查看更多
密码过期或已经不安全,请修改密码
修改密码壹生身份认证协议书
同意
拒绝
同意
拒绝
同意
不同意并跳过
The R.O.A.D. to precision medicine
这篇文章中,作者提出了一种新的框架,解决了随机临床试验数据亚组分析的不足,同时将观察性数据转换为随机数据进行使用,从而为精准医疗铺平道路。作者通过一种新颖的2步过程对治疗中的预测结局进行调整,抵消了观察性数据中未观察到的混杂因素的影响。这些调整后的预测可训练决策树,根据患者亚组的特征优化治疗分配,从而实现直观的治疗建议。将这一框架应用于胃肠间质瘤(GIST)数据(包括遗传亚队列)表明,该树状建议在外部队列中优于当前指南。此外,作者还将这一框架的应用扩展到来自肢体肉瘤患者的RCT数据。尽管最初的试验指征是普遍需要治疗,但本文确定的框架确定了可能不需要治疗的患者子集。作者再次在外部队列中成功验证了他们的建议。
循证医学的兴起改变了传统医学决策基于经验和既往病例模式识别的限制,但目前的随机对照试验(RCT)无法完全解释个体治疗效果的异质性(HTE)。作者指出了主要存在以下四个主要挑战:混杂效应存在、缺乏明确的临床建议、验证困难以及随机试验数据中常见的亚组分析可能导致误导性结果。在本研究中,作者提出了一种新框架,通过纠正观察数据中的混杂效应并训练决策树,优化治疗分配给患者亚组,从而为患者提供直观的治疗建议,实现精准治疗。这项研究提出了一种新方法来处理观察数据和随机试验数据。研究首先在观察数据集上应用新方法,在基线预后分层内匹配观察到的混杂因素,以识别一组患者亚组,使得每个分层内的治疗和未治疗患者在理论上具有相似的基线预后。然而,即使在适当匹配的情况下,仍可能存在未观察到的混杂因素,需要额外步骤来处理。研究进一步介绍了如何通过增加接受治疗并且未发生复发的患者的权重来处理残余未观察到的混杂因素,以平衡治疗和非治疗情况下的复发概率。通过训练决策树(OPTs),研究团队成功地定义了基于患者特征的具有不同治疗效果的患者亚组,并提供了治疗建议。在GIST研究中,本文提出的新框架能够从现有指南推荐需要进行辅助治疗的中危患者人群中识别出不会从辅助治疗中受益的患者。研究通过新方法处理残余未观察到的混杂因素,提出了一种序列增加权重的方法来调整复发风险预测,以实现更好的治疗效果预测。通过调整权重,研究团队找到了最佳权重值,进而训练出决策树(OPT)来定义患者亚组。研究结果显示,对于核分裂象数≥10.5、非胃部位且直径≥5.05厘米的患者,以及胃源性GIST直径> 7.15厘米且核分裂像数≥1.5的患者推荐进行伊马替尼辅助治疗;而对于核分裂像数<10.5、非胃源性GIST直径<5.05厘米、胃源性GIST直径<7.15厘米的小肿瘤患者不推荐进行伊马替尼辅助治疗,对于核分裂像数<1.5、胃源性GIST直径>7.15厘米的患者也不推荐进行伊马替尼治疗。这为GIST患者的个体化治疗提供了新的途径,有望为精准医学的实践提供更准确和有效的指导,为未来的临床决策和治疗方案提供重要参考。
此外,研究还将该方法应用于RCT数据,强调了准确预测个体治疗效果异质性的重要性。传统的单变量分层分析方法存在无法识别由多个变量定义的患者亚组的问题,而本文提到的新方法能够处理这一挑战。通过在高风险群体中纠正分布不平衡问题,研究团队成功地识别出一些不需要辅助治疗的患者亚组,这对临床实践具有重要意义。
来源:北京大学肿瘤医院消化内科
查看更多