《Frontiers in Pharmacology》：Drug-specific safety signal prioritization of antibody-drug conjugates in breast cancer: integrating FAERS pharmacovigilance, machine learning, and clinical contextualization
编辑推荐：
背景：抗体药物偶联物（antibody–drug conjugates，ADCs）在乳腺癌各亚型中的应用日益广泛，但其上市后安全报告模式在不同药物间存在差异，且难以在自发报告与临床情境之间进行解读。研究人员整合了乳腺癌限定性的美国食品药品
背景：抗体药物偶联物（antibody–drug conjugates，ADCs）在乳腺癌各亚型中的应用日益广泛，但其上市后安全报告模式在不同药物间存在差异，且难以在自发报告与临床情境之间进行解读。研究人员整合了乳腺癌限定性的美国食品药品监督管理局不良事件报告系统（FDA Adverse Event Reporting System，FAERS）分析、时间性机器学习优先级排序以及一项独立机构队列，旨在跨互补证据层表征药物特异性的安全模式。方法：对2013年第一季度至2025年第四季度的FAERS季度文件进行去重处理，并在报告层面进行分析。主要数据集包含涉及曲妥珠单抗-emtansine（trastuzumab emtansine，T-DM1）、曲妥珠单抗-deruxtecan（trastuzumab deruxtecan，T-DXd）或sacituzumab govitecan的13,529份乳腺癌主要嫌疑药物（primary-suspect）报告；另保留20,526份全适应证报告用于支持性敏感性分析。分析内容包括经临床审查的首选术语（preferred term，PT）不成比例性分析、11个预设特别关注不良事件（adverse events of special interest，AESIs）、类内校正报告优势比、报告至发病时间（time to onset，TTO），以及经时间验证的探索性机器学习模型用于报告层面AESI优先级排序。另对一项独立的105例患者回顾性队列进行描述性分析，用于临床情境化。结果：主要数据集包含3,962份T-DM1、6,452份T-DXd及3,115份sacituzumab govitecan报告。与T-DM1相比，T-DXd在同质性肺病（interstitial lung disease，ILD）/肺炎（校正报告优势比[adjusted reporting odds ratio，aROR]，3.23；95%置信区间[confidence interval，CI]，2.55–4.09）和胃肠道毒性（aROR，2.45；95% CI，2.07–2.90）方面显示出更高的校正报告优势比，而sacituzumab govitecan在血液学毒性（aROR，1.95；95% CI，1.67–2.28）和胃肠道毒性（aROR，2.91；95% CI，2.44–3.46）方面显示出更高的报告优势比。T-DM1较两种比较药物均显示出更高的肝胆系统报告优势比。时间验证的受试者工作特征曲线下面积（area under the receiver operating characteristic curve，AUROC）范围为0.593至0.772。在机构队列中，肝胆毒性在T-DM1中最为常见（32.3%），ILD/肺炎在T-DXd中最为常见（12.0%），血液学毒性在sacituzumab govitecan中最为常见（66.7%）。结论：三种ADC在乳腺癌FAERS安全报告模式方面显示出显著差异。机器学习提供了探索性的报告层面优先级排序，而机构观察结果提供了临床情境。这些发现支持药物警戒信号优先级排序，但不应被解读为发病率、比较性临床风险、因果效应或患者层面毒性预测。
