在晚期泌尿腺癌中进行avelumab一线维护:在JAVELIN Bladder 100第三阶段试验中使用机器学习对预后和预测因素进行完整的查

科学领域:

• 在瘤学瘤学.
• 翻译研究是翻译研究.
• 生物统计学 生物统计学

背景情况:

• 艾维卢马布一线维护是治疗晚期泌尿腺癌 (aUC) 的标准护理.
• 在JAVELIN Bladder 100试验中,AVELUMAB维护加上最佳支持性护理 (BSC) 与单独的BSC相比,改善了整体存活率 (OS) 和无进展生存率 (PFS).
• 这项研究旨在确定JAVELIN Bladder 100试验数据中的预后和预测因素.

研究的目的:

• 确定预后因素,定义具有明显整体生存 (OS) 结果的患者亚群.
• 为了确定预测因素,选择患者从阿维卢马布一线维持治疗中获益最多.
• 利用机器学习对大型临床试验数据集进行全面分析.

主要方法:

• 机器学习分析,包括随机生存森林,应用于一组全面的基线共变量.
• 共同变量包括患者人口统计学,疾病特征,实验室值,分子生物标志物和患者报告的结果.
• 选择的变量进一步分析使用单变Cox模型与治疗相互作用和多变Cox模型.

主要成果:

• 对OS的预后因素包括东部合作性瘤组的绩效状况,转移部位,C反应蛋白,性酸酶,淋巴细胞比例,瘤突变负担和CD8+T细胞透.
• 对阿维卢马布益处的潜在预测因素包括转移部位,瘤突变负担和瘤CD8+T细胞透.
• 在PD-L1阳性瘤患者中,研究结果一致.

结论:

• 机器学习成功地确定了在晚期泌尿腺癌中对avelumab一线维护的潜在预后和预测因素.
• 这些确定的因素需要在独立的临床数据集中进一步验证.
• 这项研究提供了关于在尿路癌症治疗中个性化免疫疗法的见解.