全球疾病负担研究（GBD）报道，早发性结直肠癌的年龄标准化发病率预计将在2030年上升
［1］。2024年国家癌症中心发布的统计数据表明，我国结直肠癌年新发病例达51.71万例，发病率为20.10/10万，位居恶性肿瘤第4位；年死亡病例24万例，死亡率为8.56/10万，位居第4位
［2］。消化道相关恶性肿瘤仍是全球公共卫生领域面临的重大挑战之一。消化系统功能受神经与内分泌系统共同调控
［3］，易受负面情绪影响。消化道恶性肿瘤患者因癌痛、孤独感、疾病复发以及对死亡的恐惧，常出现不同程度心理障碍，其中焦虑最为常见
［4］，进而加重躯体症状、延长康复周期并影响预后
［5］。因此，精准识别并干预消化道恶性肿瘤患者焦虑情绪，对延缓疾病进展、提高生存率及改善生活质量具有重要意义
［6， 7］。
在癌症患者焦虑情绪研究领域，国内外学者已开展大量探索。研究证实，癌症患者的焦虑情绪与生化检验指标、炎症标志物密切相关，在年轻妇科癌症患者中，伴焦虑患者的白细胞介素-6和肿瘤坏死因子-α水平显著高于非焦虑患者
［8］，提示炎症反应参与焦虑发生过程；在预测模型构建方面，现有研究多采用逻辑回归（LR）、支持向量机（SVM）等算法预测恶性肿瘤患者焦虑状态，准确率分别达到86%和85%，并识别出既往心理健康状况、症状持续时间、体质量、疼痛进展及疲劳等关键风险因素
［9］。这些研究为解析癌症患者焦虑发生机制及构建预测模型提供了基础，但仍存在明显局限性：现有研究多局限于单一维度指标，难以全面反映焦虑相关生理病理信号；现有模型预测性能有待进一步提升，且缺乏针对消化道恶性肿瘤人群的特异性模型构建与验证；部分模型未开展独立临床验证，泛化能力尚不明确。
针对上述研究不足，本研究以“肠脑轴”理论为基础
［10］，该理论认为大脑与肠道通过神经、内分泌、免疫通路及肠道微生物介导形成双向通信系统，共同调控情绪与胃肠功能，提示消化道恶性肿瘤患者焦虑与生理病理机制密切相关。本研究选取消化道恶性肿瘤患者为研究对象，整合人口学特征、合并病史、个人史、量表评估、治疗相关因素及检验指标6大维度数据，构建多维特征集以全面捕捉焦虑相关生理与临床信息，弥补单一维度研究的局限性；同时，采用LR、决策树（DT）、随机森林（RF）等6种机器学习算法构建预测模型，通过多算法对比筛选最优模型，并引入独立外部样本开展临床验证，评估模型预测效能与泛化能力；此外，通过特征重要性分析明确影响焦虑情绪的关键因素，为临床干预提供靶点。本研究旨在构建高效、精准的消化道恶性肿瘤患者焦虑情绪识别模型，为临床早期筛查焦虑风险、制定个性化干预策略提供科学依据，最终改善患者生存质量。
1 资料和方法
1.1 研究对象
收集2022年11月~2023年4月蚌埠医科大学第一附属医院280例消化道恶性肿瘤患者数据，并于2024年11月~2025年4月对数据进行再分析。纳入标准：经病理或细胞学检测确认，疾病诊断为消化道恶性肿瘤；年龄≥18岁，意识清楚，语言流利，能够配合调查；住院时间≥1 d；肝、肾功能正常，无其他会影响血液化验结果的疾病。排除标准：患有自身免疫性疾病或慢性炎症性疾病的患者；入院前服用免疫抑制药物的患者；接受急性手术的患者，如肠梗阻、穿孔、出血等；无法正确描述相关病史过程的认知障碍或精神障碍患者；其他被认为不适合进行研究的病例。在数据收集方面，通过结构化电子病历采集人口学指标、合并病史、个人史、量表指标、治疗因素及检验指标6个维度数据（
表1）。本研究经蚌埠医科大学第一附属医院伦理委员会审核批准（伦理批号：2023YJS091）。
1.2 数据处理
在数据预处理方面，对于离散数据，采用One-hot编码，将多分类变量转换为二元特征（例如“婚姻状况”转换为“未婚”、“已婚”等虚拟变量）。连续变量采用Min-Max归一化，将所有连续特征缩放到［0，1］区间，消除量纲影响，保证模型训练时的数值稳定性。同时将原始数据（n=280）按8∶2比例划分为训练集（n=224）和测试集（n=56），随后仅在训练集上应用随机过采样进行平衡处理，使训练集达到1∶1，避免测试集信息泄漏，该策略通过复制真实样本而非合成新样本，最大程度保留了原始临床数据的真实性，且方法简洁透明，便于临床场景下的复现。其数据处理使用Python 3.11软件。
