图1 基于AI与真实世界数据的研究方案设计
结果显示,与相关临床试验的治疗方案相同的Flatiron Health病例,仅有30%符合入组标准,且入组标准的严格限制并没降低临床试验的风险比,甚至是增加了风险比,这意味着许多当时不符合入组标准的aNSCLC患者,也能从该治疗方式中获益。
此外,研究人员对每项aNSCLC临床试验使用不同的入组条件进行多次模拟,结合Shapley值评价每种标准对受试者数量及总生存率风险比的影响(Shapley小于0表示该标准可降低风险比)。结果显示,血压、白蛋白水平、淋巴细胞等几个常见的入组标准纳/排对风险比不会产生实质性的影响,但这些标准放宽后却对入组患者数量产生重大影响。例如,入组标准中的淋巴细胞每增加500个/微升,就相应有6.3%的患者不能进入临床试验。
图2 各入组标准对临床试验的影响
02基于AI构建新入组标准入组人数提升107% 风险比下降0.05
基于上述分析方法,研究人员发现纳入研究的10项aNSCLC临床试验,利用AI工具放宽入组标准后,符合入组标准的患者数量平均值从1553人提升至3209人,提升了107%,而总生存率风险比从0.82下降到0.77。在该研究中,基于AI工具产生的新入组标准较之前的平均少了9个限定条件,再次反映当时不符合入组标准的患者也可从治疗中受益。
图3 3种入组标准的临床试验结果比较
为进一步验证AI结合真实世界数据能为放宽入组标准提供循证证据,研究人员还利用Trial Pathfinder工具分析了结肠直肠癌、晚期黑色素瘤和转移性乳腺癌等癌症的临床试验,同样论证了一些可纳/排的入组条件,并发现放宽入组标准可将相关临床试验入组患者数量平均增加53%,风险比降低0.13。
图4 其他三种癌症的临床试验评估结果
研究人员最后指出,过于严格的入组标准限制了患者潜在的治疗获益机会,数据驱动的方式能为放宽临床试验入组标准提供循证证据,其中放宽胆红素、血小板、血红蛋白等入组标准数值被证实是可行的;同时认为该类研究更适用于癌症领域的临床试验,希望随着更多高质量数据的获得,将其扩展到肿瘤学科以外的领域。
参考文献:
Liu Ruishan, Rizzo Shemra, Whipple Samuel, Pal Navdeep, Pineda Arturo Lopez, Lu Michael, Arnieri Brandon, Lu Ying, Capra William, Copping Ryan, Zou James. Evaluating eligibility criteria of oncology trials using real-world data and AI. [J]. Nature,2021,592(7855):
成为我们的
合作伙伴