07.14-07.20 临床预测模型研究顶刊快报

THE LANCET

1.开发和验证一种预测移植后一年急性乙型肝炎肝衰竭死亡率的新型预后模型：一项全国性、多中心、队列研究

Development and validation of a novel prognostic model to predict 1-year post-transplant mortality for acute-on-chronic hepatitis B liver failure: a nationwide, multicentre, cohort study

（1）背景：该研究聚焦于乙型肝炎病毒相关的急性慢性肝衰竭（HBV-ACLF），这是一种以突发性肝功能失代偿和多器官衰竭为特征的严重疾病，在中国尤其常见，占肝移植（LT）适应症的15.3%。因此，本研究旨在开发一种整合受体和移植物因素的新型预后模型，以优化候选者筛选和器官分配策略，减少徒劳移植（定义为5年生存率低于50%）。

（2）解释：该研究通过全国多中心回顾性队列，开发并验证了HBV-ACLF LT（HALT）模型。该模型基于Cox回归分析识别出5个独立风险因素：受体年龄（>55岁，HR=2.74）、器官衰竭数量（HR=1.32）、动脉乳酸浓度（HR=1.60）、移植物来源（循环死亡供体[DCD] vs. 脑死亡供体[DBD]，HR=1.61）和冷缺血时间（CIT>10小时，HR=1.08）。HALT模型公式为：0.475 × DCD + 0.074 × CIT + 0.274 × OF数 + 0.469 × ln(乳酸) + 1.01 × 年龄。在外部验证队列中，其预测1年移植后死亡率的C-index（0.791）显著优于现有8种模型（C-index 0.529-0.627），且校准曲线和决策曲线分析显示更优的临床实用性。研究进一步通过风险分层（低、中、高风险移植物）和列线图量化不同移植物-受体组合的死亡率，例如最严重患者（年龄>55岁、器官衰竭≥3、乳酸≥2.5 mmol/L）接受高风险移植物（DCD且CIT>10小时）时，1年死亡率高达85.6%，突显该模型在避免徒劳移植和优化器官分配中的价值。

 2.探索乳腺癌个性化新辅助治疗选择策略：可解释的多模态反应模型

Exploring personalized neoadjuvant therapy selection strategies in breast cancer: an explainable multi-modal response model

（1）背景：该研究的背景聚焦于当前乳腺癌新辅助治疗（NAT）方案选择中的局限性和临床需求。现有指南主要依据癌症阶段和分子亚型（如雌激素受体/孕激素受体（ER/PR）状态和人表皮生长因子受体2（HER2）状态）来标准化治疗方案，例如对HER2阳性患者使用化疗联合HER2抗体、对三阴性患者使用蒽环类联合紫杉烷类方案。然而，这种方法未充分考虑患者个体间的异质性（如影像学、病理学和临床特征的差异），导致治疗效率低下或过度治疗（如不必要的毒性暴露）。该模型利用对比语言-图像预训练（CLIP）技术对齐多模态数据，通过产品专家（PoE）方法融合特征分布，以优化决策并减少偏差，为未来个性化治疗提供基础。。

（2）解释：通过多模态响应模型（整合临床数据、DCE-MRI和医疗报告），研究成功预测了pCR和生存风险评分，识别出在现有治疗方案下预后不良的患者亚组（如高风险三阴性患者，其风险比[HR]达3.54）。这为个性化方案推荐提供了依据：模型将患者分为三组（低毒性方案、高毒性方案或临床试验），例如对可能实现pCR的患者推荐降阶治疗（如单HER2抗体替代多抗体方案），从而减少20%的过度治疗；同时，对高风险患者建议升级治疗或参与临床试验，以避免疗效不足。然而，这些推荐在生存结局上未显示出统计显著差异（如HER2阳性患者临床试验组的HR为2.22，置信区间跨越1），原因包括随访时间较短（中位4.4-4.9年）和ER/PR阳性肿瘤的晚期复发风险。

Nature

1.免疫诊断血浆氨基酸残留生物标志物可早期检测癌症并预测治疗反应

Immunodiagnostic plasma amino acid residue biomarkers detect cancer early and predict treatment response

（1）介绍：本文旨在开发一种创新的免疫诊断平台，通过检测血浆中特定氨基酸残基生物标志物的浓度变化，捕捉肿瘤免疫监视的独特信号。传统液体活检（如ctDNA）在早期癌症检测中因信号微弱（尤其Stage I漏检率高达76-92%）和无法预测治疗响应而受限。本研究提出一种新策略：利用氨基酸浓度特征（AACS）量化免疫系统对肿瘤的反应。该方法通过测量五种关键氨基酸（半胱氨酸、游离半胱氨酸、赖氨酸、色氨酸、酪氨酸）的总浓度，结合机器学习分析，克服传统蛋白质组学的高变异性问题。其核心目标是实现多癌种早期检测（MCED）和个体化治疗响应预测，填补免疫反应在诊断领域的空白。

（2）结果：研究在170名参与者中验证了AACS平台的临床价值。在97例样本中（77例癌症患者，20例健康人），AACS模型区分癌症与健康的AUROC达0.95，敏感性78%、特异性100%（假阳性率0%）。癌症、健康、自身免疫疾病（如类风湿关节炎）及感染（如COVID-19）的AACS模式显著差异（p<0.0001），证明其对癌症特异性免疫响应的识别能力。在33例晚期乳腺癌患者中，基线AACS成功预测CDK4/6抑制剂治疗反应（p<0.05），准确识别98%的应答者（阳性预测值100%）。