亮点
- 对于肝细胞癌（HCC），肝脏移植（LT）通常比手术切除（SR）提供更好的长期生存率，但供体稀缺和患者变异使治疗选择复杂。
- 一项韩国全国队列研究开发了不同的机器学习（ML）模型，用于预测接受LT或SR后的3年总生存期（OS），并将患者分为治疗有利组。
- ML模型展示了强大的预测性能；反事实分析表明，与当前临床实践相比，ML指导的治疗决策可降低超过50%的死亡风险。
- 外部验证确认了模型的可重复性，支持ML辅助个性化治疗选择在HCC中的潜在临床应用。
研究背景与疾病负担
肝细胞癌（HCC）是全球癌症相关死亡的主要原因之一，通常发生在慢性肝病背景下。根治性治疗选项包括手术切除（SR）和肝脏移植（LT）。LT通过移除肿瘤和肝硬化肝脏通常提供更优的长期生存率。然而，供体器官有限、等待名单脱落的风险以及显著的患者异质性（如肝功能、肿瘤负荷和合并症）使得LT和SR之间的最佳选择变得困难。目前的临床标准，如米兰标准或UCSF标准，提供了指导，但在个体化预后方面存在局限性。因此，需要一种数据驱动的决策支持工具来个性化治疗策略，平衡生存获益与资源限制。
研究设计
这项回顾性队列研究利用了韩国中央癌症登记处的国家登记数据，涵盖了2008年至2018年间接受LT或SR作为根治性治疗的3915名HCC患者，形成推导队列。LT和SR组具有不同的临床特征，LT患者的年龄较轻，但肝病更严重，肝功能较差。肿瘤特征也不同，LT受者的肿瘤较小但数量更多。
独立的外部验证队列包括2009年至2020年间在首尔圣玛丽医院接受治疗的614名HCC患者。
为LT和SR患者分别开发了不同的机器学习（ML）算法，以估计3年总生存期（OS）。研究比较了几种ML模型，包括支持向量机和支持梯度提升（CatBoost）。关键临床变量包括人口统计学数据、肝病严重程度指标（如肝硬化、白蛋白、胆红素）、肿瘤大小和数量以及实验室值。
根据每个治疗的预测OS，将患者分为高风险和低风险组，定义为LT有利和LT不利亚组。反事实分析模拟了如果采用ML指导的治疗决策与实际临床决策相比的生存结果。
主要发现
推导队列包括296名LT患者和3619名SR患者，主要为男性（约80%），中位年龄在50多岁至60岁之间。LT受者的肝硬化患病率较高（26.4% vs 19.3%，P=.005）、肝性脑病（6.8% vs 0.3%，P<.001）和腹水（19.9% vs 4.2%，P<.001）。肝功能指数显示LT患者的肝功能更差，包括较低的白蛋白（中位数3.4 vs 4.2 g/dL）、较高的胆红素（中位数1.4 vs 0.7 mg/dL）和延长的INR。
肿瘤特征显示LT候选人的肿瘤较小（中位数2.3 cm vs 3.2 cm，P<.001），但肿瘤数量较多（平均1.6 vs 1.2，P<.001）。
关于预测性能，支持向量机模型在LT队列中显示出最高的AUROC（曲线下面积）为0.82（95% CI，0.78-0.86），而CatBoost在SR队列中表现出最优的AUROC为0.79（95% CI，0.78-0.80），表明在生存预测方面具有良好的区分能力。
通过ML模型将患者分为LT有利和LT不利组，作者识别出最有可能从LT或SR中受益的个体，考虑了个体临床特征。
反事实生存分析估计，与观察到的临床实践相比，ML指导的治疗决策可将死亡风险降低54%（风险比[HR] 0.46；95% CI，0.42-0.50；P<.001）。独立队列的外部验证确认了这些结果，支持模型的普遍性。
专家评论
这项研究展示了先进的机器学习如何在资源受限的复杂肿瘤学环境中支持细致、个性化的决策。通过整合异质的临床变量并预测竞争治疗的生存率，ML模型提供了超出传统标准的可操作分层。
尽管LT通常产生更优的结果，但许多患者因供体有限或合并症过多而处于不利地位。基于ML的方法提供了一个框架，可以理性地平衡这些约束，可能优化器官分配并在人群水平上改善整体生存率。
局限性包括回顾性设计、潜在的未测量混杂因素以及需要在不同人群中进行前瞻性验证。模型的质量取决于输入数据的质量，可能需要在不同种族或地理背景下重新校准。此外，整合分子或影像生物标志物可以进一步提高预测准确性。
结论
这项全面的全国队列研究介绍了一种基于机器学习的决策支持模型，能够准确预测接受肝脏移植或手术切除的肝细胞癌患者的3年总生存期。模型指导的个体化治疗选择有望通过根据患者特定的风险和获益定制治疗方案来改善生存结果。这种方法可以补充现有的临床指南，并帮助解决供体稀缺和患者异质性的关键挑战。未来前瞻性的研究和多中心验证将是确认临床效用和促进常规实践整合的关键。
