難治性化療所致惡心嘔吐的列線圖預(yù)測模型建立與評估

中圖分類號R730.6；R975+.4 文獻(xiàn)標(biāo)志碼A 文章編號1001-0408（2025）09-1105-06

DOI 10.6039/j.issn.1001-0408.2025.09.15

ABSTRACTOBJECTIVETo construct and evaluate nomogram prediction model forrefractory chemotherapy-induced nausea andvomiting（CINV）.METHODSThedata of malignanttumorpatientswhoreceived chemotherapyatthe ThirdPeople's HospitalofZhengzhoufromJanuary2O17toDecember2023werecolected.Thesepatientswerecategorizedintotheocurrence groupandthenon-occurrene groupaccording totheoccurrenceofrefractry CINV.Multivariate Logisticregressonanalysis was employedtoscreen predictivefactors forrefractory CINVandconstructinganomogram predictionmodel.Modelperformancewas assessed viareceiver operating charactersticcurveanalysis.Modelcalibration was evaluatedusing Bootstrapresampling.Decision curveanalysis（DCA）wasusedtodeterminetheclinicalnetbenefitof thre strategiesunderdiferentriskthresholds.Clinical impactcurveswereutilizedtoassesstheclinicalvalueofthemodelatdiferentriskthresholds.Shapleyadditiveexplanations （SHAP）analysiswasperformedtoevaluateindividual factorcontributionstothepredictivemodel.RESULTSAtotalof 388 patientswereincluded，with19experiencingrefractoryCVMultivarateLogisticgressonidentifed1predictiefctorsfor refractoryCINV，includinggastrointestinaldiseasehistory，anticipatednauseaandvomiting，chemotherapy-iducedemeticrisk classification，and electrolyte levels，etc.The model's area under the curve was 0.80 [ 9 5 % confidence interval （0.76，0.84）]，with ameanerrorofO.036.DCAdemonstratedthepredictionmodelhadhigherclinicalnetbenefitwhentheriskthresholdwasbetween 0.05andO.85.SHAPanalysisrevealedthetopthreepredictivefactorsasgastrointestinal diseasehistory（O.924），chemotherapyinducedemeticriskclassfication（0.866），andelectrolytelevels（0.581）.CONCLUSIONSElevenfactors，including gastrointestinalseasestoryanticipatednuseaandoitingemoterapyiucedeticskclasificationandelectolte levels，areidentifiedaspredictorsofrefractoryCINV.Themodelbasedonthesefactors hasgoodpredictiveability，whichcanbe used to predict the risk of refractory CINV.

KEYWORDS chemotherapy-induced nausea and vomiting；refractory；prediction model； nomogram

化療所致惡心嘔吐（chemotherapy-inducednauseaandvomiting，CINV）是化療過程中常見的不良反應(yīng)之一，不僅會(huì)影響患者的生存質(zhì)量和治療依從性，還可能導(dǎo)致營養(yǎng)不良、脫水、電解質(zhì)紊亂等并發(fā)癥，甚至嚴(yán)重影響治療方案的執(zhí)行2。因此，CINV成為了腫瘤治療中亟待解決的重要問題。盡管新型止吐藥物的應(yīng)用顯著改善了CINV，但仍有 2 0 % ～ 3 0 % 的患者出現(xiàn)了難治性CINV，這不僅給患者帶來了巨大痛苦，也為醫(yī)療系統(tǒng)增加了巨大負(fù)擔(dān)[-4。難治性CINV的病因復(fù)雜多樣，可能涉及化療方案、腫瘤類型、個(gè)體遺傳差異以及心理因素等方面。有研究表明，某些基因的多態(tài)性、化療藥物的組合方式、患者的既往病史等因素可能與難治性CINV的發(fā)生密切相關(guān)[6-]。然而，目前缺乏有效的預(yù)測手段和預(yù)防措施。近年來，機(jī)器學(xué)習(xí)技術(shù)在醫(yī)學(xué)領(lǐng)域得到了廣泛應(yīng)用，尤其是在疾病預(yù)測、風(fēng)險(xiǎn)評估和個(gè)體化治療方案制定方面取得了顯著進(jìn)展。機(jī)器學(xué)習(xí)可通過對大量數(shù)據(jù)進(jìn)行深度挖掘，發(fā)現(xiàn)潛在的非線性關(guān)系和復(fù)雜模式，從而提升預(yù)測精度，并為臨床決策提供依據(jù)。因此，本研究分析了難治性CINV發(fā)生的預(yù)測因素，利用機(jī)器學(xué)習(xí)技術(shù)構(gòu)建了用于預(yù)測難治性CINV發(fā)生風(fēng)險(xiǎn)的模型，旨在為難治性CINV的早期識(shí)別和個(gè)體化干預(yù)提供參考。

