柳叶刀重磅: 肺癌能预测了?为啥牛津大学合作开发的「CanPredict风险预测模型」这么牛?

研究成果7个月前发布 Robin
35 0 0
广告也精彩
肺癌是一个全球性的公共卫生问题——不仅是发病率第二高的癌症,更是全球癌症死亡的主要原因——全球每年有2.2万新病例和1.8万人死亡。


来自随机临床试验的研究证据表明,使用低剂量CT进行肺癌筛查可以降低死亡率。2013年开始,美国预防服务工作组推荐使用低剂量CT进行肺癌筛查;并于2021年放宽了筛查的资格标准,将年龄阈值从55岁降低到50岁,将吸烟暴露从30包/年降低到20包/年。

2022年9月29日,英国国家筛选委员会推荐针对55-74岁的肺癌高危人群进行靶向肺癌筛查。但是,委员会没有建议应该使用哪些模型进行风险评估。

近日,牛津大学和诺丁汉大学的研究人员开发了一种名为“CanPredict”的新工具,能够预测未来 10 年内患肺癌风险最高的人群该研究题为“Predicting the future risk of lung cancer: development, and internal and external validation of the CanPredict (lung) model in 19·67 million people and evaluation of model performance against seven other risk prediction models”,发表在The Lancet Respiratory Medicine杂志上。

柳叶刀重磅: 肺癌能预测了?为啥牛津大学合作开发的「CanPredict风险预测模型」这么牛?
一、研究背景

在人口层面上,使用风险预测模型来选择肺癌高风险人群进行筛查计划是一种有效的策略,可以有效地避免滥用筛查低风险人群的资源。举例来说,利物浦肺项目 (LLP v2 ) 和前列腺肺结直肠和卵巢 (PLCO M2012) 模型已被推荐用于计算英国 Targeted Lung Health Check Program 中个人患肺癌的风险。

然而,之前的一项研究表明,在使用英国初级保健人群的临床实践研究数据链 (CPRD) 数据进行外部验证时,这些模型仅实现了适度的识别,并且没有得到很好的校准。为了准备伦理批准和从电子健康记录数据库中提取数据,研究人员在 2000 年 1 月 1 日之间使用术语“肺癌”和“预测模型”以及“标题/摘要”中的医学主题词 (MeSH) 搜索了 PubMed 2020 年 12 月 31 日,排除了语言限制,进一步了解当代肺癌预测模型的研究,并为数据规范准备潜在预测因子。

英国国家筛查委员会于2022年9月29日建议进行靶向肺癌筛查,并要求进行更多建模工作以帮助完善建议。本研究旨在开发和验证用于英国肺癌筛查的风险预测模型——CanPredict (lung) 模型,并将该模型的性能与其他七种风险预测模型进行比较。

二、研究方法

1. 研究设计、研究人群和数据来源

在这项基于人群的三阶段队列研究中,研究人员使用QResearch数据库中的电子健康记录 (EHR) 来开发和内部验证模型,然后使用临床实践研究数据链 (CPRD) Gold 数据库进行外部验证模型的验证。QResearch数据库是英格兰最大的医疗保健数据库之一,也是英国健康数据研究机构认可的可信研究环境。

研究人员纳入了25-84岁的成年患者,他们在2005年1月1日至 2020 年 3 月 31 日期间在全科诊所注册并为 QResearch 数据库做出了贡献,同时也排除了在进入队列之前诊断为肺癌的患者。广泛的年龄范围涵盖了大部分成人初级保健人群,并提供了极大的灵活性,可以选择不同年龄组的人来评估模型性能或进行亚组分析。

为确保数据完整,纳入的个人需要在全科诊所注册至少12个月,并且全科诊所需要在队列进入日期前至少12月为QResearch数据库做出贡献。对于使用 CPRD Gold 数据库的外部验证,研究人员使用了相同的抽样标准。

在进行分析之前,研究人员为该项目发布了一份全面的研究方案和统计分析计划。使用了个体预后或诊断(TRIPOD)多变量预测模型的透明报告来指导本研究的进行和报告。

2. 主要研究结果

主要研究结果是在QResearch的四个链接数据源中的一个或多个上记录的肺癌事件诊断——初级保健和二级保健(即医院事件统计 [HES])数据库、癌症登记和死亡登记。

3. 统计分析

第 1 阶段:使用 QResearch 开发和内部验证 CanPredict(肺)模型

第 2 阶段:在 QResearch 验证数据集中将 CanPredict(肺)模型与其他七种肺癌预测模型进行比较

研究人员参考了这些研究并纳入了预测范围至少为5年的模型,因为筛查的目的是在无症状人群中及早发现癌症。

研究人员选择了七个模型来与他们的模型进行比较:Liverpool Lung Project(LLP v2和 LLP v3)模型,肺癌风险评估工具 (LCRAT),前列腺、肺、结直肠和卵巢(PLCO M2012和 PLCO M2014)模型,匹兹堡模型,和巴赫模型。大多数模型是在美国人群中开发的,LLP 使用了来自英格兰西北部的区域数据。

柳叶刀重磅: 肺癌能预测了?为啥牛津大学合作开发的「CanPredict风险预测模型」这么牛?