1.3 测量工具
1.3.1 焦虑量表
医院焦虑抑郁量表（HADS）主要用于筛查住院患者焦虑和抑郁程度
［11］，也可用于评价消化道恶性肿瘤患者焦虑情绪。该量表由14个指标组成，其中7个指标评估住院患者焦虑程度，并按最近1个月内出现症状的频度划分0~3共4个评分等级，总分设定为0~21分。根据评价得分分为：0~7分为阴性，8~10分为轻度，11~14分为中度，15~21分为重度，分值越高，其焦虑症状越严重。本研究采用HADS-A评分≥8分作为焦虑阳性判断标准，<8分归为非焦虑组。该截断值为国际通用标准，适用于住院患者人群的焦虑筛查。
1.3.2 营养量表
患者主观整体营养评估（PG-SGA）专门用于评估癌症患者营养状况
［12］。该量表由体质量、食物摄入量、症状、身体活动和功能、疾病与饮食关系、代谢需求和体格检查7个维度组成。定性评估结果分为3个等级：A（营养良好）、B（可疑或中度营养不良）和C（重度营养不良）；定量评估结果分为4个等级：0~1分（非营养不良）、2~3分（轻度营养不良）、4~8分（中度营养不良）、≥9分（严重营养不良），分值越高，营养情况越严重。
1.3.3 生命质量问卷
生命质量问卷（QLQ-C30）是适用于各种癌症类型患者的生活质量评估工具，该问卷由30个项目组成，包括总体生活质量评估、5个功能域、3个症状域和6个单项测量项。其计分规则为：每个领域中输入项分值相加，再除以该领域中输入项数量，即可计算出该领域的分数。总体生活质量类和功能类分数越低，其生活质量越差；症状类分数越高，其健康困扰越突出。
1.4 机器学习算法
本研究共构建7个模型，其中包含基线模型Baseline LR以及其余6种模型，模型采用分层5折交叉验证进行超参数调优，确保每折中正负样本比例与原始分布一致。
1.4.1 LR
LR是经典线性分类模型，在医学中常用于危险因素发现和风险预测
［13］，输出结果直观、可解释性强。
1.4.2 DT
DT是一种基于特征递归划分的监督学习模型，在医学上常被用于疾病诊断、预后评估及风险因素筛选
［14］。适合临床规则挖掘。
1.4.3 RF
RF是一种基于多棵决策树集成的监督学习算法，在医学上常被用于多因素疾病风险预测、医学影像分类及临床数据挖掘
［15］。对临床高维、噪声数据稳健性好。
1.4.4 K-最近邻（KNN）
KNN是一种基于实例学习和距离度量的监督学习算法，可用于数据聚类与回归分析
［16］。该算法依据样本相似性完成分类，无需复杂模型训练。
1.4.5 SVM
SVM是一种基于间隔最大化准则的监督学习算法，在医学领域常被用于疾病诊断分类与临床预后评估。在小样本场景下分类边界稳定。
1.4.6 轻量梯度提升机（LightGBM）
LightGBM是一种基于梯度提升决策树改进的高效集成学习算法，在医学上常被用于多因素疾病风险预测。该算法运算快、内存占用低，适配医学数据挖掘。
1.5 评估指标
选取准确率、召回率、F1分数、特异度和ROC曲线下面积（AUC）进行模型性能比较，为保证小样本数据的性能可靠性，采用Bootstrap重采样方法计算关键指标（AUC）的95%CI。
1.6 模型可解释性分析
为进一步增强模型的临床可解释性，本研究采用SHAP方法对模型预测结果进行解释。SHAP基于博弈论中的Shapley值，通过计算每个特征对模型输出值的边际贡献，实现对个体预测的局部解释和整体特征重要性的全局评估。
1.7 外部验证
为验证最优模型的临床泛化能力，额外采集蚌埠医科大学第一附属医院胃肠外科51例符合纳入与排除标准的消化道恶性肿瘤患者数据作为外部验证集。验证集数据采集方式、指标类型与训练集一致，采用最优模型进行预测，评估指标与训练集相同，通过ROC曲线分析模型在独立数据集上的性能表现。
1.8 统计学分析