1資料與方法

1.1 納入與排除標(biāo)準(zhǔn)

本研究的納入標(biāo)準(zhǔn)為：（1）確診為惡性腫瘤，并使用傳統(tǒng)全身性化療藥物（包括烷化劑、抗代謝藥、植物藥和鉑類藥物等）：（2）符合難治性CINV診斷標(biāo)準(zhǔn)，即在以往的化療周期中使用預(yù)防性和（或）解救性止吐治療失敗，在接下來的化療周期中仍然出現(xiàn)惡心嘔吐[°；（3）病歷中明確記錄是否發(fā)生難治性CINV。

本研究的排除標(biāo)準(zhǔn)為：（1）化療與手術(shù)間隔時(shí)間 lt;1 個(gè)月者；（2）1個(gè)月內(nèi)接受過放療者；（3）病歷資料不完整者。

1.2資料來源

收集2017年1月一2023年12月于鄭州市第三人民醫(yī)院化療的388例惡性腫瘤患者資料。收集信息包括年齡、性別、體重、過敏史、營養(yǎng)狀況、精神狀況、卡氏功能狀態(tài)（KarnofskyPerformanceStatus，KPS）評分、胃腸疾病史、高血壓病史、高血脂病史、糖尿病病史、手術(shù)史、中樞系統(tǒng)病變史、飲酒史、焦慮癥史、腫瘤類型、確診時(shí)間、轉(zhuǎn)移情況、預(yù)期性惡心嘔吐、化療致吐風(fēng)險(xiǎn)分級、化療藥數(shù)量、單次化療時(shí)間、肝功能、肌酐清除率、血漿白蛋白水平、電解質(zhì)水平、阿片類鎮(zhèn)痛藥物使用情況以及其他對胃刺激藥物使用情況等。本研究方案經(jīng)鄭州市第三人民醫(yī)院倫理委員會(huì)審查批準(zhǔn)（項(xiàng)目編號：2024-04-029-K01）。

1.3 干預(yù)措施

所有患者均靜脈注射帕洛諾司瓊 0 . 2 5 m g （化療第1天使用1次，多日化療則為每3日使用1次）或托烷司瓊5 m g （每日1次）或多拉司瓊 （每日1次） + 地塞米松 1 0 m g （每日1次，化療前 0 . 5～1 h 給藥）。

使用藥物的具體信息如下：鹽酸帕洛諾司瓊注射液[規(guī)格 （按 計(jì)），正大天晴藥業(yè)集團(tuán)股份有限公司，國藥準(zhǔn)字H20080716]，鹽酸帕洛諾司瓊注射液[規(guī)格 （按 計(jì)），齊魯制藥（海南）有限公司，國藥準(zhǔn)字H20080227]，鹽酸托烷司瓊注射液[規(guī)格 5 m g （按 計(jì)），瑞陽制藥股份有限公司，國藥準(zhǔn)字H20060460]，鹽酸托烷司瓊注射液[規(guī)格 （按托烷司瓊計(jì)），山東齊都藥業(yè)有限公司，國藥準(zhǔn)字H20163116]，甲磺酸多拉司瓊注射液（規(guī)格5m L：1 0 0 m g ，遼寧海思科制藥有限公司四川美大康佳樂藥業(yè)有限公司，國藥準(zhǔn)字H20110068），地塞米松磷酸鈉注射液（規(guī)格 ，河南潤弘制藥股份有限公司，國藥準(zhǔn)字H41020330），地塞米松磷酸鈉注射液（規(guī)格 ，華中藥業(yè)股份有限公司，國藥準(zhǔn)字H42021493）。

