245-249. doi： 10.3760/cma.j.cn121430-20211019-01525 . doi: 10.3760/cma.j.cn121430-20211019-01525
[46]	GREENLEE H， SANTIAGO-TORRES M， MCMILLEN K K， et al. Helping patients eat better during and beyond cancer treatment： Continued nutrition management throughout care to address diet， malnutrition， and obesity in cancer［J］. Cancer J， 2019，25（5）：320-328. doi： 10.1097/PPO.0000000000000405 . doi: 10.1097/PPO.0000000000000405
[47]	PRADO C M， LANDI F， CHEW S T H， et al. Advances in muscle health and nutrition： A toolkit for healthcare professionals［J］. Clin Nutr， 2022， 41（10）：2244-2263. doi： 10.1016/j.clnu. 2022.07.041 . doi: 10.1016/j.clnu. 2022.07.041
[48]	LI Y F， NIE R C， WU T， et al. Prognostic value of the nutritional risk screening 2002 scale in metastatic gastric cancer： A large-scale cohort study［J］. J Cancer， 2019，10（1）：112-119. doi： 10.7150/jca.27729 . doi: 10.7150/jca.27729

变量	验证集（n = 84）	训练集（n = 200）	t/Z/χ²值	P值
年龄（x ± s）/岁	65.39 ± 9.78	64.75 ± 10.41	0.47	0.63
住院天数［M（P₂₅，P₇₅）］/d	5.00（3.00， 9.00）	5.00（3.00， 10.00）	0.03	0.98
性别			0.37	0.54
女	27（32.1）	57（28.5）
男	57（67.9）	143（71.5）
吸烟			0.14	0.71
无	32（38.1）	81（40.5）
有	52（61.9）	119（59.5）
饮酒			3.21	0.07
无	42（50.0）	123（61.5）
有	42（50.0）	77（38.5）
介入治疗			0.005	0.95
无	70（83.3）	166（83.0）
有	14（16.7）	34（17.0）
远端转移			0.30	0.58
无	21（25.0）	44（22.0）
有	63（75.0）	156（78.0）
TNM			0.05	0.82
Ⅲ期	22（26.2)	55（27.5)
Ⅳ期	62（73.8)	145（72.5)
KPS			0.09	0.76
< 70分	20（23.8)	51（25.5)
≥ 70分	64（76.2)	149（74.5)
NRS 2002			0.80	0.37
< 3分	65（77.4)	164（82.0)
≥ 3分	19（22.6)	36（18.0)
TCMD			1.79	0.18
虚证	71（84.5)	155（77.5)
实证	13（15.5)	45（22.5)
RBC			0.04	0.83
低	28（33.3)	64（32.0)
正常	56（66.7)	136（68.0)
Hb			0.09	0.76
低	28（33.3)	63（31.5)
正常	56（66.7)	137（68.5)
WBC			0.37	0.83
< 3.5 × 10⁹/L	65（77.4)	148（74.0)
3.5 ~ 9.5 × 10⁹/L	12（14.3)	32（16.0)
≥ 9.5 × 10⁹/L	7（8.3)	20（10.0)
NEUT			2.88	0.24
< 1.8 × 10⁹/L	60（71.4)	149（74.5)
1.8 ~ 6.3 × 10⁹/L	11（13.1)	14（7.0)
≥ 6.3 × 10⁹/L	13（15.5)	37（18.5)
PLT			0.48	0.79
< 125 × 10⁹/L	54（64.3)	136（68.0)
125 ~ 350 × 10⁹/L	24（28.6)	53（26.5)
≥ 350 × 10⁹/L	6（7.1)	11（5.5)
CRP			2.57	0.11
≤ 10 mg/L	44（52.4)	84（42.0)
> 10 mg/L	40（47.6)	116（58.0)
ALB			0.40	0.53
< 40 g/L	31（36.9)	66（33.0)
40 ~ 55 g/L	53（63.1)	134（67.0)
AFP			2.11	0.15
0 ~ 7 mg/L	71（84.5)	181（90.5)
> 7 mg/L	13（15.5)	19（9.5)
CEA			0.58	0.44
0 ~ 5 mg/L	51（60.7)	131（65.5)
> 5 mg/L	33（39.3)	69（34.5)
CA19-9			0.03	0.86
0 ~ 37 U/mL	63（75.0)	148（74.0)
> 37 U/mL	21（25.0)	52（26.0)
CA50			0.26	0.61
0 ~ 25 U/mL	65（77.4)	149（74.5)
> 25 U/mL	19（22.6)	51（25.5)

变量	单因素分析		多因素分析
变量	OR（95%CI）	P值	OR（95%CI）	P值
住院天数	1.115（1.06 ~ 1.169）	< 0.01	1.11（1.03 ~ 1.19）	< 0.01
介入治疗
否	Ref		Ref
是	5.26（2.41 ~ 11.47）	< 0.01	11.34（3.51 ~ 36.63）	< 0.01
CRP
≤ 10 mg/L	Ref		Ref
> 10 mg/L	2.91（1.48 ~ 5.71）	< 0.01	1.46（0.60 ~ 3.56）	0.4
CA19-9
0 ~ 37 U/mL	Ref		Ref
> 37 U/mL	2.379（1.23 ~ 4.61）	0.01	0.65（0.17 ~ 2.49）	0.53
CA50
0 ~ 25 U/mL	Ref		Ref
> 25 U/mL	2.79（1.43 ~ 5.43）	0.003	1.61（0.43 ~ 5.96）	0.47
KPS
< 70分	Ref		Ref
≥ 70分	0.18（0.089 ~ 0.35）	< 0.01	0.22（0.08 ~ 0.58）	< 0.01
NRS 2002
< 3分	Ref		Ref
≥ 3分	11.90（5.11 ~ 27.74）	< 0.01	8.86（3.06 ~ 25.62）	< 0.01
TCMD
虚证	Ref		Ref
实证	0.81（0.39 ~ 1.71）	0.58	0.92（0.43 ~ 1.81）	0.62