澳大利亚队列中黑色素瘤风险预测模型的准确性与实用性评估

澳大利亚队列中黑色素瘤风险预测模型的准确性与实用性评估

要点

– 在一个大型澳大利亚前瞻性队列中,对6个黑色素瘤风险预测模型进行了外部验证。
– 各模型的区分能力从较弱(AUC 0.58)到中等(AUC 0.70)不等,与原始研究结果大体一致。
– 大多数模型低估了黑色素瘤发病率,提示需要改进校准以提高绝对风险估计的准确性。
– 研究结果支持将这些模型用于风险分层,以指导预防和早期检测;但从人群层面的准确性来看,建议进行重新校准。

研究背景

黑色素瘤是一项重要的公共卫生问题,原因在于其发病率不断上升,且若未能早期发现,可能带来死亡风险。澳大利亚由于紫外线辐射暴露较高,黑色素瘤发病率位居全球前列。识别高风险个体有助于实施有针对性的预防策略、开展早期发现工作,并优化资源配置。风险预测模型将人口学、表型及环境因素相结合,用于估计个体发生黑色素瘤的可能性,旨在使筛查和预防措施更加个体化。

尽管已开发出多种黑色素瘤风险预测模型,但由于缺乏在独立人群中的充分验证,其实际应用受到限制。在临床或公共卫生实践中应用之前,必须确保模型在不同队列中仍具有区分能力——即能够区分最终会或不会发生黑色素瘤的个体——以及准确的校准性。本研究通过在一个大型澳大利亚队列中评估6个已发表的黑色素瘤风险模型,以弥补这一空白。

研究设计

这项基于人群的前瞻性纵向验证研究使用了 Sax Institute’s 45 and Up Study 的数据,共纳入267,357名年龄≥45岁的新南威尔士州居民。研究对象于2005年至2009年间通过 Services Australia Medicare 注册数据库招募。随访持续至2019年12月31日,并通过链接癌症登记数据识别新发黑色素瘤病例。其中,45,061人完成了2020年随访问卷,为模型评估提供了更新的风险因素信息。

在完成数据完整性评估后,最多纳入43,235名参与者;其人口学特征显示,中位年龄为57岁,女性略占多数(55.9%)。黑色素瘤结局包括946例侵袭性病例和1,406例原位病例,均通过 NSW Cancer Registry 识别。各模型所需的风险因素——从表型特征到环境暴露——均通过基线和2020年随访问卷进行评估。

主要结局为各黑色素瘤风险模型对首次原发性黑色素瘤诊断10年风险的区分能力和校准性。区分能力采用受试者工作特征曲线下面积(area under the receiver operating characteristic curve, AUC)量化;校准性则通过整体校准(calibration-in-the-large)和校准斜率进行评估。

主要发现

所评估模型的区分能力范围较广,AUC 值从0.58(95% CI,0.56–0.60)到0.70(95% CI,0.68–0.72)不等。该结果与原始发表研究中的性能表现一致,提示尽管存在地区差异,这些模型在不同人群中的区分潜力相对稳定。

校准评估显示,大多数模型在本队列中低估了黑色素瘤发病率,说明其给出的绝对风险估计普遍低于实际观察值。在所有模型中,有2个模型的校准指标相对更优,其整体校准值分别为-0.16(95% CI,-0.20~-0.11)和0.59(95% CI,0.52~0.66),校准斜率分别为0.74和0.72。尽管这些数值更接近理想校准水平,但仍提示风险估计并不完全准确。

总体而言,校准差异提示,可能需要依据特定人群的发病率和风险因素分布进行重新校准,以优化绝对风险预测。尽管如此,这些模型稳定的区分表现支持其用于识别相对高风险或低风险个体,这对于分层筛查或预防策略具有重要价值。

专家点评

准确的风险预测模型是黑色素瘤精准预防的基础,尤其是在澳大利亚这类高发地区。中等水平的 AUC 表明,这些模型能够在一定程度上区分不同风险人群,但不足以作为个体预测的绝对依据。校准方面的不足强调,随着流行病学和环境条件变化,风险模型需要持续验证与更新。

本研究的局限性包括:使用自报风险因素,可能引入回忆偏倚;以及研究对象限于≥45岁成人,因而对年轻人群的推广性有限。此外,本研究仅评估了6个现有模型;未来纳入遗传生物标志物或机器学习算法的新兴模型,可能在后续验证中表现更佳。

建议临床医生和政策制定者在知悉这些模型校准局限性的前提下,将其纳入基于风险的黑色素瘤筛查方案。研究工作应聚焦于重新校准方法,并整合新的风险决定因素,以进一步提高个体风险估计的精确度。

结论

这项全面的验证研究证实,在独立的澳大利亚队列中,多个黑色素瘤风险预测模型具有中等程度的区分能力,但同时也暴露出校准方面的局限。研究结果支持谨慎使用这些工具进行黑色素瘤风险分层,以指导预防和早期检测策略。为提高绝对风险估计的准确性并增强临床实用性,仍需进行重新校准和定期再评估。本研究推动了精准皮肤科与个体化黑色素瘤预防的发展。

基金资助与临床试验注册

45 and Up Study 由多个澳大利亚政府机构及慈善组织资助。本分析使用的是既有队列数据,未进行特定的临床试验注册。

参考文献

  1. Reyes-Marcelino G, Espinoza D, Smit AK, et al. Evaluating the Performance of Melanoma Risk Prediction Models. JAMA Dermatol. 2026; Published online October 21, 2026. doi:10.1001/jamadermatol.2026.42905683
  2. Whiteman DC, Green AC, Olsen CM. The Growing Burden of Melanoma: Epidemiology, Causes, and Prevention. Lancet. 2016;387(10055):2027-2037.
  3. Garbe C, Amaral T, Peris K, et al. European Consensus-based Guidelines for Melanoma Prevention: Position Paper of the European Cancer Organization. Eur J Cancer. 2016; 63:25-42.
  4. Cust AE, Armstrong BK, Goumas C, et al. Clinical and Phenotypic Predictors of Melanoma Susceptibility. Br J Dermatol. 2020;182(3):538-547.
  5. Usher-Smith JA, Harshfield A, Holman D, et al. External Validation of Melanoma Risk Prediction Models Using UK Biobank. Br J Dermatol. 2022;186(5):888–895.

相关科室计算器

查看医学计算器

供临床参考,请结合专业判断使用。

Comments

No comments yet. Why don’t you start the discussion?

发表回复