1.4 統(tǒng)計(jì)學(xué)方法

采用SPSS25.0軟件對數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析。符合正態(tài)分布的計(jì)量資料以 表示，組間比較采用t檢驗(yàn)；計(jì)數(shù)資料以例數(shù)或百分比 （ % 表示，組間比較采用 檢驗(yàn)。檢驗(yàn)水準(zhǔn) α=0 . 0 5 。

以患者基本信息為變量，難治性CINV發(fā)生與否為因變量，以 Plt;0 . 1 為標(biāo)準(zhǔn)，采用多因素Logistic回歸分析篩選預(yù)測因素；而后再以篩選出的變量為指標(biāo)，采用多因素Logistic回歸分析構(gòu)建列線圖預(yù)測模型。所得數(shù)據(jù)以優(yōu)勢比（oddsratio，OR）及其 9 5 % 置信區(qū)間（confidenceinterval，CI）表示。

通過R4.3軟件繪制列線圖，采用受試者工作特征曲線（receiver operatingcharacteristic curve，簡稱“ROC曲線\"）評估模型的預(yù)測性能，曲線下面積（areaunderthecurve，AUC）越大，說明模型的判別能力越強(qiáng)；當(dāng)AUC ? 0.80時(shí)，表示模型預(yù)測性能良好[1]。采用Bootstrap法對列線圖進(jìn)行驗(yàn)證（抽樣次數(shù)設(shè)置為 1 0 0 0 次），繪制校準(zhǔn)曲線以評估模型的校準(zhǔn)度，校準(zhǔn)曲線越接近對角線，說明模型的校準(zhǔn)度越好[12-13]。采用決策曲線分析（deci-sioncurveanalysis，DCA）評估模型在不同風(fēng)險(xiǎn)閾值下3種策略（預(yù)測模型、治療所有患者和不治療任何患者）的臨床凈收益[14。采用臨床影響曲線評價(jià)模型在不同風(fēng)險(xiǎn)閾值下的臨床價(jià)值，預(yù)測高風(fēng)險(xiǎn)患者的數(shù)量與實(shí)際發(fā)生數(shù)量的關(guān)系。使用Shapley加性解釋（Shapleyaddi-tiveexplanations，SHAP）法評估各因素對模型預(yù)測的貢獻(xiàn)度。

2 結(jié)果

2.1納入患者的基本信息

本研究共納人388例患者，其中有219例發(fā)生了難治性CINV，發(fā)生率為 5 6 . 4 4 % 。將患者按是否發(fā)生難治性CINV分為未發(fā)生組（169例）和發(fā)生組（219例）。兩組患者的營養(yǎng)狀況、胃腸疾病史、腫瘤類型、預(yù)期性惡心嘔吐、化療致吐風(fēng)險(xiǎn)分級、電解質(zhì)水平、阿片類鎮(zhèn)痛藥物使用情況比較，差異均有統(tǒng)計(jì)學(xué)意義（ （Plt;0 . 0 5 ；兩組患者的年齡、性別等基本資料比較，差異均無統(tǒng)計(jì)學(xué)意義1 ΔPgt;0 . 0 5 ）。結(jié)果見表1。

2.2難治性CINV發(fā)生預(yù)測因素的Logistic回歸分析篩選結(jié)果

多因素Logistic回歸分析結(jié)果顯示，性別、胃腸疾病史、高血脂病史、腫瘤類型、轉(zhuǎn)移情況、預(yù)期性惡心嘔吐、化療致吐風(fēng)險(xiǎn)分級、化療藥數(shù)量、單次化療時(shí)間、電解質(zhì)水平、阿片類鎮(zhèn)痛藥物使用情況是難治性CINV發(fā)生的預(yù)測因素。結(jié)果見表2。

2.3列線圖預(yù)測模型的建立與驗(yàn)證

2.3.1 列線圖預(yù)測模型的建立

以第1次多因素Logistic回歸分析篩選出的預(yù)測因素為指標(biāo)，再利用多因素Logistic回歸分析構(gòu)建列線圖預(yù)測模型并繪制列線圖。通過回歸系數(shù)對每個(gè)預(yù)測因素賦予 0 ～ 1 0 0 的積分，列線圖中變量對應(yīng)線段上的刻度代表該變量取值范圍，線段長度代表該變量對結(jié)局變量發(fā)生概率的貢獻(xiàn)，再將各預(yù)測因素積分求和得到總分，最后將總分轉(zhuǎn)換為難治性CINV發(fā)生的預(yù)測概率。結(jié)果見表3、圖1。

