综述：利用机器学习预测免疫检查点抑制剂的心脏毒性：对模型性能和方法学质量的系统评价

《Cardio-Oncology》：Predicting immune checkpoint inhibitor cardiotoxicity using machine learning: a systematic review of model performance and methodological quality

　　

摘要

背景

免疫检查点抑制剂（ICIs）显著改善了癌症的治疗效果，但可能导致罕见且可能致命的心脏毒性，包括心肌炎和重大不良心血管事件（MACE）。机器学习（ML）和人工智能（AI）模型已成为早期检测和风险预测的有希望的工具；然而，它们的性能、方法学质量和临床适用性仍不明确。

目的

系统评估基于ML的预测模型，这些模型用于识别接受ICIs治疗患者的药物毒性、心肌炎或心脏不良事件，并使用PROBAST评估其方法学的稳健性。

方法

采用多阶段策略（从广泛搜索到精确搜索再到高特异性搜索）在PubMed中进行了系统检索（2025年11月18日至20日）。共有7项研究符合纳入标准。数据提取涵盖了人群、预测因子、结果、模型类型、验证方法和性能指标。使用PROBAST评估了偏倚风险。补充文件包括完整的搜索策略、数据提取表、PRISMA流程图和PROBAST表格。

结果

共识别出7种ML模型，包括XGBoost、多模态深度学习模型、基于ECG的AI模型、药物警戒驱动的ML模型以及两种临床诺模图。样本量从23例到4,282例患者不等。报告的AUC值各不相同：XGBoost为0.92；Fusion AI为0.88；FAERS ML为0.83；ECG AI为0.91；时间序列神经网络仅用于预测排名；诺模图的AUC值为0.83–0.967。肌钙蛋白、ECG特征、中性粒细胞-淋巴细胞比值、NT-proBNP以及类固醇剂量和放疗等临床因素被证明是一致的预测因子。PROBAST发现3种模型存在较高的偏倚风险（主要是由于数据集较小、验证不足和缺失数据处理不明确）。2项使用独立验证队列的研究偏倚风险较低。

结论

基于ML的模型在预测ICI相关的心脏毒性和心肌炎方面显示出良好的区分能力；然而，大多数研究存在方法学局限性，这限制了其在实际临床中的应用。需要更大的多中心队列、标准化的定义、多模态整合以及遵循TRIPOD-AI报告指南，以推进可临床应用的模型的发展。