接受免疫治疗的晚期非小细胞肺癌患者预后模型的开发与验证
审核点评：翟医蕊
继靶向治疗之后，免疫治疗是另外一个非小细胞肺癌治疗模式中堪称里程碑式的突破。而获得了同样优秀成绩的二者却不尽相同。第一，从临床观察上看来，免疫治疗的重度毒副反应危险度更高，急需要预测指标/模型来选出获益人群，从而在不能获益的人群中规避相对较高的风险；第二，不同于敏感基因突变——靶向治疗，几近于息息相关的关系；免疫治疗似乎在一些PD1,PDL1表达并不明显的病例中，也彰显了一定的疗效，意味着免疫治疗的有效性并不取决于单一的指标，背后必然有着一个综合的体系有待探索。
本研究正是本着综合探索的理念，纳入了传统的性别、年龄、种族、BMI、吸烟史、ECOG评分、病理类型、分期、转移病灶数目等经典因素，考虑到了PD-L1表达水平这样直观的指标，兼顾了粒淋比（NLR）、衍生粒淋比（dNLR）、淋巴细胞和单核细胞比值、血小板和淋巴细胞比值等近年来大热的预测指标。经过层层的筛选和验证，最终得到了一个相对稳定的预测模型。而在探索人群方面，也纳入了既往的两项前瞻性研究——保障了人群和治疗模式统一和资料的客观完整。从统计学方面来说，该研究对于连续变量的处理值得借鉴，使用了限制性立方样条法观测连续变量的非线性效应，根据非线性效应、临床的可解释性以及模型表现来确定连续变量界值，在保证科学性的同时兼顾了实用性。该研究使用常规stepwiseforward/backward法筛选变量构建模型，并与决策树、随机森林、LASSO回归构建的模型和既往免疫治疗模型比较，充分说明该模型的优势，方法值得借鉴。
再美的硬币也有两面性。该研究只针对了某一种免疫治疗的药物，在资料整齐的同时，未免适用性狭窄；而采用患者得分排名的情况分组，也并未考虑到真实世界中每个阶段的人群在实际中所占的比例并非均匀；此外鉴于纳入的病例多数接受了综合治疗，那么模型本身是针对综合治疗而并非单一免疫治疗。但整体来说，这个研究的建模方法，值得日后在其他的免疫治疗或者包含免疫治疗的综合治疗中，做逐一的探索，和最终综合的分析。
转载请注明出处
动动手指，
