使用对抗PD1/PDL1治疗发展的客观应答率预测无进展生存率和整体生存率

科学领域:

• 在瘤学瘤学.
• 临床试验设计 临床试验设计
• 生物统计学 生物统计学

背景情况:

• 客观应答率 (ORR) 是瘤学抗PD1/PDL1治疗试验的关键早期终点,而无进展生存率 (PFS) 和总生存率 (OS) 是关键的晚期终点.
• 从早期数据中预测后期阶段的结果可以优化试验设计和成功概率 (POS) 评估.
• 现有的文献对ORR与生存结果 (mPFS,mOS) 之间的关联数据有限.

研究的目的:

• 在实体瘤抗PD1/PDL1疗法开发中,基于早期客观响应率 (ORR) 开发中位数PFS (mPFS) 和中位数OS (mOS) 的预测模型.
• 优化后期临床试验设计并评估成功概率 (POS).

主要方法:

• 通过整合来自多个来源的数据,构建了一个全面的定量临床试验景观数据库 (QLD).
• 开发了一种可通用的算法,用于系统,准确和完整的结构化数据提取.
• 利用基于树的机器学习回归模型结合瘤类型,阶段,治疗线和治疗类来预测ORR的mPFS和mOS.

主要成果:

• 确定了150多项用于预测模型开发的后期临床试验,大大扩展了现有文献.
• 开发的基于树的模型证明了强大的预测,考虑到试验中的异质性和借用力.
• 交叉验证表明该模型的预测平均平方误差与先进的机器学习方法相竞争,并且优于线性回归模型.

结论:

• 开发的预测模型提供了一种可靠和可解释的方法,用于从瘤学早期ORR数据中估计晚期生存结果.
• 这种方法可以显著地告知和优化对抗PD1/PDL1疗法的后期临床试验的设计.
• 该模型为评估晚期试验的成功概率提供了有价值的工具,特别是对于组合疗法.