机器学习对患者健康信号的建模,为免疫检查点抑制剂治疗的长期生存提供了信息

科学领域:

• 在瘤学瘤学.
• 免疫学 免疫学 免疫学
• 数据科学数据科学数据科学

背景情况:

• 免疫检查点抑制剂 (ICI) 已经彻底改变了癌症治疗,特别是非小细胞肺癌 (NSCLC).
• 在临床实践中,确定可靠的ICI反应生物标志物仍然是一个关键的挑战.
• 治疗引起的不良事件 (TEAE) 是系统信号,可能与治疗疗效相关.

研究的目的:

• 在NSCLC患者中开发和验证对抗PD-L1免疫疗法 (杜尔瓦卢马布) 的反应的预测特征.
• 调查TEAE是否可以作为ICI治疗反应的相关物.
• 为了比较基于TEAE的新型签名对免疫相关不良事件的既定定义的预测性能.

主要方法:

• 利用机器学习方法从临床试验数据中分析所有TEAE.
• 在MYSTIC试验的杜尔瓦卢马布和化疗手臂的数据上训练了一种复合签名.
• 在四个独立的NSCLC试验中验证了签名,仅使用TEAE的前60天.
• 将签名的性能与免疫相关不良事件的三个定义进行了比较.

主要成果:

• 获得的复合特征可以预测NSCLC患者对杜尔瓦卢马布的反应.
• 该签名成功识别了用杜尔瓦卢马布治疗的长期存活者,但未能识别使用化疗或安慰剂治疗的患者.
• 该签名识别了经过杜尔瓦卢马布治疗的长期存活者,病情稳定,PD-L1阴性长期存活者.

结论:

• 一种分析TEAE的新型机器学习模型可以预测NSCLC中对durvalumab的反应.
• TEAE代表了有价值的系统级健康信号,可以用来预测ICI治疗结果.
• 这种基于TEAE的签名为识别可能受益于杜尔瓦卢马布治疗的患者提供了一个有前途的工具.