基于机器学习构建抗CGRP单抗治疗偏头痛的预测模型：CGRP评分系统的开发与验证

本研究针对抗降钙素基因相关肽（CGRP）单克隆抗体（mAbs）治疗偏头痛的个体化响应预测难题，开发了一种基于机器学习（ML）的临床决策工具。研究人员通过前瞻性队列研究（n=429）构建了包含11项基线变量的逻辑回归模型，最终生成可直观解读的列线图（CGRP Score），其预测12个月治疗响应率（≥50% MHDs降低）的准确率达74%，AUC-ROC为0.72。该成果为优化高价生物制剂的使用提供了首个可临床落地的纸笔工具，发表于《The Journal of Headache and Pain》。

　　

偏头痛精准治疗的新突破：机器学习驱动的抗CGRP单抗响应预测系统

偏头痛作为全球第三大常见疾病，长期以来缺乏特异性预防治疗手段。近年来靶向降钙素基因相关肽（Calcitonin Gene-Related Peptide, CGRP）通路的单克隆抗体（monoclonal antibodies, mAbs）虽展现出革命性疗效，但临床实践中仍有近半数患者响应不足。面对这一高价生物制剂（年均费用超万元）的合理应用挑战，传统统计方法难以整合多维临床特征进行精准预测。更棘手的是，现有研究对响应预测因子的结论相互矛盾——有的显示慢性偏头痛（Chronic Migraine, CM）患者更易获益，有的则强调药物过量使用（Medication Overuse, MO）会降低疗效。这种不确定性导致临床决策缺乏可靠依据，可能造成医疗资源浪费和患者治疗信心受挫。

为破解这一难题，由Marina Romozzi和Luigi Francesco Iannone领衔的意大利多中心团队在《The Journal of Headache and Pain》发表了一项创新研究。他们首次将机器学习算法与临床实用工具相结合，开发出名为"CGRP Score"的预测系统。这项研究纳入429例接受erenumab、galcanezumab或fremanezumab治疗的患者，通过标准化头痛日记记录每月头痛天数（Monthly Headache Days, MHDs）和急性用药情况。研究采用80/20比例划分训练集与测试集，并额外纳入109例独立队列进行外部验证。关键技术包括：1）基于逻辑回归模型的特征选择，从11项基线变量中识别关键预测因子；2）通过k近邻算法处理缺失数据；3）构建可手动计算的列线图（nomogram）实现临床转化。

关键发现

模型性能

在内部测试集（n=86）和外部验证集（n=109）中，模型对"响应者"（≥50% MHDs降低）的识别表现出色：精确度0.75、召回率0.84、F1-score 0.79。整体预测准确率达74%，显著优于随机预测。值得注意的是，模型对CM患者的预测尤为精准，这与其病理生理特征（CGRP通路过度活化）高度吻合。

预测因子解析

如表3所示，CM诊断（系数+0.385）和较高年龄（+0.251）是强正向预测因子，而每月镇痛药使用次数（Analgesic Medications Number, AMN, -0.408）和基线MHDs（-0.181）则显著负相关。这一发现印证了临床观察——药物过量可能通过中枢敏化机制削弱治疗响应。

可视化工具开发

如图2所示的列线图，将复杂算法转化为直观的纸笔工具：临床医生只需根据患者特征累加对应分值（如CM=100分，AMN>20次=-80分），即可在"总评分"轴（上限480分）定位响应概率。例如图3演示的典型病例，总分230分对应约65%响应可能。

临床启示

这项研究实现了三大突破：首先，CGRP Score是首个专为抗CGRP mAbs设计的ML衍生临床工具，其列线图形式打破了算法应用的硬件壁垒；其次，明确MO作为可干预的负向预测因子，提示临床需优先处理药物依赖性；最后，模型揭示CM患者可能从早期干预中获益最大，这对医保政策制定具有参考价值。

当然，该工具仍需前瞻性验证其普适性，未来版本可考虑纳入精神共病等附加变量。但毋庸置疑，这项研究为偏头痛精准医疗树立了新范式——将前沿数据科学与临床实用需求无缝衔接，最终服务于患者个体化治疗决策。正如作者强调，在生物制剂时代，此类工具对优化有限医疗资源的分配至关重要。