基于外周血临床实验室组学动态变化的机器学习模型预测晚期胃癌免疫检查点抑制剂疗效的多中心研究

　　来自山东大学齐鲁医院等11家医疗中心的研究团队，针对晚期胃癌(GC)免疫检查点抑制剂(ICIs)疗效预测生物标志物单一静态的局限，创新性地开发了整合动态临床实验室组学(Clinlabomics)特征的机器学习模型。研究采用XGBoost算法构建的预测模型在训练队列中AUC达0.863，外部验证队列达0.790-0.842，显著优于静态指标模型，并开发了可视化网络工具，为个体化免疫治疗决策提供新范式。

　　

这项开创性研究揭示了动态监测外周血临床实验室指标对预测免疫治疗疗效的重要价值。研究团队收集了377例接受一线免疫检查点抑制剂(ICIs)治疗的晚期胃癌(GC)患者数据，创新性地将9种机器学习算法应用于临床实验室组学(Clinlabomics)动态特征分析。令人振奋的是，XGBoost模型展现出卓越的预测性能，训练队列曲线下面积(AUC)高达0.863，在外部验证队列中稳定保持在0.790-0.842区间。

研究首次证实，相较于传统的单时间点检测，动态监测10项关键临床实验室指标能更精准识别免疫治疗优势人群。低风险亚组患者不仅预后显著改善，其肿瘤微环境更呈现"热肿瘤"特征——这意味着更强的免疫细胞浸润和更好的治疗响应。研究人员还贴心地开发了用户友好的网络预测工具，临床医生只需输入动态监测数据，即可快速获取个性化疗效预测结果。

这项研究打破了现有生物标志物依赖静态检测的局限，为优化晚期胃癌免疫治疗策略提供了切实可行的决策工具。多中心验证结果充分证明了模型的普适性，标志着胃癌精准免疫治疗迈入动态监测新时代。