免疫检查点抑制剂相关免疫介导肝毒性风险因素及预测模型研究

研究人员为探索免疫介导肝毒性（IMH）风险因素，构建预测模型，发现多个相关因素，模型有临床应用潜力。

　　免疫检查点抑制剂（ICIs）诱导的免疫介导肝毒性（IMH）可能导致致命后果。探索与 IMH 相关的风险因素，对早期识别和管理免疫相关不良事件（irAEs）至关重要。研究人员通过对临床研究数据进行荟萃分析，筛选 IMH 的影响因素。利用 FAERS 数据，采用两类变量（全变量和经单因素逻辑回归筛选的最优变量）和九种机器学习算法（逻辑回归、决策树、随机森林、梯度提升决策树（GBDT）、极端梯度提升、K 近邻、自助聚合、自适应提升和极度随机树），开发与 ICIs 相关的 IMH 预测模型。比较这九种机器学习算法，筛选出最优模型，并使用 SHAP（SHapley Additive exPlanations）分析对最优机器学习模型的结果进行解读。

研究共纳入 17 项研究（10135 名患者）。结果显示，ICIs 联合治疗（OR = 5.10，95% CI：1.68 - 15.48）和 ICIs 治疗史（OR = 3.58，95% CI：2.08 - 6.14）与所有等级 IMH 的风险显著相关。56 - 63 岁的患者（MD = - 5.09，95% CI：- 9.52 至 - 0.67）与≥3 级 IMH 的风险显著相关。肝不良反应预测模型纳入了 FAERS 数据库中的 51555 名患者，其中 4607 例发生肝不良反应。单因素逻辑回归分析最终筛选出 8 个最优变量，女性、报告地区、癌症类型、ICIs 药物类型、合并自身免疫性疾病、合并使用抗高血压药物以及合并使用 CTLA - 4 抑制剂或靶向治疗药物是显著影响因素。经单因素逻辑回归筛选变量后的模型性能略逊于全变量模型。表现最佳的肝不良反应预测模型之一是 GBDT（训练集 AUC = 0.82，测试集 AUC = 0.79）。GBDT 模型中排名前 3 的关键预测因素是报告地区、疾病类型和 ICIs 药物类型。

在临床研究中发现，56 - 63 岁、ICIs 联合治疗和 ICIs 治疗史与 IMH 风险增加显著相关。在 FAERS 数据库中观察到，女性、报告地区、癌症类型、ICIs 药物类型、合并自身免疫性疾病、合并使用抗高血压药物以及合并使用 CTLA - 4 抑制剂或靶向治疗药物，可能是 ICIs 相关肝 irAEs 的潜在风险因素。本研究建立的 ICIs 相关肝不良反应预测模型性能良好，具有潜在的临床应用价值。