《Cancer Medicine》：Implementation of Risk Prediction Models Using Electronic Health Data for Early Detection of Pancreatic Cancer: A Prospective Pilot Feasibility Study
编辑推荐：
背景与目的：研究人员既往利用回顾性电子健康记录（EHR）开发了多种机器学习（ML）和基于回归的风险预测模型，用于估计胰腺癌（PC）的近期风险。本试点研究旨在评估一种早期检测策略的可行性，该策略将初始基于EHR的风险预测与下游影像学和血液检测相结合。
方法：本
背景与目的：研究人员既往利用回顾性电子健康记录（EHR）开发了多种机器学习（ML）和基于回归的风险预测模型，用于估计胰腺癌（PC）的近期风险。本试点研究旨在评估一种早期检测策略的可行性，该策略将初始基于EHR的风险预测与下游影像学和血液检测相结合。
方法：本前瞻性研究纳入年龄50–84岁、估计18个月PC风险≥1%的成人，于2021年1月至2023年3月间使用四种既往验证模型识别。排除有PC病史或活动性怀疑PC的患者。参与者在基线和18个月时完成横断面影像学和CA 19-9实验室检测。结局包括入组率、检测完成率和偶发发现负担。
结果：1251例符合条件患者中，102例（8.2%）入组（中位年龄69岁[四分位距（IQR）62–75]；58%女性；48%西班牙裔，34%白人，11%黑人，7%亚裔）。基线时，89例（87%）完成影像学，98例（96%）完成CA 19-9。18个月时，79%完成影像学和CA 19-9。10例（10%）参与者因影像学发现接受额外临床评估。评估包括内镜超声、肾脏影像学和FibroScan。大多数参与者CA 19-9结果正常，但18%在基线时水平升高。
结论：基于EHR的实时ML算法可与血液和影像学监测相结合，用于PC早期检测，且偶发发现负担可接受。然而，改善患者参与是成功扩展人工智能（AI）引导的早期检测策略需解决的关键方面。
研究背景与问题：胰腺癌（PC）发病率约为每10万人14例，但在美国是癌症相关死亡第三位原因。PC预后差主要因诊断时常处晚期，常伴远处转移，治疗选择有限。早期检测有改善生存潜力，但美国预防服务工作组因有效性有限不推荐人群筛查，因此需要靶向筛查策略，在症状出现前识别高风险个体。近年来，电子健康记录（EHR）和人工智能（AI）进展为创新早检策略提供机会。机器学习（ML）算法基于大规模EHR数据，利用年龄、实验室值、体重变化和症状等常规临床变量估计近期癌症风险，已在一般和高风险人群中显示识别PC风险升高个体的潜力。研究人员和其他团队提出“heuriskance”框架，即在EHR中系统搜索早期预警信号，随后进行集中临床评估。本前瞻性试点研究旨在评估将EHR-based ML模型与下游诊断检测，包括血液生物标志物和横断面影像，整合用于PC早检的真实世界可行性。研究人员应用四个既往验证的预测模型，在综合卫生系统内识别PC风险升高患者，并邀请其参与结构化诊断方案；通过评估患者识别、招募、检测依从性、诊断产出和偶发发现管理，了解AI驱动筛查策略的临床和操作维度。据研究人员所知，该研究是首批将ML-based PC风险模型嵌入临床照护路径的前瞻性评估之一，旨在为未来大规模筛查设计和AI工具安全有效转化提供信息。
关键技术与方法：研究在Kaiser Permanente Southern California（KPSC）综合卫生系统开展前瞻性试点队列研究，时间为2021年1月至2025年1月。纳入50–84岁成人，排除PC病史或活动性怀疑、其他活动性恶性肿瘤、终末期肾病、怀孕、近一年居住于专业护理机构或临终关怀机构、不能以英语或西班牙语知情同意者；要求 eligibility date 前6个月内至少记录体重、糖化血红蛋白（HbA1c）或丙氨酸氨基转移酶（ALT）之一。使用四个既往验证PC风险预测模型：两个随机生存森林（RSF）模型、一个极端梯度提升（XGB）模型和一个Cox比例风险回归（COX）模型，其中早期检测RSF（eRSF）模型来自≥90天无癌随访人群。模型变量包括年龄、体重、HbA1c、ALT和腹痛，均从EHR电子提取。模型分三阶段实施：第一阶段应用RSF，第二阶段应用eRSF，第三阶段同时应用四个模型；每2周实时应用，识别18个月内预测PC风险≥1%者。参与者基线及18个月完成CA 19-9和胰腺磁共振成像（MRI），不能完成MRI者提供多排探测器计算机断层扫描（MDCT）替代。
研究结果：