抗体药物偶联物（ADCs）已成为乳腺癌系统治疗的重要组成部分，通过将靶向抗体与强效细胞毒性载荷（payload）相结合，其临床应用已扩展至多个生物标志物定义的人群。曲妥珠单抗-emtansine（T-DM1）确立了ADC疗法在HER2阳性晚期及残留早期乳腺癌中的地位，而曲妥珠单抗-deruxtecan（T-DXd）则将ADC治疗扩展至HER2阳性、HER2低表达及HER2超低表达疾病。Sacituzumab govitecan通过靶向滋养层细胞表面抗原2（Trop-2），进一步扩大了ADC在既往经治的三阴性和激素受体阳性/HER2阴性转移性乳腺癌中的应用，而datopotamab deruxtecan（Dato-DXd）则代表了激素受体阳性/HER2阴性疾病中新兴的Trop-2靶向策略。随着ADC在日益多样化的临床场景中的使用扩展，系统性地表征其不断演变的上市后安全报告模式已变得愈发重要。
现有临床证据表明，不同ADC因抗体靶点、连接子化学、载荷特性、药物抗体比、药代动力学及治疗人群的差异而表现出不同的毒性模式。T-DM1与血小板减少症和肝胆毒性相关，而T-DXd需特别关注间质性肺病（ILD）/肺炎和胃肠道毒性。Sacituzumab govitecan以血液学毒性和腹泻为特征，新兴的Trop-2靶向ADC还引入了包括口腔和眼部事件在内的额外安全考量。尽管随机试验和药品说明书提供了基于分母的基本安全证据，但它们可能无法全面表征罕见首选术语（PT）、地域差异、时间性报告模式或广泛临床应用后出现的安全信号。
自发报告系统提供了一种在大规模范围内检查上市后安全报告模式的补充手段。然而，FAERS分析需要谨慎解读，因为自发报告缺乏暴露分母，并受低报、激发性报告、临床信息不完整、随访提交及对照选择等因素的影响。既往药物警戒研究对单个ADC或特定ADC类别进行了评估，但广泛的全面适应证分析可能引入来自不同疾病背景和治疗环境异质性。此外，传统不成比例性分析可识别报告信号，但本质上不包含时间验证或报告层面优先级排序。机器学习方法可能通过优先排序提交的报告以供专家审查来补充传统药物警戒，前提是其输出被解读为报告层面的优先级而非患者层面的风险预测。将大规模药物警戒与独立表征的机构数据相结合，可为评估ADC安全信号的临床情境提供补充框架。
在此，
研究人员进行了一项多层分析，整合了乳腺癌限定性FAERS药物警戒、时间性机器学习优先级排序及独立机构临床情境化。
研究人员首先使用经临床审查的信号检测和类内校正报告分析，表征了T-DM1、T-DXd和sacituzumab govitecan的首选术语（PT）和特别关注不良事件（AESI）报告模式，同时单独描述了上市后捕获有限的新兴ADC。
研究人员随后开发了经时间验证的报告层面机器学习模型，以对含有AESI的FAERS报告进行药物警戒审查优先级排序。最后，
研究人员在一个由105例接受ADC治疗的乳腺癌患者组成的独立队列中，表征了治疗中出现的AESI、来源记录的严重程度、剂量管理措施及时间性临床后果。
主要分析集中于三种核心ADC：T-DM1（3,962份乳腺癌报告）、T-DXd（6,452份）和sacituzumab govitecan（3,115份），共构成13,529份乳腺癌主要比较数据集。在11个预设AESI领域中，ILD/肺炎是T-DXd报告比例最高的领域（13.4%），血液学毒性是sacituzumab govitecan报告比例最高的领域（25.4%），肝胆毒性是T-DM1报告比例最高的领域（7.1%）。经临床审查的首选术语面板（PT panel）显示，T-DM1以血小板相关和肝胆信号为主，包括血小板计数降低（n=252）、血小板减少症（n=225）、天冬氨酸氨基转移酶升高（n=102）和肝硬化（n=55）；T-DXd以肺部和胃肠道PT为主，包括间质性肺病（n=631）、肺炎（n=258）、恶心（n=795）和呕吐（n=359）；sacituzumab govitecan以胃肠道和血液学PT为主，包括腹泻（n=451）、中性粒细胞减少症（n=381）、中性粒细胞计数降低（n=137）和发热性中性粒细胞减少症（n=136）。
