针对不产生癌抗原19-9的胰腺导管腺癌患者的AI衍生电子肿瘤标志物

《JAMA Surgery》：AI–Derived Electronic Tumor Marker For Cancer Antigen 19-9 Nonproducers With Pancreatic Ductal Adenocarcinoma

胰腺癌患者CA19-9阴性时，基于机器学习的电子肿瘤标志物e19-9可预测治疗完成率及生存预后。研究通过3239例CA19-9阳性患者训练AI模型，在外部验证4384例后应用于121例CA19-9阴性患者。结果显示，e19-9下降50%或低于100的阈值分别具有0.79和0.84的预测效能。93例（77%）完成全治疗，e19-9达标与治疗完成显著相关（OR=5.00, P=0.006），且<100阈值独立预测生存率（HR=0.49, P=0.04）。该非侵入性AI标记为30%无法检测CA19-9的胰腺癌患者提供了新的评估工具。

　　

要点

问题：利用现有的患者数据，机器学习技术能否为那些不产生癌抗原19-9（CA19-9）的胰腺导管腺癌（PDAC）患者提供有关治疗反应和预后的有价值信息？

研究结果：在这项队列研究中，开发了一种基于机器学习的电子肿瘤标志物（e19-9），用于预测PDAC患者以及CA19-9水平升高的患者的预期CA19-9水平。该模型被回顾性地应用于121名未出现CA19-9升高且接受了新辅助治疗的PDAC患者，结果发现e19-9的变化趋势能够反映治疗完成情况、转移进展和总体生存率。

意义：这些结果表明，e19-9是一种非侵入性的、由人工智能衍生出的标志物，具有支持临床决策的潜力。

摘要

重要性：癌抗原19-9（CA19-9）常用于评估胰腺导管腺癌（PDAC）患者的治疗反应；然而，约30%的PDAC患者并不产生升高的CA19-9水平。

目标：开发、验证并应用一种基于电子健康记录中常规实验室数据的电子肿瘤标志物（e19-9），以评估不产生CA19-9的PDAC患者的治疗反应和预后。

研究设计、环境和参与者：本研究使用来自PDAC患者及CA19-9水平升高患者的常规血清实验室数据训练了一个人工智能（AI）模型。该模型经过外部验证后，被应用于另一组未产生CA19-9的PDAC患者。模型开发和内部测试在一家医疗机构完成，使用了2010年至2022年的患者数据；外部验证则涵盖了同一时期58家医疗机构的去标识化患者数据。训练队列包含3239名患有胰腺癌且CA19-9水平升高的患者，外部验证队列包含4384名类似患者。该模型应用于121名可切除或边界可切除的PDAC患者（这些患者未产生CA19-9升高，并接受了旨在根治的新辅助治疗），数据分析时间范围为2021年11月至2025年3月。

主要结果和指标：模型性能通过均方根误差（RMSE）和R2值进行评估。临床结果包括所有新辅助治疗和手术的完成情况、转移进展以及总体生存率（OS）。

结论：最终确定的模型在内部和外部验证队列中均表现出稳定的性能。在121名未产生CA19-9升高的局部PDAC患者（59名女性，62名男性）中，e19-9水平下降50%及以上（曲线下面积AUC=0.79）或e19-9水平低于100（AUC=0.84）与预后相关。共有93名患者（77%）完成了所有计划的新辅助治疗和手术。e19-9水平下降50%及以上或低于100与所有治疗计划的完成显著相关（比值比OR=5.00；95%置信区间CI=1.60-15.66；P=0.006；OR=19.31；95%置信区间CI=5.80-64.26；P<0.001）。e19-9水平低于100也与总体生存率显著相关（风险比HR=0.49；95%置信区间CI=0.25-0.97；P=0.04）。

意义和启示：本研究证明，e19-9是一种非侵入性的、由人工智能衍生的标志物，可为大约30%不产生CA19-9升高的PDAC患者提供准确且相关的治疗反应评估信息。利用机器学习算法开发可扩展的非侵入性筛查方法，可能有助于癌症的早期发现、预后评估和治疗。