采用SPSS26.0软件对数据进行分析。采用单样本K-S检验对所有计量资料进行正态性检验，符合正态分布的计量资料以均数±标准差表示，两组间比较采用独立样本t检验；不符合正态分布的计量资料以中位数（四分位数间距）表示，两组间比较采用Wilcoxon秩和检验；计数资料以n（%）表示，组间比较采用Pearson卡方检验。以P<0.05为差异具有统计学意义。
2 结果
2.1 一般人口学特征
本研究纳入消化道恶性肿瘤患者共计280例，其中焦虑情绪患者68例（24.3%），非焦虑情绪患者212例（75.7%）；其中性别和饮酒史的组间差异有统计学意义（
P<0.05，
表2）。
外部验证集共纳入51例消化道恶性肿瘤患者，其中焦虑组17例（33.3%），非焦虑组34例（66.7%）。两组在人口学及临床特征方面的差异均无统计学意义（
P>0.05，
表3）。
2.2 模型构建与性能评估
采用网格搜索完成模型超参数寻优，各模型的参数空间范围（
表4）。
结合多维临床数据指标，构建该人群焦虑情绪识别模型，根据模型在测试集中的性能比较，选取最优模型。结果显示，RF模型表现最优（
表5）。
根据混淆矩阵结果显示，RF模型在消化道恶性肿瘤患者焦虑与非焦虑情绪分类识别中展现出较好的精准度，对分类的真实标签与预测标签匹配度较高（
图1）。
本研究构建的基线模型在测试集上的AUC为0.60（95%
CI： 0.43~0.77），该模型仅纳入性别、年龄、BMI、婚姻状况、收入、居住地、宗教信仰等人口学特征（
图2）。
模型ROC曲线对比结果进一步验证了RF模型的优势（
图3），其中RF的AUC最高（AUC=0.85）。RF模型的Precision-Recall曲线显示，RF模型的PR-AUC为0.76，其在识别焦虑患者时具有较好的精确率与召回率平衡能力（
图4）。
2.3 外部验证
泛化能力验证结果显示，模型ROC曲线显著偏离随机猜测虚线，其在独立外部数据集上的泛化能力良好（
图5）。
2.4 重要特征排序
根据上述结果，选取RF模型中前10的关键特征进行重要性排序，其中总胆固醇、性别、白蛋白、血小板计数、白细胞计数排列前5位（
图6）。
在模型预测中，总胆固醇贡献度最高，其次是性别、白蛋白和血小板计数，上述生物标志物在目标识别过程中可能起重要作用，各特征权重数值（
表6）。
2.5 模型可解释性分析
SHAP摘要图结果显示，总胆固醇、性别、淋巴细胞计数、视黄醇结合蛋白等特征对焦虑情绪预测的影响较大，且特征值高低与SHAP值呈现明确的方向性关系（
图7）。
特征的SHAP依赖图结果显示，总胆固醇水平较低时对焦虑预测呈正向贡献（
图8A）；视黄醇结合蛋白与白细胞计数的交互作用显示，低视黄醇结合蛋白联合高白细胞计数时SHAP值升高（
图8B）；淋巴细胞计数与白蛋白/球蛋白比值的交互分析显示，低淋巴细胞计数伴随低白蛋白/球蛋白比值时焦虑风险增加（
图8C）；BMI的SHAP依赖图显示，BMI偏低或偏高时SHAP值均呈正向分布（
图8D），BMI异常与焦虑存在非线性关联。
3 讨论
本研究结果发现，在性别、饮酒史、BMI等方面，与消化道恶性肿瘤患者焦虑情绪的产生密切相关。研究显示女性消化道恶性肿瘤患者焦虑发生率（51.5%）高于男性（48.5%），与既往泛癌种研究
［17， 18］结论一致，但与另一项针对肺癌患者的研究
［19］存在差异，后者发现男性焦虑发生率高于女性。差异核心源于肿瘤类型特异性，消化道肿瘤影响患者的消化吸收功能，女性对营养状况、体型改变的敏感度更高，且“肠脑轴”介导的情绪更显著
［20］，而肺癌患者焦虑多与呼吸功能受限相关，性别差异被疾病核心症状掩盖。本研究结合 “肠脑轴” 机制明确该性别差异的生物学基础，弥补了既往泛癌种研究对特定肿瘤机制探讨的不足。在饮酒史方面，本研究不饮酒患者焦虑发生率（70.6%）高于饮酒者（29.4%），与既往有学者提出的通过饮酒缓解自身压力的研究结论
［21］相符，但与另一项针对肝癌患者的研究
［22］结果相反，后者酗酒患者焦虑风险更高。差异关键在于饮酒行为异质性，本研究饮酒者多为偶尔饮酒，且伴随社交互动增加的“缓冲效应”
