基于真实世界药物警戒数据与机器学习的免疫检查点抑制剂致命毒性作用解码

　　免疫检查点抑制剂(ICIs)虽能改善癌症疗效，但其免疫相关不良事件(irAEs)却给临床管理带来严峻挑战。研究人员通过FDA不良事件报告系统进行药物警戒分析，结合机器学习构建SAFE-ICI模型，成功预测90天内致命irAEs风险，为临床决策提供智能化工具。

　　

这项研究深入解析了免疫检查点抑制剂(ICIs)治疗中的致命毒性作用。通过挖掘FDA不良事件报告系统(FAERS)的真实世界数据，科研团队识别出358个与ICI治疗显著相关的AE信号，涉及18个器官系统。令人瞩目的是，PD-1/PD-L1抑制剂单药治疗导致54例致命irAEs，其中非小细胞肺癌(NSCLC)占比最高(23例)；而联合疗法则引发20例致命事件，在肾细胞癌(RCC)患者中尤为突出(7例)。

研究创新性地开发了SAFE-ICI机器学习框架，该模型通过整合多器官系统AE信号，能准确预测治疗初期90天内的致命风险。验证结果显示，该模型可有效区分高风险和低风险患者群体，其生存获益存在显著差异。这项成果为优化ICI临床用药策略提供了重要决策支持，展现了人工智能在药物安全监测领域的巨大潜力。