2.3.2列線圖預(yù)測模型預(yù)測性能的內(nèi)部驗(yàn)證

列線圖預(yù)測模型內(nèi)部驗(yàn)證的ROC曲線見圖2。結(jié)果顯示，預(yù)測模型的 A U C= 0 . 8 0 ， 9 5 % C I 為（0.76，0.84），說明列線圖預(yù)測模型較為穩(wěn)健，預(yù)測性能良好。

Bootstrap驗(yàn)證結(jié)果顯示，預(yù)測模型的平均誤差為0.036，均方誤差為0.00155，表明模型的預(yù)測誤差較小。0.9分位數(shù)的絕對誤差為0.049，表明 9 0 % 的預(yù)測誤差≤0.049，進(jìn)一步說明模型的校準(zhǔn)度較好。結(jié)果見圖3。

2.3.3列線圖預(yù)測模型在不同風(fēng)險(xiǎn)閾值下3種策略的臨床價(jià)值評估

列線圖預(yù)測模型的DCA結(jié)果見圖4。由圖4可知，當(dāng)風(fēng)險(xiǎn)閾值 lt; 0 . 0 5 時(shí)，“治療所有患者”策略與預(yù)測模型提供的凈收益基本一致；當(dāng)風(fēng)險(xiǎn)閾值為 0 . 0 5～0 . 8 5 時(shí)，預(yù)測模型始終優(yōu)于“治療所有患者\(yùn)"和“不治療任何患者”策略；當(dāng)風(fēng)險(xiǎn)閾值 gt;0 . 8 5 時(shí)，3種策略的凈收益趨于一致，均接近于0。結(jié)果顯示，在大部分風(fēng)險(xiǎn)閾值范圍內(nèi)0 （ 0 . 0 5 ～ 0 . 8 5 ） ，列線圖預(yù)測模型提供了較高的臨床凈收益，表明使用該模型進(jìn)行預(yù)測和決策可能帶來更多臨床獲益。

2.3.4列線圖預(yù)測模型在不同風(fēng)險(xiǎn)閾值下的臨床價(jià)值評估

列線圖預(yù)測模型的臨床影響曲線見圖5。由圖5可知，當(dāng)風(fēng)險(xiǎn)閾值為 0～0 . 2 時(shí)，預(yù)測模型將大多數(shù)患者0 8 0 0～1 0 0 0 人/千人）識(shí)別為高風(fēng)險(xiǎn)，而實(shí)際發(fā)生難治性CINV的患者為 5 5 0～5 7 0 人千人；當(dāng)風(fēng)險(xiǎn)閾值為0.5時(shí)，約有570人千人的患者被識(shí)別為高風(fēng)險(xiǎn)，而實(shí)際發(fā)生難治性CINV的患者約為440人/千人；當(dāng)風(fēng)險(xiǎn)閾值為0.8時(shí)，被預(yù)測模型識(shí)別為高風(fēng)險(xiǎn)的患者數(shù)量降至約290人/千人，而實(shí)際發(fā)生難治性CINV的患者約為240人/千人；當(dāng)風(fēng)險(xiǎn)閾值 gt; 0 . 9 時(shí)，被預(yù)測模型識(shí)別為高風(fēng)險(xiǎn)的患者數(shù)量迅速減少，但這些患者中絕大多數(shù)發(fā)生了難治性CINV。

2.3.5 列線圖預(yù)測模型中各因素的貢獻(xiàn)度評估

列線圖預(yù)測模型的SHAP摘要圖見圖6。由圖6可知，胃腸疾病史（0.924）和化療致吐風(fēng)險(xiǎn)分級（0.866）是較為重要的預(yù)測因素，而后為電解質(zhì)水平（0.581）腫瘤

注：紅色曲線表示在不同風(fēng)險(xiǎn)閾值下被模型預(yù)測為高風(fēng)險(xiǎn)的患者數(shù)量，藍(lán)色虛線表示這些高風(fēng)險(xiǎn)患者中實(shí)際發(fā)生難治性CINV的患者數(shù)量。