［23］，而肝癌患者多为长期大量饮酒，反而加重肝脏代谢紊乱与神经炎症
［24］。本研究明确了饮酒在消化道肿瘤人群中的特异性作用，为个体化情绪干预提供了精准依据。BMI异常的影响与既往
［25-27］研究结论一致，但本研究补充了消化道肿瘤的疾病特异性，BMI异常与肿瘤消耗直接相关，其可能会导致患者形体的变化引发病耻感导致焦虑转化比例更高
［28］，突破了既往研究对泛化机制的单一探讨。
总胆固醇为影响焦虑的首要生化指标，低水平与焦虑相关的结论与既往研究
［29］一致，但与另一项针对健康人群的研究
［30］存在差异。核心原因在于消化道肿瘤患者的胆固醇降低由肿瘤消耗、吸收障碍导致，消化道肿瘤患者胆固醇降低并非单纯营养缺乏，而可能是肿瘤消耗、肠道吸收障碍及胆汁酸代谢紊乱共同作用的结果。胆固醇作为髓鞘合成前体及神经类固醇前体，其水平下降可能影响神经元稳定性；同时，低胆固醇状态削弱肠黏膜屏障，促进菌群源性内毒素入血，经迷走神经及循环炎症通路激活中枢小胶质细胞，诱发焦虑相关神经炎症。这一“肠-脑轴”介导的机制，解释了为何在消化道肿瘤患者中胆固醇与焦虑的关联远强于健康人群。白蛋白、总蛋白的影响与既往一项针对乳腺癌患者的研究
［31］相比，本研究中营养指标权重更高，原因在于消化道肿瘤常伴黏膜损伤、蛋白丢失性肠病及吸收障碍，白蛋白下降较其他癌种更为突出。白蛋白不仅反映营养状态，更通过“肠-脑轴”发挥双重调节：一方面可能影响色氨酸向脑内转运，制约5-羟色胺合成；另一方面，低白蛋白可能导致游离皮质醇升高，持久激活下丘脑-垂体-肾上腺轴，促进焦虑相关脑区功能重塑。因此，营养指标在消化道肿瘤焦虑预测中权重显著升高，体现了“营养—肠屏障—神经内分泌”级联效应
［32］。白细胞计数的重要性与既往研究
［8］提出的炎症与癌症患者焦虑相关的结论相似，这可能是由于肿瘤破坏肠道屏障，致菌群及内毒素易位，激活肝内Kupffer细胞及循环免疫细胞，释放IL-6、TNF-α等促炎因子。这些因子通过血脑屏障转运、迷走神经传导及内皮激活3条通路作用于中枢，诱导小胶质细胞活化及突触异常修剪，驱动焦虑行为
［33］。与既往研究聚焦妇科肿瘤的单一炎症因子不同，本研究在消化道肿瘤中阐述了由“肠道屏障损伤—外周炎症—中枢炎症”构成的级联路径，明确炎症与焦虑关联的肿瘤类型特异性。而上述研究聚焦妇科肿瘤的IL-6、TNF-α，揭示了不同肿瘤类型炎症与焦虑关联的特异性，为靶向干预提供了新靶点。
在6种机器学习算法中，RF模型表现最优，显著优于LR、KNN、SVM等算法。原因在于整合了人口学、临床、生化等多维特征，且集成学习特性更适配多因素非线性关联
［34］。与既往基于RF的研究
［35］相比，本研究RF模型准确率更高，且新增34例外部验证，证实了模型泛化能力，弥补了既往研究缺乏独立临床验证的短板。此外，RF模型对临床数据中检验指标波动的异常值耐受性较强，适配消化道肿瘤患者的临床数据特征。本研究还存在以下局限：本研究为单中心研究，受时间以及纳入和排除标准的影响，数据量较少，这会在一定程度上影响模型的性能；模型调优过程中主要依据AUC进行性能排序，未针对临床场景下的误诊代价设置个性化的损失函数或阈值优化策略，后续可在调优阶段引入代价敏感学习或根据临床应用场景动态调整决策阈值，以更好地平衡识别敏感度与特异性；本研究未尝试模型集成或堆叠策略，后续可探索将随机森林与轻量梯度提升机等异构模型融合，进一步提升预测性能与泛化能力。
综上，本研究发现人口学与临床特征的影响与肿瘤类型、行为异质性相关，生化指标的作用可能依赖肠脑轴介导，RF模型的优越性源于对多维复杂数据的适配性与外部验证支撑。这些发现为临床提供了较为精准的焦虑识别工具和干预靶点，助力改善患者生存质量。
安徽省高等学校自然科学研究重点项目(2022AH051458)
安徽省高校科研创新团队(2023AH010068)
安徽省大学协同创新计划(GXXT-2022-058)
蚌埠医科大学科研创新项目(Byycx24056)
京公网安备11010202008535号
PDF
(2054KB)
