利用因果机器学习方法估计低级别胶质瘤中放疗和化疗的时间治疗效果模式

《Scientific Reports》：Estimating temporal treatment-effect patterns of radiotherapy and chemotherapy in lower-grade gliomas using causal machine learning

　　

摘要

对于低级别胶质瘤（世界卫生组织分级2-3级）的治疗决策主要基于临床试验的平均结果，但这些结果缺乏时间分辨率。我们采用了因果生存轨迹分析（CAST）方法，这是一种基于特定时间点估计值来构建治疗效果轨迹的因果机器学习技术。研究对象包括来自癌症基因组图谱（TCGA，n=512）和中国胶质瘤基因组图谱（CGGA，n=264）的776名成年患者，研究了六种放疗和烷化化疗方案对总生存期（OS）和无进展生存期（PFS）的影响。通过弹性网络倾向评分（Elastic-net propensity scores）并采用重叠加权方法（目标为重叠人群的平均治疗效果ATO），对年龄、性别、肿瘤分级、IDH基因突变、1p/19q染色体异常以及肿瘤切除范围等因素进行了平衡处理。结果显示，化疗在84个月时（TCGA数据）使调整后的生存概率提高了0.34（95%置信区间：-0.32至1.00），在108个月时（CGGA数据）提高了0.48（0.04至0.92）；E值为5.1–27.6，表明该结果对未测量的混杂因素具有较好的鲁棒性。放疗的效果评估结果较为复杂（E值介于1.1–5.1之间），其关联性的统计结果仅反映了由于缺失的肿瘤切除范围和患者治疗反应数据而产生的残余混杂因素，不能直接作为治疗效应的证据。年龄是导致治疗效果差异的主要因素（占差异的46–52%）；反证测试结果支持了化疗组的结论。