模型实施（Model Implementation）：整个研究期间，模型共识别1653例高风险患者，其中1251例被联系，102例（8.2%）最终入组。第三阶段同时应用四个模型时，识别362例高风险患者，联系270例，14例（5.2%）入组。Venn图显示各模型识别的患者存在重叠和独特性；XGB和COX贡献了大量RSF模型未识别的高风险患者。第三阶段入组的14例中，多数（13例）由XGB识别，提示不同算法优先关注的风险谱存在差异。
完成率（Completion Rates）：102例入组者中，基线影像完成率为87%（MRI或CT），CA 19-9血液检测完成率为96%；18个月随访时，影像和CA 19-9完成率均为79%。基线至影像完成中位时间1.8个月，至CA 19-9完成中位时间1.5个月。
影像发现与临床评估（Imaging Findings and Clinical Evaluations）：基线影像发现胰腺囊肿3例、胰管扩张2例，以及1例后续确定为PC的病灶；18个月影像发现额外胰腺囊肿19例，并包括已诊断的PC病例。PC病例基线影像显示2 cm胰腺病灶，初始内镜超声联合细针穿刺非诊断性；在计划18个月随访前，基于重复临床检测诊断为PC（临界可切除）。总体上，约10%参与者因影像学发现接受额外临床评估，包括胰腺相关和胰腺外评估；研究人群检测到1例PC，阳性预测值（PPV）为0.98%。
CA 19-9表现（CA 19-9 Performance）：基线98例（96%）完成CA 19-9检测，其中20例（20.4%）不可测，60例（61.2%）处于正常范围（≤35 U/mL），16例（16.3%）升高（>35至<100 U/mL），2例（2.0%）高度升高（≥100 U/mL）。18个月时81例（79%）完成CA 19-9检测，结果分布相似。后来诊断为PC的参与者基线CA 19-9正常，诊断时升高。
安全性与不良事件（Safety and Adverse Events）：未报告与影像学操作或生物标本采集相关的不良事件。参与者对MRI耐受性高，仅3例因幽闭恐惧或MRI禁忌选择MDCT。
讨论总结：研究人员评估了整合ML和回归模型与血液检测及横断面影像用于真实世界PC早检的可行性。高基线检测完成率支持该联合策略的潜在可行性，但8.2%的低入组率提示未来实施中患者参与存在挑战。虽然研究未设计用于评估预测模型性能，但观察到的PPV为0.98%，与先验目标阈值一致。该研究相较既往PC预测模型工作有若干推进：第一，模型在实时临床实践中前瞻性应用，而非仅回顾性开发验证；第二，同时使用多个模型，可识别更广泛高风险患者；第三，证明整合血液检测（CA 19-9）和横断面影像（MRI及CT）在EHR-based预测模型识别的高风险个体中促进及时癌症检测的可行性。CA 19-9表现显示其局限性和对更好早检生物标志物的需求；不可测CA 19-9比例19.6%与既往纳入西班牙裔和非西班牙裔黑人人群的临床研究一致，限制其作为单独生物标志物的效用。新兴血液检测，包括基于游离DNA、免疫分析和CA 19-9糖基化标志物，可能优于CA 19-9；本研究中血液检测高完成率（96%）提示未来整合新型生物标志物可能被临床接受。患者参与挑战显著：仅8.2%符合条件患者入组，低于肺癌、乳腺癌或结直肠癌筛查项目通常25%至84%的参与率，肺癌筛查也使用横断面影像，参与率约25%。最常见拒绝原因是缺乏兴趣，其次为距离、健康差和时间限制。改善初级保健提供者参与、便利或居家检测、数字平台教育提醒及清晰信息可能提高参与。偶发影像发现管理也是挑战，10%参与者接受额外临床评估，与采用标准化分类系统的影像筛查项目一致；理解偶发发现频率对评估筛查负担和成本效果至关重要，未来提高模型特异性或整合液体生物标志物可能减少不必要扫描和偶发发现。局限包括样本量小、参与率低、依赖MRI限制可扩展性、CA 19-9敏感性和特异性有限、COVID-19后医疗系统重启影响初始启动和招募，导致第一阶段和第二阶段延长并限制第三阶段同时运行所有模型的时间，因此无法就模型性能差异得出有意义结论。
研究结论翻译：总之，研究人员已完成一项前瞻性可行性研究，该研究反映了ML方法用于PC早期检测的早期实时临床评估所涉及的许多过程。具体而言，研究人员试点了一种纳入EHR数据自动化实时分析以及后续血液检测和横断面影像的方法。研究人员识别出若干真实世界挑战，包括确保有足够的支持基础设施以协调实验室检测、管理影像学发现，以及与患者和医疗保健提供者保持有效沟通。解决这些障碍将是成功大规模实施ML算法用于PC早期检测的关键步骤。
