Förutsäga lungcancerstadium vid diagnos baserat på självrapporterade symtom och bakgrundsfaktorer med maskininlärningsmodeller

Varför det är så svårt att fånga lungcancer tidigt

Lungcancer är en av de dödligaste cancerformerna, till stor del eftersom den ofta upptäcks för sent, när behandlingsmöjligheterna är begränsade. Många personer med lungcancer har ändå symtom före och vid diagnos—såsom hosta, andfåddhet, trötthet eller viktnedgång—som i teorin skulle kunna göra att läkare upptäcker sjukdomen tidigare. Den här studien ställde en enkel men viktig fråga: om patienter systematiskt rapporterar sina symtom och bakgrundsinformation i detalj, kan datorer då lära sig att avgöra vem som sannolikt har lungcancer och om den är i ett tidigt eller sent stadium?

Lyssna på patienternas egna berättelser

Forskarna följde 486 personer som remitterats till en specialistklinik i Stockholm eftersom deras läkare misstänkte lungcancer. Alla fyllde i ett detaljerat elektroniskt frågeformulär på en surfplatta kallat PEX-LC. Det frågade om 57 bakgrundsfaktorer (såsom ålder, rökning, boendesituation och tidigare lungsjukdomar) och mer än 100 möjliga symtom, från andningsproblem och hosta till smärta, trötthet, aptitförändringar och feber. Frågorna fångade inte bara de allra första varningstecknen utan också vilka symtom som fanns kring tiden för diagnos. Under det följande året visade journaluppgifter vem som fick diagnosen lungcancer och om den var i ett icke-avancerat stadium (främst stadierna I–IIIa) eller ett avancerat stadium (IIIb–IV).

Vem visade sig ha lungcancer

Av de remitterade hade ungefär fyra av tio ingen cancer, medan sex av tio fick diagnosen lungcancer, ungefär jämnt fördelade mellan icke-avancerade och avancerade stadier. Jämfört med dem utan cancer tenderade patienter med lungcancer att vara äldre, oftare dagligrökare, mer benägna att bo ensamma och att ha gått ner i vikt det senaste året. Bland dem med avancerad sjukdom var män överrepresenterade, och tidigare lungsjukdomar som astma, kroniskt obstruktiv lungsjukdom och lunginflammation var vanligare. Dessa bakgrundsmönster tyder på att vardagliga faktorer—ålder, rökvanor, boendesituation och nyliga hälsförändringar—fortfarande är starka signaler om risk, även innan man fokuserar på specifika symtom.

Symtom som sticker ut

När teamet jämförde rapporterade symtom såg de att personer med tidig lungcancer förvånansvärt nog liknade dem utan cancer: endast ett visslande andningsljud och frånvaron av feber skiljde dem tydligt åt i enkla en-och-en-jämförelser. Däremot hade de med avancerad lungcancer många fler utmärkande besvär. De rapporterade oftare andnöd, flämtning, retande hosta och bullriga andningsljud, liksom smärta (särskilt i ryggen), kraftig trötthet, svaghet, frossa och ätstörningar såsom tidig mättnad och aptitförlust. Dessa mönster bekräftar att när lungcancer är avancerad påverkar den ofta flera kroppssystem, medan tidig sjukdom kan dölja sig bakom vaga eller lätt avvisbara känslor.

Vad datorerna kunde och inte kunde göra

För att se om komplexa kombinationer av svar kunde ge en tydligare bild än något enskilt symtom tränade forskarna flera typer av maskininlärningsmodeller. Dessa algoritmer lärde sig från 129 olika frågevariabler för att skilja personer med icke-avancerad cancer från dem utan cancer, och separat för att särskilja avancerad cancer från ingen cancer. Modellerna uppnådde endast måttlig noggrannhet: de gjorde bättre än slumpen men var långt ifrån perfekta, särskilt för tidig sjukdom. Bakgrundsfaktorer som ålder, rökstatus, kön och att bo ensam rankades konsekvent bland de mest inflytelserika prediktorerna. Några symtom—retande hosta, visslande eller bullrigt andningsljud, flämtning, tryck i halsen, smärta och förändringar i aptit eller vikt—bidrog också, särskilt för avancerad cancer. Ingen liten uppsättning symtom dominerade dock; snarare behövdes ett dussintal subtila egenskaper kombinerade för att nå måttlig prestanda.

Vad detta betyder för patienter och läkare

Studien visar att det att fråga människor i detalj om deras symtom och livsomständigheter kan avslöja meningsfulla mönster kopplade till lungcancer, men att dessa signaler ofta är svaga, särskilt i de tidigare stadierna då behandling har bäst chans att bota. Maskininlärningsmodeller som bygger endast på frågeformulärdata kan hjälpa till att prioritera vilka remitterade patienter som behöver särskilt snabb utredning, men de är inte tillräckligt träffsäkra för att fungera ensamma som screeningverktyg eller diagnostiska tester. För patienter och kliniker är huvudbudskapet att ålder, rökning, att bo ensam och nylig viktnedgång, i kombination med ihållande andningsproblem, smärta, aptitförlust eller oförklarlig trötthet, bör sänka tröskeln för noggrannare lungundersökningar. Författarna menar att framtidens tidigare upptäckt av lungcancer sannolikt kommer från att kombinera sådan självrapporterad information med kliniska data och biologiska tester, snarare än att förlita sig enbart på symtom.

Citering: Gustavell, T., Sissala, N., Pernemalm, M. et al. Predicting lung cancer stage at diagnosis based on self-reported symptoms and background factors using machine learning models. Sci Rep 16, 11866 (2026). https://doi.org/10.1038/s41598-026-46710-8

Nyckelord: lungcancer, tidig upptäckt, patientrapporterade symtom, maskininlärning, riskbedömning