精准肿瘤学临床试验中无进展生存期比值的基准研究：方法评估与多试验分析

《npj Precision Oncology》：Benchmarking progression-free survival ratio as primary endpoint in precision oncology clinical trials

为解决精准肿瘤学(PO)临床试验中因罕见突变和缺乏对照导致试验设计困难的问题，研究人员对以无进展生存期比值(PFSratio)为主要终点的试验设计与分析方法进行了系统性基准测试。研究评估了五种分析方法（计数法、Kaplan Meier法、核基Kaplan Meier法、参数法和中秩法）和两种样本量计算方法（GBVE和Weibull模型），并应用于五项PO临床试验（>800名患者）数据。结果表明，核基Kaplan Meier法能有效处理信息性删失，是最推荐的分析方法；五项试验中PFS1与PFS2相关性普遍较弱（Kendall's τ 0.17-0.35）。该研究为未来PO试验，尤其是N-of-1试验，提供了关键的方法学参考和实用工具（PROPHETS R包/Shiny应用）。

　　

在癌症治疗领域，精准肿瘤学（Precision Oncology, PO）的兴起带来了新的希望。通过利用下一代测序（Next Generation Sequencing, NGS）等技术对肿瘤进行分子分析，医生可以为患者量身定制靶向治疗方案。然而，将这种个性化医疗理念转化为确凿的临床证据却面临巨大挑战。许多有希望靶向治疗的分子靶点本身非常罕见，导致难以招募足够患者进行大规模随机对照试验。此外，在晚期癌症的后线治疗中，设置安慰剂或低效标准治疗作为对照也存在伦理争议。传统的临床试验终点，如总缓解率（Overall Response Rate, ORR）或单纯的无进展生存期（Progression-Free Survival, PFS），在这些小样本、异质性强的研究中往往显得力不从心，其结果难以解释和推广。

正是在这一背景下，无进展生存期比值（Progression-Free Survival Ratio, PFS_ratio），也称为生长调节指数（Growth-Modulation Index, GMI），作为一种新颖的临床试验终点被提出。其核心思想是让每位患者自身充当对照：计算其在研究性治疗中的PFS（PFS2）与上一线标准治疗中的PFS（PFS1）的比值（PFS_ratio= PFS2 / PFS1）。这种方法理论上可以减少患者间的异质性，使得即使在小样本的单臂试验中也能评估治疗效益。近年来，一些精准肿瘤学临床试验已开始采用PFS_ratio作为终点，但实践中存在诸多问题：用于分析和设计试验的统计方法多种多样且分散，导致不同研究的结果难以比较；更重要的是，PFS_ratio自身的统计特性（如如何处理PFS2的删失数据、PFS1与PFS2之间的相关性影响等）尚未得到充分理解和规范应用，这给结果的准确解读带来了不确定性。

为了填补这一空白，由Federico Nichetti、Jennifer Hüllein、Stefan Fr?hling和Luigi Mariani等作为共同第一作者和共同通讯作者的国际研究团队在《npj Precision Oncology》上发表了题为“Benchmarking progression-free survival ratio as primary endpoint in precision oncology clinical trials”的研究论文。该研究旨在对基于PFS_ratio的临床试验设计和分析方法进行全面评估，为未来研究提供一个方法学基准。

为开展此项方法学评估，研究人员首先系统梳理并实现了五种用于分析PFS_ratio的统计方法（计数法、Kaplan Meier法、核基Kaplan Meier法、参数法、中秩法）和两种用于试验样本量计算的方法（基于Gumbel's type B bivariate extreme-value, GBVE模型和Weibull模型）。研究的关键技术方法包括：利用Weibull-Gamma脆弱模型评估PFS1与PFS2的相关性（Kendall's τ）；使用核条件Kaplan-Meier估计量处理PFS_ratio固有的信息性删失问题；并开发了用户友好的PROPHETS R软件包和Shiny交互式网络应用以方便临床研究者使用。随后，他们将这些方法应用于从五项知名的精准肿瘤学临床试验（MOSCATO 01, WINTHER, MASTER, SHIVA, POG570）中收集的超过800名患者的配对PFS数据，进行实证比较分析。

