基于血液测试生物标志物的机器学习预测了在接受免疫治疗的高级NSCLC患者的快速进展
Jian-Guo Zhou1,2,3,4,5, Jie Yang6, Haitao Wang7
1Department of Oncology, The second affiliated Hospital of Zunyi Medical University, Zunyi, People's Republic of China.
BMJ oncology
|January 31, 2025
概括
机器学习准确地预测了先进的非小细胞肺癌 (NSCLC) 患者的快速进展,这些患者使用四种血液生物标志物用阿特佐利祖马布治疗. 这种预测模型有助于对NSCLC免疫治疗的治疗决策.
科学领域:
- 在瘤学瘤学.
- 免疫治疗是一种免疫疗法.
- 机器学习在医学中的应用
背景情况:
- 快速进展 (FP) 是接受免疫检查点抑制剂 (ICI) 治疗的高级非小细胞肺癌 (NSCLC) 患者的一个关键挑战.
- 识别患有FP风险的患者对于优化治疗策略和改善治疗结果至关重要.
研究的目的:
- 开发和验证一种机器学习 (ML) 框架,用于预测高级NSCLC患者的FP.
- 为了确定可预测FP的关键血液检测生物标志物,在接受阿特佐利祖马布治疗的患者.
主要方法:
- 分析了四项多中心临床试验中1546名接受阿特佐利祖马布治疗的患者的数据.
- 使用21个治疗前血液测试变量和7种ML方法构建了一个预测模型,选择了支持矢量机 (SVM) 算法.
- 模型性能使用独立队列进行验证,并通过接收机操作特征 (ROC) 曲线进行评估.
主要成果:
- 在被研究的患者中,FP的患病率为7.6%.
- 鉴定到的最重要的预测因素是C-反应蛋白,中性粒细胞数,乳酸脱酶和氨酸酶.
- 使用这四个生物标志物的SVM模型在ROC曲线下实现了0.908 (培训),0.666 (验证1) 和0.776 (验证2) 的面积,证明了良好的预测性能.
- 在预测FP和非FP组之间观察到无进展和总生存时间的显著差异 (p<0.001).
结论:
- 一个由SVM分析的4个生物标志物小组有效地预测了在接受阿特佐利祖马布免疫治疗的高级NSCLC患者中FP.
- 这种基于ML的方法为临床医生提供了宝贵的决策支持,独立于PD-L1表达.