CanPredict(lung)模型和本研究中其他7个预测模型的预测因子汇总


之后,研究人员也对这些模型性能进行了评估。

第 3 阶段:使用 CPRD Gold 进行外部验证

研究人员使用非重叠 CPRD 数据集对 25-84 岁人群的 CanPredict(肺)模型进行外部验证。还使用了CPRD 数据将 CanPredict(肺)模型与其他七个模型在 55-74 岁的曾经吸烟者中的表现进行了比较。

不同风险分层方法的比较

研究人员在 QResearch 和 CPRD 验证队列中将他们的风险预测模型的性能与 Targeted Lung Health Check 推荐的风险分层模型(LLP v2和 PLCO M2012 )进行了比较。计算了不同策略的敏感性值,这是在预测范围内(LLP v2为 5 年,PLCO M2012为 6 年)被诊断为肺癌的人数和比例,其中相同比例的人被确定为高风险。

三、研究结果

QResearch数据库中25-34岁的初级保健人口比例高于CPRD数据库,尤其是 25-29 岁的人群;但对于从35-39岁到80-84岁的其他年龄段,CPRD 队列中的比例略高于QResearch队列中的比例。在新发肺癌病例中,男性比例高于女性。

QResearch 中记录了大约 70% 的人的种族信息,但只有 47.2% 的初级保健人群和 34.8% 的肺癌患者在 CPRD 中记录了种族信息。CPRD 的 BMI 完整性也低于 QResearch。

不过,QResearchCPRD都很好地记录了吸烟状况。QResearch 的初级保健人群和被诊断患有肺癌的患者中,非吸烟者、戒烟者和轻度吸烟者(每天 1-9 支香烟)的比例均高于 CPRD。与 QResearch 相比,在 CPRD 中初级保健人群和被诊断患有肺癌的患者中,中度吸烟者(每天 10-19 支香烟)和重度吸烟者(每天≥20 支香烟)的比例更高。QResearch和CPRD之间的其他特征大致相似。

柳叶刀重磅: 肺癌能预测了?为啥牛津大学合作开发的「CanPredict风险预测模型」这么牛?

CanPredict(肺)模型在完整验证队列(QResearch)和所有八个使用Targeted Lung Health Check 标准的预测模型中的识别统计


在评估模型的辨别力时,在QResearch验证队列中,CanPredict (lung) 模型解释了 65% 的25-84 岁男性和女性肺癌诊断时间 (R2D)的变异。两种性别的D统计量为 2.8,Harrell 的 C 统计量为 0.9。该模型还具有出色的识别统计数据能力,能够按种族和性别分层。对于 55-74 岁的长期吸烟者,CanPredict(肺)模型具有更高的Harrell C 统计量、D 统计量值,并且与所有其他七种预测模型相比在两种性别中都有更高的值。

完整的 CanPredict(肺)模型在 QResearch 验证队列中的两性和种族中显示出良好的校准。与白人人口相比,少数民族肺癌病例数较少。因此,某些风险带的置信区间在校准图中很宽。大多数少数民族处于低风险(观察和预测风险 <1%),尤其是女性。对于 55-74 岁的长期吸烟者,除了 CanPredict(肺)模型外,其他预测模型校准不佳。

四、总结

由此可见,CanPredict 大大减轻了 NHS 员工的负担,节省时间、金钱并简化行政流程,以获得更好的患者体验。CanPredict 工具能够正确识别出更多患肺癌的人,并且比目前推荐的风险预测方法更敏感,能涵盖 5 年、6 年和 10 年的预测。该模型是使用初级保健 EHR 开发并进行内部和外部验证的,对于三个预测范围的两性识别和校准方面,在其他肺癌预测模型中表现最佳。

作者最后补充说:“改善肺癌的早期诊断对于 NHS 尤其是患者来说非常重要。我们希望这种经过验证的新风险工具能有助于更好地确定患者筛查的优先次序,并最终帮助患者及早发现肺癌。”

来源:

https://www.thelancet.com/journals/lanres/article/PIIS2213-2600(23)00050-4/fulltext#seccestitle90

© 版权声明
广告也精彩

相关文章

广告也精彩

暂无评论

暂无评论...