類型（0.566）預(yù)期性惡心嘔吐（0.509）單次化療時(shí)間（0.410）、化療藥數(shù)量（0.383）阿片類鎮(zhèn)痛藥物使用情況（0.371）轉(zhuǎn)移情況（0.346）、高血脂病史（0.295）和性別（0.229）。

3討論

3.1列線圖預(yù)測模型的預(yù)測性能

本研究建立的列線圖預(yù)測模型的AUC為0.80（20 [ 9 5 % C] [為（0.76，0.84）]，表明模型具有良好的區(qū)分度[]。本研究所建預(yù)測模型較其他研究者建立的CINV預(yù)測模型的預(yù)測性能略有優(yōu)勢。這可能與本研究納入的預(yù)測因素更全面，即納人了患者的既往病史和生理狀態(tài)因素有關(guān)。

校準(zhǔn)曲線分析結(jié)果顯示，列線圖預(yù)測模型具有良好的校準(zhǔn)度，平均誤差為0.036，表明模型預(yù)測的概率與實(shí)際觀察到的事件發(fā)生率高度一致，證實(shí)了模型的可靠性[1。DCA結(jié)果表明，在大部分風(fēng)險(xiǎn)閾值范圍內(nèi)中 0 . 0 5～0 . 8 5 ，使用本研究建立的列線圖預(yù)測模型可以帶來較高的臨床凈收益，這與Mosa等的研究結(jié)果相似。Zhou等1建立的關(guān)于重癥COVID-19預(yù)測模型的結(jié)果也顯示，當(dāng)風(fēng)險(xiǎn)閾值為 0 . 1 0～0 . 9 0 時(shí)，預(yù)測模型的表現(xiàn)最佳。臨床影響曲線分析結(jié)果顯示，當(dāng)風(fēng)險(xiǎn)閾值為0.5時(shí)，被列線圖預(yù)測模型識(shí)別為高風(fēng)險(xiǎn)的患者中約8 0 % 發(fā)生了難治性CINV。這種預(yù)測能力可以幫助醫(yī)生更好地分配醫(yī)療資源，為高風(fēng)險(xiǎn)患者提供更密切的監(jiān)測和更強(qiáng)化的預(yù)防方案。

3.2 預(yù)測因素重要性評估

SHAP分析揭示了各預(yù)測因素對模型的相對重要性。本研究結(jié)果顯示，胃腸疾病史是難治性CINV最重要的預(yù)測因素，這與以往的研究結(jié)果[19-20]一致。患者患有胃腸道疾病可能會(huì)增加其對化療藥物的敏感性，導(dǎo)致更嚴(yán)重的CINV發(fā)生。化療致吐風(fēng)險(xiǎn)分級為第2重要的預(yù)測因素，這符合臨床經(jīng)驗(yàn)和指南推薦6.21]。高致吐風(fēng)險(xiǎn)的化療方案通常與更高的CINV發(fā)生率相關(guān)，凸顯了基于致吐風(fēng)險(xiǎn)分級實(shí)施個(gè)體化預(yù)防策略的必要性。電解質(zhì)水平為第3重要的預(yù)測因素，這表明維持電解質(zhì)平衡在難治性CINV預(yù)防中的潛在重要性，該預(yù)測結(jié)果與Warr[22研究發(fā)現(xiàn)的電解質(zhì)紊亂與CINV的發(fā)生顯著相關(guān)的結(jié)果相似。預(yù)期性惡心嘔吐為重要的預(yù)測因素，這也與以往文獻(xiàn)報(bào)道[23]一致。本研究發(fā)現(xiàn)，無腫瘤轉(zhuǎn)移的患者反而具有較高的難治性CINV發(fā)生風(fēng)險(xiǎn)，其原因可能為無腫瘤轉(zhuǎn)移的患者多處于疾病的早、中期。本研究前期發(fā)現(xiàn)，近期確診、初次化療患者的CINV發(fā)生風(fēng)險(xiǎn)更高[24]而近期確診的早期腫瘤患者可能存在較高水平的焦慮情緒，這種焦慮情緒與CINV的發(fā)生有顯著正相關(guān)性[25-26]

