В исследование включили 1000 онкологических пациентов из Северо-Восточной больницы центральной Юньнани (январь 2024 — январь 2025): 500 с миелосупрессией (основная группа) и 500 без неё (контроль). Выборку разделили на обучающую (70%) и валидационную (30%). Для отбора переменных использовали LASSO, для построения прогноза — 15 моделей машинного обучения. Оценивали чувствительность, специфичность, точность, PPV, NPV, F1-score, индекс Юдена, AUC, DCA и калибровку. Внешняя валидация проведена на 488 пациентах (июнь — ноябрь 2025).

После скрининга отобрали 15 клинических показателей. Все модели продемонстрировали отличную дискриминацию. LightGBM показала наилучшую общую эффективность: AUC 0.999 (0.998–1.000), чувствительность 0.986, специфичность 0.989, точность 0.987, PPV 0.989, NPV 0.986, F1-score 0.987, индекс Юдена 0.974.

По модели LightGBM риск миелосупрессии повышался при: лейкоциты 10%, эритроциты <4×10¹²/л, средний объём тромбоцитов <8 фл, тромбокрит <0.1%.

На независимой когорте (n=488) модель LightGBM сохранила стабильность: AUC 0.940 (95% CI 0.920–0.959), чувствительность 0.818, специфичность 0.888, точность 85.2%, с благоприятной калибровкой и клинической пользой по DCA.

Модель позволяет выявить пациентов с высоким риском химиоиндуцированной миелосупрессии на основе рутинных лабораторных данных и может служить основой для ранних профилактических интервенций.