用于预测转移性结直肠癌中HER2表达的临床漫画:对现实世界的数据进行多中心机器学习分析

科学领域:

• 在瘤学瘤学.
• 翻译研究是翻译研究.
• 生物标志物发现发现

背景情况:

• HER2表达是转移性结直肠癌 (mCRC) 患者的一个子集的新疗法的目标.
• 目前的HER2测试在mCRC的基线上不是强制性的.
• 对HER2阳性的预测工具可以增强个性化医疗策略.

研究的目的:

• 开发和验证一种简单的临床工具,用于预测mCRC中的HER2表达和阳性.
• 为了确定与HER2状态相关的常规可用的临床变量.

主要方法:

• 机器学习算法分析了30个临床变量来预测HER2表达 (IHC分数1-3) 和阳性 (IHC分数3或IHC分数2与ERBB2放大).
• 使用训练队列中的显著变量构建了一个预测模型,并在单独的队列中验证.

主要成果:

• 血红蛋白<12 g/dL,CEA>100 ng/mL,身高>160 cm,淋巴结转移与HER2表达有显著的关联.
• 预测模型表现良好 (在培训中AUC为67%,在验证中为68%).
• 与没有预测因子的患者相比,具有所有预测因子的患者显示HER2表达 (55%) 和阳性 (36%) 的患病率要高得多.

结论:

• 四个临床变量 (Hb,CEA,身高,淋巴结状况) 与mCRC中的HER2表达和阳性有关.
• 当所有四个预测因素都存在时,建议考虑强制HER2测试.
• 需要进一步的研究来阐明将这些临床因素与HER2表达联系起来的生物机制.