癌症相关疲劳（CRF）是癌症及其治疗的重要负担，是一种持续的、痛苦的、主观的疲劳，会影响身体、情感和认知功能，且无法通过休息或睡眠得到缓解。多项系统综述报告称，癌症患者中CRF的合并患病率为43.0%~52%。Journal of Advanced Nursing杂志发表了一项系统综述，旨在识别、描述和评估现有CRF的风险预测模型，为癌症护理提供参考。

研究基于PICOTS框架制定纳入排除标准，纳入成人癌症患者、涉及CRF预测模型开发的研究。研究人员检索了Embase、Cochrane等7个数据库，从建库至2024年9月15日。两位作者依标准筛选文献、提取数据，第三位作者仲裁分歧，提取内容包括研究特征、方法学和性能指标等。

研究初次检索到6883条记录，依据纳入排除标准，最终纳入18项研究，报告了51个CRF模型。多为横断面研究（n=9），常用AUC评价模型性能，AUC值为0.549~0.91，表明它们的性能存在差异。18项研究中，常见的是乳腺癌、前列腺癌等，患者多接受过一线治疗，其中化疗最常见。CRF预测模型的研究中，建模方法呈现多样化，其中逻辑回归最常用，还有集成模型、树模型等。交叉验证是常见的内部验证方法，其次是自助法、非随机分割和留出法。这51个模型中包含的预测因子数量为3~14个，两项研究在11个模型的最终数据集中使用了 145个变量，还有1项研究在1个模型中纳入了基因组数据。最常见的预测因子是焦虑和抑郁，其次是年龄、化疗状态、睡眠状态等。将这些预测因子进行归类，分为人口统计学预测因子、生理学预测因子、治疗相关预测因子、疾病预测因子、血液检测和生物学预测因子、心理学预测因子、症状及其他预测因子。这项模型转化临床应用仍有一定的差距，应进一步仅想优化呈现和分层。

这项综述总结了CRF预测模型现状，发现了这些模型在方法和分析方面存在的不足，找到了常用的预测因子组合，并观察到CRF管理方法存在不均衡的情况。未来应提高CRF风险预测模型的临床实用性，使其能够更便捷地解决临床实践中的问题。

相关量表

FACIT疲劳量表（FACIT-F第4版）

自我调节疲劳量表(Self-Regulatory Fatigue Scale,SRF-S)

疲劳评定量表（FAI）

疲劳严重程度量表（fatigue severity scale,FSS）

疲劳量表-14(FS-14)

原始出处：

Yun Zhang, Linna Li, et al, Risk Prediction Models as an Emerging Trend for Managing Cancer-­Related Fatigue: A Systematic Review, Journal of Advanced Nursing, 2024, https://doi.org/10.1111/jan.16680.