BACKGROUND Unexpected weight loss (UWL) is a presenting feature of cancer in primary care. Existing research proposes simple combinations of clinical features (risk factors, symptoms, signs, and blood test data) that, when present, warrant cancer investigation. More complex combinations may modify cancer risk to sufficiently rule-out the need for investigation. We aimed to identify which clinical features can be used together to stratify patients with UWL based on their risk of cancer. METHODS AND FINDINGS We used data from 63,973 adults (age: mean 59 years, standard deviation 21 years; 42% male) to predict cancer in patients with UWL recorded in a large representative United Kingdom primary care electronic health record between January 1, 2000 and December 31, 2012. We derived 3 clinical prediction models using logistic regression and backwards stepwise covariate selection: Sm, symptoms-only model; STm, symptoms and tests model; Tm, tests-only model. Fifty imputations replaced missing data. Estimates of discrimination and calibration were derived using 10-fold internal cross-validation. Simple clinical risk scores are presented for models with the greatest clinical utility in decision curve analysis. The STm and Tm showed improved discrimination (area under the curve ≥ 0.91), calibration, and greater clinical utility than the Sm. The Tm was simplest including age-group, sex, albumin, alkaline phosphatase, liver enzymes, C-reactive protein, haemoglobin, platelets, and total white cell count. A Tm score of 5 balanced ruling-in (sensitivity 84.0%, positive likelihood ratio 5.36) and ruling-out (specificity 84.3%, negative likelihood ratio 0.19) further cancer investigation. A Tm score of 1 prioritised ruling-out (sensitivity 97.5%). At this threshold, 35 people presenting with UWL in primary care would be referred for investigation for each person with cancer referred, and 1,730 people would be spared referral for each person with cancer not referred. Study limitations include using a retrospective routinely collected dataset, a reliance on coding to identify UWL, and missing data for some predictors. CONCLUSIONS Our findings suggest that combinations of simple blood test abnormalities could be used to identify patients with UWL who warrant referral for investigation, while people with combinations of normal results could be exempted from referral.

中文翻译：

---

结合简单的血液测试来识别癌症调查中意外体重减轻的初级保健患者：临床风险评分开发、内部验证和净收益分析。

背景 意外体重减轻 (UWL) 是初级保健中癌症的一个显着特征。现有研究提出了临床特征（风险因素、症状、体征和血液检测数据）的简单组合，当存在时，需要进行癌症调查。更复杂的组合可能会改变癌症风险以充分排除调查的需要。我们旨在确定哪些临床特征可以一起用于根据癌症风险对 UWL 患者进行分层。方法和发现 我们使用来自 63,973 名成年人（年龄：平均 59 岁，标准差 21 岁；42% 男性）的数据来预测 2000 年 1 月 1 日至2012 年 12 月 31 日。我们使用逻辑回归和向后逐步协变量选择推导出 3 个临床预测模型：Sm，仅症状模型；STm，症状和测试模型；Tm，仅测试模型。五十个插补替换了缺失的数据。使用 10 倍内部交叉验证得出区分和校准的估计值。为在决策曲线分析中具有最大临床效用的模型提供了简单的临床风险评分。STm 和 Tm 显示出比 Sm 更好的辨别力（曲线下面积 ≥ 0.91）、校准和更大的临床效用。Tm 最简单，包括年龄组、性别、白蛋白、碱性磷酸酶、肝酶、C 反应蛋白、血红蛋白、血小板和总白细胞计数。Tm 评分为 5 平衡裁定（敏感性 84.0%，阳性似然比 5.36）和排除（特异性 84。3%，阴性似然比 0.19) 进一步的癌症调查。1 的 Tm 分数优先排除（敏感性 97.5%）。在这个阈值下，35 名在初级保健中出现 UWL 的人将被转诊到每个被转诊的癌症患者中进行调查，对于每个未被转诊的癌症患者，将有 1,730 人被免于转诊。研究局限性包括使用回顾性常规收集的数据集、依赖编码来识别 UWL，以及某些预测因子的数据缺失。结论 我们的研究结果表明，简单血液检查异常的组合可用于识别需要转诊接受调查的 UWL 患者，而具有正常结果组合的人可以免于转诊。1 的 Tm 分数优先排除（敏感性 97.5%）。在此阈值下，35 名在初级保健中出现 UWL 的人将被转诊为每名癌症患者接受调查，而每个未转诊的癌症患者将免于转诊 1,730 人。研究局限性包括使用回顾性常规收集的数据集、依赖编码来识别 UWL，以及某些预测因子的数据缺失。结论 我们的研究结果表明，简单血液检查异常的组合可用于识别需要转诊接受调查的 UWL 患者，而具有正常结果组合的人可以免于转诊。1 的 Tm 分数优先排除（敏感性 97.5%）。在此阈值下，35 名在初级保健中出现 UWL 的人将被转诊为每名癌症患者接受调查，而每个未转诊的癌症患者将免于转诊 1,730 人。研究局限性包括使用回顾性常规收集的数据集、依赖编码来识别 UWL，以及某些预测因子的数据缺失。结论 我们的研究结果表明，简单血液检测异常的组合可用于识别需要转诊接受调查的 UWL 患者，而具有正常结果组合的人可以免于转诊。对于每个未被转诊的癌症患者，730 人将被免于转诊。研究局限性包括使用回顾性常规收集的数据集、依赖编码来识别 UWL，以及某些预测因子的数据缺失。结论 我们的研究结果表明，简单血液检查异常的组合可用于识别需要转诊接受调查的 UWL 患者，而具有正常结果组合的人可以免于转诊。对于每个未被转诊的癌症患者，730 人将被免于转诊。研究局限性包括使用回顾性常规收集的数据集、依赖编码来识别 UWL，以及某些预测因子的数据缺失。结论 我们的研究结果表明，简单血液检测异常的组合可用于识别需要转诊接受调查的 UWL 患者，而具有正常结果组合的人可以免于转诊。