探索配对失效时间特征

在研究PFS_ratio之前，研究人员首先对五项试验中的PFS1和PFS2进行了个体评估。结果显示，各试验中位PFS1在2.0至4.1个月之间，中位PFS2在2.0至3.5个月之间，PFS2的删失率从1%到20%不等。通过Weibull诊断图发现，所有研究的数据均不满足参数分析所要求的Weibull分布假设。对PFS1和PFS2相关性的分析揭示了一个关键发现：所有试验中，两者之间的Kendall's τ相关系数范围在0.17至0.35之间，表明存在正相关，但相关性普遍较弱。这一发现对试验设计具有重要意义，因为较弱的相关系数意味着需要更大的样本量才能达到足够的统计功效。

PFS_ratio分析方法比较

研究核心部分是比较五种不同的PFS_ratio分析方法。他们关注的核心指标是S_PFSratio(δ)，即PFS_ratio大于或等于预设阈值δ的概率。以理论上渐近无偏的核基Kaplan Meier方法为参照，研究发现：在PFS2删失率较低（<10%）的试验中，计数法、标准Kaplan Meier法和中秩法得到的结果与核基法非常接近。然而，在删失率较高（>10%，如POG570试验为20%）的试验中，其他方法开始出现明显偏差。计数法会因排除不明确病例而低估S_PFSratio(δ)；标准Kaplan Meier法会高估S_PFSratio(δ)，因为它忽略了PFS_ratio的删失是信息性的（即与PFS1相关）；中秩法也存在高估问题。参数法则由于Weibull分布假设不成立而在大多数研究中偏离严重。基于这些发现，研究者强烈推荐使用核基Kaplan Meier法进行PFS_ratio分析，尤其在删失率较高（≥20%）的情况下，因其能有效处理信息性删失且无需对PFS1/PFS2的分布做特定假设。

改良PFS_ratio的探索

针对极短PFS1或极长PFS2可能扭曲PFS_ratio解释的问题，研究还探讨了改良PFS_ratio（modified PFSratio, mPFSratio）的应用。其基本思路是对极短（如<2个月）的PFS1和虽然绝对时间长但比值（PFS_ratio）未达标的PFS2进行临床意义上的调整。分析表明，使用mPFSratio可以在一定程度上减少异常值的影响，使不同估计方法的结果更一致，但其应用必须紧密结合具体的临床背景。

试验设计与样本量计算

在试验设计方面，研究评估了基于GBVE模型和Weibull模型的样本量计算方法。分析表明，样本量需求强烈依赖于预期的PFS1与PFS2之间的相关性（ρ）、期望的PFS_ratio中位数（R）以及设定的δ值（δ₀和δ₁）。在预期PFS2明显优于PFS1（R较大）且两者相关性中等到强的理想情况下，仅需20-30名患者即可进行一项有说服力的研究。然而，鉴于在真实世界数据中观察到的普遍较弱的相关性，研究者建议未来设计PO试验时应假设弱到中等的相关性，以确保样本量充足。他们开发的在线工具（PROPHETS Shiny app）可帮助临床研究者方便地进行样本量或检验功效的计算。

精准肿瘤学试验的PFS_ratio调查

应用核基Kaplan Meier法对五项试验进行统一分析后，结果显示不同试验的疗效存在差异。MASTER试验和SHIVA试验中从医生选择治疗（Treatment of Physician's Choice, TPC）交叉至分子靶向药物（Molecularly-Targeted Agents, MTA）的队列显示出相对较好的S_PFSratio(δ=1.3)和中位PFS_ratio。研究者分析，这种差异可能与试验进行的时代、采用的分子分析技术广度（全基因组/外显子组测序可能比靶向Panel提供更多信息）以及入组患者人群的特异性（如MASTER专注于罕见肿瘤和年轻患者）有关。

该研究的结论部分强调，PFS_ratio是精准肿瘤学，特别是N-of-1（单病例）试验设计中有价值的终点，但其应用需要严谨的方法学支持。核基Kaplan Meier法是当前最可靠的分析方法。成功的PFS_ratio分析高度依赖于对PFS1和PFS2进行前瞻性、一致性的评估（相同的评估标准和频率），以避免回顾性数据收集带来的偏倚。尽管存在随机变异性和相关性较弱的挑战，但在精准肿瘤学的背景下，靶向治疗（PFS2）有望逆转标准治疗（PFS1）后PFS通常缩短的趋势，这使得PFS_ratio具有独特的临床意义。

总之，这项研究为PFS_ratio在精准肿瘤临床试验中的应用建立了重要的方法学基准。通过系统比较不同分析方法、揭示真实世界中PFS1与PFS2的相关性特征，并提供实用的计算工具，该工作为未来开展更稳健、结果更可解释的个性化癌症治疗研究铺平了道路，有望加速精准肿瘤学从概念到临床实践的转化。