0%

Prognostic and predictive

在肿瘤研究中,bioinformatics是一个很好的用于寻找biomarker的方法,其中会涉及到两个概念:预后生物标记物(prognostic biomarker)和预测生物标记物(predictive biomarker);最近在一个biomarker探索性研究中把两者搞混了,经推荐看了一篇文章(预后因素?预测因素?一字之差,谬之千里),以及结合研究数据才把两者搞清楚,因此粗略的做个记录

Prognostic

先说说预后因素,这个在文献中非常常见,比如:XX基因突变,预后很不好;从这句话可看出

预后因素是能够独立地预测癌症结局(疾病复发,疾病进展或者死亡),与其接受的治疗无关

在临床上还有一些临床指标,其对于某些肿瘤也被称为预后指标,即无论在处理组还是对照组,指标阳性组的患者(生存时间等指标)都要好于阴性组的患者(或者阴性好于阳性)

比如通过某个指标将患者区分为A+组和A-组,无论在治疗前后,其指标都能很好的区分出疗效好的患者,就是我们所说的预后因素

如果有些研究,其只研究了接受治疗(比如免疫治疗)的患者,发现某个指标A能很好的区分疗效好的患者,进而得出该指标是预后指标/预测指标,这是不对的。。。必须再比较下未治疗的(对照组)中,该指标是否还能很好的区分

我们通过各个预后因素构建的模型则叫做预测模型。。。

临床预测模型(Clinical Prediction Models),又称为风险评分模型(Risk Scores Models),是指利用多因素模型估算患有某病的概率或者将来某结局发生的概率

临床预测模型可以分为:

  • 诊断模型(Diagnostic models),是基于研究对象的临床症状和特征,诊断当前患有某种疾病的概率,多见于横断面研究
  • 预后模型(Prognostic Models),是在当下的疾病状态下,未来某段时间内疾病复发、死亡,伤残以及出现并发症等结局的概率,多见于队列研究。

所以我们常见的预测模型(预后模型),其变量必然是预后因素?

Predictive

预测因素,对于免疫治疗,我们常说的有3大预测指标:

  • PD-L1的表达量
  • TMB(肿瘤突变负荷)
  • MSI(微卫星不稳定)/dMMR(错配修复基因缺陷)

为什么要称作预测指标呢

预测因素是指,在biomarker阴性组和阳性组之间,治疗的效果在处理组和对照组是不同的(比如处理组的生存时间高于对照组,或低于。。。)

比如,我发现一个指标A,通过该指标将患者区分为A+组和A-组;A+组中,经过免疫治疗(吃了药物B)患者的生存时间中位数要高于 未治疗(吃了安慰剂)的患者;而在A-组中,免疫治疗患者受益效果相比A+组要差,这样我们就得出了指标A是免疫治疗的一个很好的预测因素

怎么判断A+组的受益效果是高于A-组的呢

  • 如果一个组是有效,另一个组是无效的(或者有害的),那么从结论中就可直观的表现出,我们称为这是质的差别,即质的交互作用
  • 如果两者都是有效的,那么我们需要看在统计层面上是有差异的,可以通过统计学方法对于两者的风险比HR进行比较;如果两者确实有统计学上的差异,那么则认为两者是量上的交互作用

在免疫治疗中,我们常想找一个免疫效果好的预测biomarker,比如:

帕博利珠单抗(K药)治疗食管癌中的亚组结果显示,PD-L1 CPS≥10的患者中帕博利珠单抗组总生存期(OS)显著优于化疗组(9.3个月 vs 6.7个月),死亡风险降低31%。客观缓解率(ORR)较化疗组提高了近4倍(21.5% vs 6.1%)。

对照这个例子,结合预测因素的定义可发现,K药治疗的组可作为处理组,化疗治疗的组作为对照组,然后PD-L1是预测因素,其PD-L1 CPS≥10的患者在K药治疗组中的疗效明显好于化疗组,因此PD-L1在食管癌的免疫治疗中是一个很好的预测因素

Summary

  1. 如果我们想证明某个biomarker是免疫治疗的预测因素,那么我们需要在随机对照临床试验中,分别在免疫治疗和非免疫治疗的组中,得到不同biomarker指标下的生存效果;然后得出在指标的某个范围内,免疫组的疗效好于非免疫组即可
  2. 因此不能抛开特定的药物或者治疗方式来谈预测因素,预测因素是跟跟患者接受的治疗相关的,某个生物标记物可能对于A药来说是预测因素,对于B药来说就不是预测因素
  3. 预后因素是相对独立的,一旦确定某个生物标记物是独立预后因素,无论患者接受何种治疗,该因素一直是预后因素
  4. 所以某个指标可能既是预后因素,又是预测因素?比如KRAS 基因突变等
  5. 判断预测还是预后,从其是否判断有无治疗即可区分开

本文出自于http://www.bioinfo-scrounger.com转载请注明出处