《Cancer Treatment and Research Communications》：From Tests to Benefits: Identifying Patients Who Benefit from MammaPrint Testing in Early-Stage Breast Cancer
编辑推荐：
决策分析视角可协助进行个体化的MammaPrint检测决策。研究人员将Breast PREDICT算法扩展纳入MammaPrint以评估其临床价值。检测价值取决于患者的临床特征（clinical profile）与治疗偏好（treatment preferen
决策分析视角可协助进行个体化的MammaPrint检测决策。研究人员将Breast PREDICT算法扩展纳入MammaPrint以评估其临床价值。检测价值取决于患者的临床特征（clinical profile）与治疗偏好（treatment preference）。此外，研究提供了一种决策支持工具（decision support tool）以支持MammaPrint检测决策。
在早期乳腺癌（early-stage breast cancer）的术后辅助治疗决策中，精准医学要求在干预获益与潜在危害间寻求平衡。Breast PREDICT算法基于年龄、肿瘤分期、分级及分子分型等临床特征，估算辅助化疗（adjuvant chemotherapy）的10年生存获益。然而，当临床评估显示化疗净获益（net benefit）不明确时，MammaPrint等基因组检测被用于进一步风险分层。尽管ASCO与ESMO指南建议对特定人群（如绝经后或50岁以上、ER阳性（ER+）、HER2阴性（HER2-）、淋巴结阴性或1-3枚阳性且临床高危）进行检测，但同一亚组患者在化疗预期获益及个体治疗获益阈值（treatment benefit threshold）上存在显著异质性：部分患者仅需微小生存改善即可接受化疗负担，而另一些则要求更高的绝对获益以抵消治疗副作用。因此，如何从群体指南细化至个体层面的检测价值评估，成为优化临床决策的关键科学问题。
研究人员通过扩展Breast PREDICT模型，将MammaPrint作为可选预后因子纳入，构建以个体化净获益（individualized Net Benefit, iNB）为核心的决策分析（decision analysis）框架。该框架通过量化额外检测对单个患者治疗结局的边际改善，解决了传统群体水平评估无法回答“哪位患者真正受益于检测”的问题。研究表明，检测价值并非均匀分布于目标人群，而是高度依赖于检测前临床估计获益与患者特异性治疗阈值的匹配程度。这一发现为个体化检测决策提供了直接量化依据，推动了从经验性群体推荐向基于患者偏好的共同决策（shared decision-making）转变，具有重要的临床转化价值。
研究人员采用决策分析（decision analysis）与临床预测模型扩展相结合的技术路线。首先，将二分类MammaPrint检测结果（高/低风险）作为可选预后因子整合入Breast PREDICT v3.1，基于MINDACT试验观察到的风险比（hazard ratio, HR=2.1）设定其预后强度，并依据MammaPrint的预后性而非预测性特征，设定其与化疗无交互作用；同时引入0.45的临床风险与MammaPrint相关性系数，使高风险MammaPrint概率随患者临床风险谱动态变化，而非固定不变。其次，通过模拟N=519,168个假设患者队列，该队列的临床变量范围基于Breast PREDICT外部验证中观察到的范围，系统枚举所有可能的临床特征组合以评估检测价值。最后，应用iNB框架，在患者特异性治疗获益阈值下，计算两种MammaPrint结果的加权iNB及增量iNB，以此判定检测是否应被采纳。
个体化决策示例：以51岁、未吸烟、绝经前、ER阳性（ER+）、PR阳性（PR+）、HER2阴性（HER2-）、Ki-67阳性（Ki-67+）、肿瘤18mm、组织学分级2级、症状发现且1枚淋巴结阳性的患者为例，其临床特征估计的10年生存率为91%，化疗绝对获益为2.2%。鉴于该获益低于3%的治疗获益阈值，单独依据临床信息不主张化疗。引入MammaPrint后，高风险结果将绝对获益提升至3.4%，低风险结果降至1.5%。因该患者有43%概率获得高风险结果，加权iNB计算为(3.4%-3%)×43%=0.2%，增量iNB为0.2%，证实检测可明确识别可从化疗获益的人群，从而改善治疗决策。
MammaPrint对临床风险的重分类：在3%治疗获益阈值下，MammaPrint仅对临床估计获益介于1.6%至7.5%的患者具有重分类价值。在此区间内，1.6%至3%之间的患者可通过高风险MammaPrint结果被重新归类为应接受化疗；3%至7.5%之间的患者则可通过低风险结果被重新归类为豁免化疗。超出此范围，检测结果无法改变基于临床特征的治疗决策。
增量个体化净获益：增量iNB在检测前估计获益等于治疗获益阈值时达到最大值，并随两者差距增大而递减，在1.6%至7.5%范围外降为零。患者特异性治疗获益阈值直接影响可获益人群范围：当阈值从3%升至5%时，可改变决策的临床获益范围相应移至3.2%至9.7%。基于上述发现，研究人员开发了在线决策支持工具，以辅助临床医生探索特定患者的MammaPrint结果概率及预期净生存获益。
研究人员指出，额外检测的最大临床价值出现在“掷硬币”（toss-up）情境，即检测前估计获益恰等于患者治疗获益阈值时，此时决策不确定性最大，检测对结局的改善潜力最显著。该框架通过同时纳入临床风险谱与治疗偏好，实现了超越群体指南的精准检测推荐。然而，研究存在若干局限：Breast PREDICT在扩展新预测因子时默认各因子相互独立，但MammaPrint实际与Ki67表达及组织学分级（tumor grade）存在相关性，研究人员仅采用基于MINDACT数据的近似处理；个体层面的预测不确定性亦可能导致模型校准不良，进而影响绝对获益估计。此外，贝叶斯规则（Bayes' rule）在复杂场景中的应用需谨慎，敏感度与特异度应基于个体临床特征条件化而非视为恒定。研究强调，治疗获益阈值不仅由数值风险决定，更受患者情感、个人价值观、家庭背景及风险沟通方式影响，尽管量化个体偏好具有挑战，但将其纳入决策是推动共同决策的核心。
个体化净获益通过额外检测改善治疗决策，量化了个体患者的结局改善。该框架通过明确纳入患者治疗偏好，支持早期乳腺癌中个体化的治疗与检测决策。
