《Current Oncology》:Prediction of Immune Checkpoint Inhibitor-Induced Liver Injury in Patients with Gastrointestinal Cancer: Machine Learning Modeling for Time-Stratified Risk Assessment
编辑推荐:
背景:免疫治疗已革新癌症治疗,并在中国大陆广泛应用。尽管取得进展,免疫检查点抑制剂相关肝损伤(immune checkpoint inhibitor-related liver injury, ICILI)仍是重大临床挑战。现有风险模型通常缺乏对ICILI的时
背景:免疫治疗已革新癌症治疗,并在中国大陆广泛应用。尽管取得进展,免疫检查点抑制剂相关肝损伤(immune checkpoint inhibitor-related liver injury, ICILI)仍是重大临床挑战。现有风险模型通常缺乏对ICILI的时间特异性风险分层。本研究旨在开发并验证可解释的机器学习(machine learning, ML)模型,以在多个时间点预测胃肠癌(gastrointestinal cancer, GC)患者发生2级或以上ICILI。方法:这项回顾性队列研究纳入于2019年1月至2023年6月在复旦大学附属中山医院启动首次ICI药物治疗的GC患者。研究人员采用五种机器学习算法,包括逻辑回归(Logistic Regression)、随机森林(Random Forest)、极端梯度提升(Extreme Gradient Boosting, XGBoost)、梯度提升(Gradient Boosting, GradientBoost)和自适应提升(Adaptive Boosting, AdaBoost),构建了在3个月、6个月和12个月特定时间间隔预测≥2级ICILI的模型。模型性能评估采用曲线下面积(area under the curve, AUC)、准确率、精确率、召回率和F1分数。采用Shapley加法解释(Shapley Additive exPlanations, SHAP)方法评估特征重要性并解释最终模型。结果:共有1337、849和401例患者分别纳入3个月、6个月和12个月的随访组。使用GradientBoost开发了≥2级ICILI的最终模型,AUC为0.769(95% CI: 0.732–0.806),测试集准确率为0.834。在5折交叉验证中,XGBoost在3个月、6个月和12个月随访时获得的AUC分别为0.671(95% CI: 0.636–0.706)、0.678(95% CI: 0.638–0.718)和0.644(95% CI: 0.589–0.699)。决策曲线分析(decision curve analysis, DCA)证明了可靠的临床获益,而校准曲线显示了良好的预测可靠性。SHAP分析确定了不同时间间隔的几个参数作为预测特征,提示ICILI的决定因素从急性炎症特征转变为主机相关特征。结论:研究人员利用具有SHAP可解释性的ML算法,在不同时间间隔开发并验证了GC患者≥2级ICILI的时间分层预测模型。该方法有助于早期识别不同治疗阶段的变异参数,增强临床管理并提高治疗结局。
消化道恶性肿瘤(如食管癌、胃癌、结直肠癌)是全球癌症负担和死亡的主要原因,尤其在亚洲地区。尽管多模式治疗手段不断进步,晚期或难治性胃肠癌(gastrointestinal cancer, GC)的持久疾病控制仍是重大临床挑战。免疫检查点抑制剂(immune checkpoint inhibitors, ICIs)靶向程序性死亡受体-1(programmed cell death-1, PD-1)和程序性死亡配体-1(programmed death-ligand 1, PD-L1),已在多项II/III期随机试验中显著改善难治性GC患者的生存率。免疫治疗改变了癌症治疗格局,