外周血液クリナボミクスデータの動的変化を用いて,進行胃がんにおける免疫チェックポイント阻害剤の有効性を予測するための機械学習モデルの開発と検証:遡及的多センターコホート研究

科学分野:

• 腫瘍学
• コンピュータ生物学
• バイオマーカーの発見

背景:

• 免疫チェックポイント阻害剤 (ICI) は,進行胃がん (GC) の治療に不可欠です.
• ICIの有効性の現在のバイオマーカーは,静的な腫瘍の特徴に依存しています.
• GCにおけるICIに対する反応を予測することは,臨床的な課題である.

研究 の 目的:

• 先進的なGCにおけるICI有効性の予測を強化するために,ダイナミックなクリナボミクスデータを組み込む機械学習 (ML) モデルを開発する.
• 静的マーカーを超えて予測精度を向上させるダイナミックなクリナボミクスの特徴を特定する.
• 複数のセンターでMLモデルのパフォーマンスを検証します.

主な方法:

• 第一線ICIで治療された377人の進行性GC患者を対象とした多中心の遡及研究です.
• 最適な性能のためにXGBoostを選択した9つのMLモデルの開発.
• ダイナミック・クリンラボミクスデータ,カプラン・マイヤー生存分析,RNA配列解析を有効化するために利用した.

主要な成果:

• XGBoostモデルは高い予測精度を達成しました (AUC 0. 863 訓練,0. 790- 0. 842 外部コホート).
• 重要な予測因子として10のダイナミックなクリナボミクスの特徴が特定された.
• 低リスクのサブグループでは 診断が改善され",熱い腫瘍"の特徴が示され,アクセシビリティのための Web ツールが開発されました.

結論:

• 動的クリナボミクスデータは,進行したGCにおけるICIの有効性を効果的に予測します.
• 検証されたマルチセンターモデルは治療戦略を最適化するための新しいアプローチを提供します.
• このアプローチは,ICI治療のための患者の選択を洗練することによって,パーソナライズされた医療をサポートします.