本研究還發(fā)現(xiàn)，有高血脂病史與難治性CINV的發(fā)生呈負(fù)相關(guān)，這與高血脂患者可能正在服用他汀類藥物有關(guān)。有研究表明，他汀類藥物可能具有抗炎和保護(hù)神經(jīng)的作用，這可能會(huì)潛在地減少CINV的發(fā)生[2]，但仍需進(jìn)一步驗(yàn)證。

4結(jié)語

本研究所建難治性CINV的列線圖預(yù)測模型納入了多個(gè)預(yù)測因素，如電解質(zhì)水平和阿片類鎮(zhèn)痛藥物使用情況等，能為臨床干預(yù)提供潛在的靶點(diǎn)。對于被識(shí)別為高風(fēng)險(xiǎn)的患者，可以在化療前積極糾正其電解質(zhì)紊亂，或考慮調(diào)整其止痛策略，以降低難治性CINV的發(fā)生風(fēng)險(xiǎn)。本研究的局限性：首先，本研究為單中心回顧性研究，可能存在選擇偏倚，未來需要多中心、前瞻性研究進(jìn)一步驗(yàn)證模型的外部有效性。其次，雖然本研究所建列線圖預(yù)測模型顯示出良好的預(yù)測性能，但在實(shí)際臨床決策中的應(yīng)用效果還需要通過干預(yù)性研究來評估。未來可以設(shè)計(jì)隨機(jī)對照試驗(yàn)，比較使用該預(yù)測模型指導(dǎo)的個(gè)體化預(yù)防策略與標(biāo)準(zhǔn)預(yù)防方案的效果差異。

參考文獻(xiàn)

[1]RAZVIY，CHANS，MCFARLANET，et al. ASCO， NCCN，MASCC/ESMO：a comparison ofantiemetic guidelines for the treatmentofchemotherapy-induced nauseaand vomitingin adult patients[J].Support Care Cancer，2019，27（1）：87-95.

[2] HERRSTEDTJ，LINDBERGS，PETERSENPC.Preventionofchemotherapy-induced nauseaand vomiting inthe older patient：optimizing outcomes[J]. Drugs Aging，2022， 39（1）：1-21.

[3] ROILAF，MOLASSIOTISA，HERRSTEDTJ，etal.2016 MASCC and ESMO guideline update for the prevention of chemotherapy- and radiotherapy-induced nausea and vomiting and of nausea and vomiting in advanced cancer patients[J].Ann Oncol，2016，27（Suppl. 5） ：v119-v133.

[4]BLOECHL-DAUMB，DEUSON RR，MAVROS P，et al. Delayed nausea and vomiting continue to reduce patients’ quality oflife after highlyand moderately emetogenic chemotherapy despite antiemetic treatment[J].J Clin Oncol， 2006，24（27）：4472-4478.

[5]AAPRO M，CAPRARIU Z，CHILINGIROV P，et al. Assessing the impact ofantiemetic guideline compliance on prevention of chemotherapy-induced nausea and vomiting：results of the nausea/emesis registry in oncology （NERO）[J].Eur JCancer，2022，166：126-133.

[6]MOLASSIOTIS A，STAMATAKI Z，KONTOPANTELIS E. Development and preliminary validation of a risk prediction model for chemotherapy-related nausea and vomiting[J].Support Care Cancer，2013，21（10）：2759-2767.

[7]SIMINO G PR，REIS IA，ACURCIO FA，et al. Risk factors associated with antineoplastic chemotherapy-induced nausea and vomiting[J].Rev Saude Publica，202O，54：106.

[ 8] GARUFFO L，LEONI A， GATTA R，et al. The applications of machine learning in the management of patients undergoing stem cell transplantation： are we ready？ [J]. Cancers （Basel），2025，17（3）：395.

[9]DOKNIC 1，MITROVIC M，BUKUMIRIC Z， et al. The comparison of classical statistical and machine learning methods in prediction of thrombosis in patients with acute myeloid leukemia[J].Bioengineering（Basel），2025， 12（1）：63.

[10]中國抗癌協(xié)會(huì)癌癥康復(fù)與姑息治療專業(yè)委員會(huì)，中國抗 癌協(xié)會(huì)腫瘤臨床化療專業(yè)委員會(huì)，中國抗癌協(xié)會(huì)腫瘤支 持治療專業(yè)委員會(huì)，等.中國抗腫瘤治療相關(guān)惡心嘔吐 預(yù)防和治療指南：2023版[J].中華腫瘤雜志，2024，46 （6）：481-501.

