Dynamic evolution, prediction and patient stratification of chemotherapy-induced neutropenia in a predominantly breast cancer cohort: A decision-support study for building a bundle care strategy.

چکیده اصلی

BACKGROUND: Chemotherapy-induced neutropenia (CIN) is a common dose-limiting toxicity in patients with solid tumors, often leading to infections, treatment delays, or dose reductions. However, studies on the dynamic patterns of CIN across multiple chemotherapy cycles and their prediction remain limited. OBJECTIVES: To longitudinally observe CIN evolution across two consecutive cycles, develop a predictive model for severe CIN in cycle 2 (T2) based on cycle 1 (T1) characteristics, and classify patients by early recovery capacity to form a personalized bundle care strategy. METHODS: This single-center retrospective cohort study using electronic medical record (EMR) data enrolled 138 patients with solid tumors (89.1% breast cancer) who received ≥2 chemotherapy cycles between January 1, 2015, and January 31, 2025, at Zhuhai Maternal and Child Health Care Hospital, China. Neutrophil kinetic parameters were collected for T1 and T2. A multivariable logistic regression model predicted grade 3-4 CIN in T2 using T1 variables, with internal bootstrap validation. K-means clustering based on T1 recovery patterns identified patient subgroups. RESULTS: Severe CIN incidence decreased from 88.0% in T1 to 42.7% in T2 (p<0.001); neutrophil nadir rebounded from 0.40 × 109/L (IQR: 0.10-0.70) in cycle 1 to 1.05 × 109/L (IQR: 0.50-1.80) in cycle 2 (p<0.001). The prediction model (age, T1 nadir, T1 days to nadir, T1 recovery duration) achieved a test AUC of 0.677 and an accuracy of 78.6%. Out of the 138 total patients, 120 with complete recovery data were utilized for clustering analysis, identifying three groups: rapid (n=21), similar (n=79) and slow (n=20). The slow-recovery group exhibited significantly higher rates of febrile neutropenia (25.0% vs. 10.1% and 4.8%, p=0.043) and chemotherapy delays (35.0% vs. 15.2% and 9.5%, p=0.021). CONCLUSION: CIN severity generally improves from first to second cycle, but with substantial inter-individual heterogeneity. A T1-based prediction model combined with recovery stratification can identify high-risk patients for personalized CIN management. Further validation in diverse populations is warranted.

ترجمه فارسی چکیده

پس‌زمینه: نوتروپنی ناشی از شیمی‌درمانی (CIN) یک سمیت شایع محدودکننده دوز در بیماران با تومورهای صلب است که اغلب منجر به عفونت، تاخیر در درمان یا کاهش دوز می‌شود. با این حال، مطالعات محدودی درباره الگوهای پویای CIN در چندین چرخه شیمی‌درمانی و پیش‌بینی آن‌ها وجود دارد. اهداف: مشاهده طولی پیشرفت CIN در دو چرخه متوالی، توسعه یک مدل پیش‌بینی برای CIN شدید در چرخه ۲ (T2) بر اساس ویژگی‌های چرخه ۱ (T1) و طبقه‌بندی بیماران بر اساس ظرفیت بهبودی زودهنگام برای تشکیل استراتژی مراقبت شخصی‌سازی شده. روش‌ها: این مطالعه کوهورت پس‌رونده تک‌مرکزی با استفاده از داده‌های سوابق الکترونیک بیمار (EMR) ۱۳۸ بیمار با تومورهای صلب (۸۹.۱٪ سرطان پستان) را که حداقل دو چرخه شیمی‌درمانی دریافت کرده بودند، بین ۱ ژانویه ۲۰۱۵ و ۳۱ ژانویه ۲۰۲۵ در بیمارستان زوهای مادران و کودکان چین، ثبت کرد. پارامترهای دینامیک نوتروفیل برای T1 و T2 جمع‌آوری شد. یک مدل رگرسیون لجستیک چندمتغیره CIN درجه ۳-۴ در T2 را با استفاده از متغیرهای T1 پیش‌بینی کرد و با اعتبارسنجی داخلی بوت‌استرپ تایید شد. خوشه‌بندی K-means بر اساس الگوهای بهبودی T1، زیرگروه‌های بیمار را شناسایی کرد. نتایج: شیوع CIN شدید از ۸۸.۰٪ در T1 به ۴۲.۷٪ در T2 کاهش یافت (p<0.001). مینیمم نوتروفیل از 0.40 × 10⁹/L (IQR: 0.10-0.70) در چرخه ۱ به 1.05 × 10⁹/L (IQR: 0.50-1.80) در چرخه ۲ بازگشت (p<0.001). مدل پیش‌بینی (سن، مینیمم T1، روزها تا مینیمم T1، مدت بهبودی T1) AUC تست 0.677 و دقت ۷۸.۶٪ را به دست آورد. از مجموع ۱۳۸ بیمار، ۱۲۰ بیمار با داده‌های بهبودی کامل برای تحلیل خوشه‌بندی استفاده شد که سه گروه را شناسایی کرد: سریع (n=21)، مشابه (n=79) و کند (n=20). گروه بهبودی کند نرخ‌های بالاتری از نوتروپنی تب‌دار (۲۵.۰٪ در برابر ۱۰.۱٪ و ۴.۸٪، p=0.043) و تاخیرهای شیمی‌درمانی (۳۵.۰٪ در برابر ۱۵.۲٪ و ۹.۵٪، p=0.021) را نشان داد. نتیجه‌گیری: شدت CIN به طور کلی از چرخه اول به دوم بهبود می‌یابد، اما با تنوع فردی قابل توجه بین افراد وجود دارد. یک مدل پیش‌بینی مبتنی بر T1 همراه با طبقه‌بندی بهبودی می‌تواند بیماران با ریسک بالا را برای مدیریت شخصی‌سازی شده CIN شناسایی کند. تأیید بیشتر در جمعیت‌های متنوع ضروری است.

متن کامل اصلی