循环生物标志物使用机器学习方法预测肝细胞癌中的免疫治疗反应

科学领域:

• 在瘤学瘤学.
• 免疫治疗是一种免疫疗法.
• 生物标志物发现发现

背景情况:

• 肝细胞癌 (HCC) 对免疫检查点抑制剂 (ICI) 治疗的反应有限.
• 需要预测性生物标志物来识别可能受益于ICI治疗的患者.
• 这项研究的重点是开发一种使用HCC患者循环指标的分类器.

研究的目的:

• 在HCC患者中设计ICI治疗反应的预测分类器.
• 为了确定与ICI治疗的生存益处相关的循环生物标志物.
• 构建一个预后模型来预测患者治疗后的存活率.

主要方法:

• 对369名接受ICI治疗的HCC患者进行了回顾性研究.
• 利用随机森林分析从17个测试中确定了11个显著的血清生物标志物.
• 开发并完善了结合循环生物标志物和临床特征的预后模型.

主要成果:

• 一个使用11个生物标志物的初始分类器实现了0.724.7的AUC.
• 低风险组的患者表现出明显更好的预后 (P=0.0079).
• 使用12个生物标志物和5个临床特征的增强模型将AUC提高到0.752,低风险患者的整体存活率更高 (P=0.026).

结论:

• 循环生物标志物可以有效地预测接受ICI治疗的HCC患者的治疗结果.
• 开发的分类器有助于为ICI治疗选择的临床决策.
• 基于生物标志物的预测可以优化ICI治疗在肝细胞癌的使用.