类内校正报告优势比分析以T-DM1为参照（校正年龄组、性别、报告年份、报告者地区、报告者类型和合并用药数量）：T-DXd在ILD/肺炎（aROR，3.23；95% CI，2.55–4.09）、胃肠道毒性（aROR，2.45；95% CI，2.07–2.90）和皮肤毒性（aROR，1.55；95% CI，1.17–2.06）方面显示较高报告优势比，而血液学毒性、肝胆毒性、眼部毒性、输液/超敏反应和外周神经病变显示较低报告优势比；sacituzumab govitecan在血液学毒性（aROR，1.95；95% CI，1.67–2.28）、胃肠道毒性（aROR，2.91；95% CI，2.44–3.46）和皮肤毒性（aROR，2.25；95% CI，1.69–2.99）方面显示较高报告优势比，而ILD/肺炎、肝胆毒性、心脏毒性、眼部毒性和外周神经病变显示较低报告优势比。心脏毒性、感染/发热事件和肾毒性在T-DXd与T-DM1之间未显示出统计学可区分的差异；感染/发热事件、输液/超敏反应和肾毒性在sacituzumab govitecan与T-DM1之间也未显示统计学可区分的差异。支持性全适应证敏感性分析（N=20,526）重复了主要分析，主要报告模式未发生实质性逆转。
研究在方法学上有若干关键特点。FAERS数据的处理经过严格审计，涵盖2013Q1至2025Q4共52个季度发布文件，导入19,478,153条DEMO记录，经FDA式病例版本去重后保留16,779,363条唯一报告。主要分析限定于乳腺癌报告，并要求乳腺癌适应证直接关联至目标ADC的药物序列，这一限定排除了6,997条报告（其中6,885条不含任何乳腺癌适应证映射，112条含乳腺癌适应证但未直接关联至目标ADC药物序列）。PT层面信号筛选采用预设统计标准（至少10份报告、ROR025>1且EB05>2或IC025>0），共236个PT进入临床审查，最终138个临床可解释PT保留于主信号面板，98个因缺乏临床特异性或主要反映治疗背景而被排除。机器学习模型采用严格的时间划分：2013–2022年报告用于模型开发（N=5,288），2023–2025年报告用于验证（N=8,241）。在完整情境模型（M1）中，时间验证AUROC范围为0.593（输液/超敏反应）至0.772（ILD/肺炎），ILD/肺炎模型AUPRC为0.216（验证集患病率0.089，精确率-召回率提升2.44倍），外周神经病变AUPRC提升最高（3.99倍）。特征消融分析显示，完整情境模型（M1）在11个AESI领域中有10个优于仅药物基线模型（M0）；去除药物身份（M1与M2比较）对ILD/肺炎（AUROC从0.772降至0.706）、心脏毒性（0.627至0.574）、血液学毒性（0.714至0.666）、肝胆毒性（0.628至0.587）和外周神经病变（0.683至0.651）有较大影响，而对胃肠道、皮肤、感染/发热和肾毒性的判别力基本保留，表明情境报告特征和药物身份在不同AESI领域中分别贡献了判别信息。
机构队列由哈尔滨医科大学附属肿瘤医院2023年1月18日至2023年7月8日期间接受ADC治疗的105例患者组成（T-DM1，n=31；T-DXd，n=50；sacituzumab govitecan，n=24），中位年龄52岁（IQR，47–57），97.1%为IV期疾病，中位既往治疗线数为3线（IQR，2–4），中位治疗周期数为8周期（IQR，5–11），中位随访324天（IQR，281–388）。三个治疗组反映了各自的获批适应证：T-DM1组全部为HER2阳性疾病；T-DXd组含HER2阳性（66.0%）和HER2低表达（34.0%）；sacituzumab govitecan组以三阴性乳腺癌为主（75.0%），其余为激素受体阳性/HER2阴性（25.0%）。机构AESI模式显示：血液学毒性在sacituzumab govitecan组最为常见（66.7%；95% CI，44.7–84.4%），T-DXd组为44.0%，T-DM1组为38.7%；胃肠道毒性在sacituzumab govitecan组（62.5%）和T-DXd组（60.0%）均较常见，T-DM1组为29.0%；肝胆毒性在T-DM1组最高（32.3%），T-DXd组为16.0%，sacituzumab govitecan组为8.3%；ILD/肺炎共7例，其中6例（12.0%）发生于T-DXd组，1例（3.2%）发生于T-DM1组，sacituzumab govitecan组无病例。经来源记录复核确认了3例3级ILD/肺炎事件（全部在T-DXd组），无4级或5级事件；6例T-DXd相关ILD/肺炎的中位发病时间为182天（IQR，128–205.2），全部6例均伴随至少一次治疗中断、延迟或永久停药，2例后续住院。跨队列全因住院标记中，胃肠道毒性相关5例、血液学毒性相关2例；随访期间共发生12例全因死亡，逐案审查均归因于疾病进展。