[11]MANDREKAR J N.Receiver operating characteristic curve in diagnostic test assessment[J].J Thorac Oncol， 2010，5（9） ：1315-1316.

[12]VAN CALSTER B，MCLERNON D J，VAN SMEDEN M，et al. Calibration： the Achiles heel of predictive analytics[J].BMC Med，2019，17（1） ：230.

[13]STEYERBERG E W， VICKERS A J，COOK NR，et al. Assessing the performance of prediction models：a framework for traditional and novel measures[J]. Epidemiology， 2010，21（1）：128-138.

[14]VICKERS A J，ELKIN E B.Decision curve analysis：a novel method for evaluating prediction models[J].Med Decis Making，2006，26（6） ：565-574.

[15]ZHAO Y Y，ZHAO B，CHEN G，et al. Validation of different personalized risk models of chemotherapy-induced naucea and vomiting.results nf a randomized douhleblind，phase II trial of fosaprepitant for cancer patients treated with high-dose cisplatin[J].Cancer Commun （Lond），2023，43（2）：246-256.

[16]HU Z H，LIANG WH，YANG YP，et al. Personalized estimate of chemotherapy-induced nausea and vomiting： development and external validation of a nomogram in cancerpatientsreceivinghighly/moderately emetogenicchemotherapy[J].Medicine （Baltimore），2016，95（2）：e2476.

[17]MOSAA SM，HOSSAINA M，YOO I.A dynamic prediction engine to prevent chemotherapy-induced nausea and vomiting[J].Artif IntellMed，2020，109：101925.

[18]ZHOU Y W，HE Y Q，YANG H，et al. Development and validation a nomogram for predicting the risk of severe COVID-19：a multi-center study in Sichuan，China[J]. PLoS One，2020，15（5） ：e0233328.

[19]BABAY，BABA H，YAMAMOTO S，et al. Chemotherapyinduced nausea and vomiting is less controlled at delayed phase in patients with esophageal cancer：a prospective registration study by the CINV Study Group of Japan[J]. Dis Esophagus，2017，30（2）：1-7.

[20]BOURDEANU L，F(xiàn)RANKEL P，YU W， et al. Chemotherapy-induced nausea and vomiting in Asian women with breast cancer receiving anthracycline-based adjuvant chemotherapy[J]. J Support Oncol，2012，10（4）：149-154.

[21]KENNEDY S KF，GOODALL S，LEE SF，et al. 2020 ASCO，2023NCCN，2023MASCC/ESMO，and2019 CCO：a comparison of antiemetic guidelines for the treatment of chemotherapy-induced nausea and vomiting in cancer patients[J]. Support Care Cancer，2024，32（5）：280.

[22]WARR D.Prognostic factors for chemotherapy-induced nausea and vomiting[J]. Eur J Pharmacol，2O14，722： 192-196.

[23]MOLASSIOTIS A，LEE PH，BURKE TA，et al. Anticipatorynausea，risk factors，and itsimpactonchemotherapyinduced nausea and vomiting： results from the pan European emesis registry study[J]. JPain Symptom Manage，2016， 51（6）：987-993.

[24]孫博，劉丹娜，劉勛，等.帕洛諾司瓊聯(lián)合地塞米松預(yù)防 化療所致惡心嘔吐失敗的危險(xiǎn)因素探索[J].中國藥房， 2021，32（21） ：2640-2646.

[25]MOLASSIOTIS A，YAM B C，YUNG H，et al. Pretreatment factors predicting the development of postchemotherapy nausea and vomiting in Chinese breast cancer patients[J]. Support Care Cancer，2002，10（2）：139-145.

[26]YAP KY，LOW X H，CHUI W K，et al. Computational prediction of state anxiety in Asian patients with cancer susceptible to chemotherapy-induced nausea and vomiting [J].JClin Psychopharmacol，2012，32（2）：207-217.

[27]SATNY M，HUBACEK JA，VRABLIK M. Statins and inflammation[J]. Curr Atheroscler Rep，2021，23（12） ：80. （收稿日期：2024-10-29 修回日期：2025-03-26）