用治疗前和治疗期间的预后生物标志物预测Atezolizumab治疗的晚期NSCLC患者的生存率

科学领域:

• 在瘤学瘤学.
• 机器学习 机器学习
• 翻译医学是一种翻译医学.

背景情况:

• 目前用于癌症治疗的生存预测模型往往缺乏机器学习集成,仅依赖基线或瘤动态数据.
• 需要更准确和更动态的预测模型,这些模型将随时可用的治疗数据纳入其中.

研究的目的:

• 开发和验证一种新的动力学-机器学习 (kML) 模型,用于预测免疫检查点抑制 (ICI) 治疗非小细胞肺癌 (NSCLC) 患者的生存率.
• 评估kML模型预测治疗疗效的能力,并支持个性化医学和药物开发.

主要方法:

• 该kML模型整合了基线标记物,瘤动力学和四种简单的治疗血液标记物:白蛋白,C反应蛋白,乳酸脱酶和中性粒细胞.
• 该模型是使用三项II期试验 (533名患者) 的数据开发的,并在III期试验 (ICI和化疗手臂,377名和354名患者) 中得到验证.

主要成果:

• 与最先进的方法相比,kML模型显示出更高的性能,达到0.790的测试组C指数和78.7%的12个月生存精度.
• 它显著确定了长期幸存者 (危险比率为25.2,P < 0.0001).
• 关键的是,kML模型使用仅25周的研究数据准确预测了III期试验的成功.

结论:

• 将治疗中的血液标记物与预测机器学习相结合,为瘤学中的个性化医学提供了一种强大的方法.
• kML模型为改善存活预测和支持接受ICI治疗的NSCLC患者的临床决策提供了有价值的工具.
• 开发的模型和代码是公开的,以促进进一步的研究和应用.