探索性机构比较显示，胃肠道毒性在Fisher-Freeman-Halton精确检验中显示出最强的组间异质性证据（名义P=0.0128），而血液学毒性（名义P=0.0954）、肝胆毒性（名义P=0.0723）和ILD/肺炎（名义P=0.1742）未显示统计学可区分的总体分布。预设成对比较中，T-DM1与T-DXd之间（名义P=0.0113）及T-DM1与sacituzumab govitecan之间（名义P=0.0161）的胃肠道毒性、T-DM1与sacituzumab govitecan之间的肝胆毒性（名义P=0.0485）显示了名义差异，但经Holm校正（12次比较）后均不再具有统计学显著性。
跨层情境化显示，T-DM1的肝胆模式在FAERS粗报告比例、校正报告优势比和机构比例三方面一致；T-DXd的ILD/肺炎模式得到机构病例的集中分布支持；sacituzumab govitecan的血液学模式呈方向性一致；胃肠道毒性在T-DXd和sacituzumab govitecan中跨层均较突出。外周神经病变与T-DM1方向性一致，而感染/发热事件和肾异常在FAERS校正分析中无可区分的优先级，心脏、输液/超敏反应、肾和眼部事件因机构事件数过少而无法进行稳定的跨层解读。
讨论部分强调，本研究的主要贡献不在于识别此前未知的毒性，而在于通过互补证据源细化了既定安全领域的相对报告情境、时间特征和临床解读。既往药物警戒研究多聚焦于单一药物、特定毒性领域或更广泛的报告人群，本研究通过乳腺癌限定性类内比较、临床策划的PT层面分析、报告TTO表征、时间性报告层面优先级排序及独立临床队列扩展了相关文献。从转化应用角度，对药物警戒团队而言，时间性报告层面模型可在与常规信号检测方法联合使用时辅助优先排序提交报告供重点审查；对临床实践而言，监测应保持ADC特异性——T-DM1需监测血小板和肝功能，T-DXd需持续肺部警戒，sacituzumab govitecan需主动进行血液学、发热和胃肠道监测。
局限性包括：FAERS存在低报、激发性报告、信息不完整、缺乏暴露分母及报告成熟度差异等问题；TTO仅适用于部分报告且完整性在不同药物和AESI领域间存在差异；机构队列为回顾性、单中心、样本量相对较小且由适应证定义的临床异质性组构成；机器学习模型用于报告优先级排序而非患者层面毒性预测；Dato-DXd和SKB264上市后捕获有限，RC48在预设检索策略下未识别到报告。未来工作应包含多中心临床评估、互补药物警戒和真实世界数据库的整合、报告优先级排序工作流程的前瞻性评估，以及独立验证的患者层面毒性预测模型的开发。
研究结论：这项乳腺癌限定性研究整合了FAERS药物警戒分析、时间性机器学习优先级排序和描述性临床情境化，以表征T-DM1、T-DXd和sacituzumab govitecan的上市后安全报告模式。T-DM1表现出以血小板相关和肝胆为主的报告模式，T-DXd显示出突出的ILD/肺炎和胃肠道报告模式，sacituzumab govitecan显示出突出的血液学和胃肠道报告模式。由105例ADC治疗患者组成的独立机构队列为几项主要FAERS模式提供了临床情境，包括T-DM1相关的血小板和肝胆异常、主要见于T-DXd的ILD/肺炎，以及sacituzumab govitecan接受者中常见的血液学毒性和腹泻。时间性机器学习模型为优先排序提交的安全报告以供人工审查提供了额外的报告层面分诊层，支持性敏感性和冷启动分析为不同报告成熟度的ADC解读提供了信息。这些互补证据层共同为药物警戒信号细化、毒性导向监测和安全假设生成提供了一个框架。然而，研究结果不应被解读为治疗发病率、因果药物效应或个体患者风险的估计，需在更大规模的、以分母定义的前瞻性队列中加以确认。该论文发表于《Frontiers in Pharmacology》。
