Leukemia
针对TKI治疗失败的预测模型在欧洲队列中的验证

小赛推荐：

该研究验证了Zhang等人开发的TKI治疗失败预测模型在法国真实世界队列中的适用性，发现该模型在欧洲人群中预测效能有限，但通过模型重建识别出新的预测因子，为人群特异性模型开发提供了依据。

 

文献概述
本文《Evaluating a predictive model of tyrosine kinase inhibitor therapy failure in a European-type cohort: a step towards population-specific tools》，发表于《Leukemia》杂志，回顾并总结了慢性髓系白血emia（CP-CML）中酪氨酸激酶抑制剂（TKI）治疗失败的预测模型在不同人群中的表现差异，强调了人群特异性工具开发的必要性。

背景知识
CP-CML是一种血液系统恶性肿瘤，TKI的引入极大改善了患者预后，但仍有部分患者对治疗反应不足。早期识别高风险患者对个性化治疗至关重要。传统评分如Sokal和ELTS评分虽用于风险评估，但其预测治疗反应的效能有限。Zhang等人在亚洲队列中开发了新的预测模型，但该模型是否适用于西方人群尚无验证。本研究基于法国CML观察队列，对Zhang模型进行外部验证和本地化重建，分析人口学和临床特征对模型性能的影响，为开发更精准的预测工具提供参考依据。

 

提供基因敲除小鼠服务，快速构建稳转细胞株，适用于基因功能、疾病模型、药物研发等方向。

了解更多

 

研究方法与实验
研究基于法国CML观察队列（NCT05963061）筛选符合标准的CP-CML患者（N=601），并应用Zhang等人开发的预测模型（Model 1）进行外部验证。随后，研究者在相同变量基础上对模型进行重新校准（Model 2）和优化（Model 3），引入更多临床变量如白细胞升高、合并症等，以提高模型预测能力。研究采用Fine-Gray竞争风险模型计算治疗失败累积发生率，使用Gray检验进行组间比较。通过ROC曲线和AUC值评估模型的预测性能，并在不同治疗组（一线伊马替尼 vs 二代TKI）中进行亚组分析。

关键结论与观点

• 原始Zhang模型（Model 1）在法国队列中预测效能显著下降，仅能区分低风险与高风险组，但中间风险组无法有效分离。
• 本地校准模型（Model 2）在法国队列中表现出一定区分度，但AUC值仍低于亚洲队列，提示模型需进一步优化。
• 通过引入更多变量（如性别、白细胞升高、合并症、高风险染色体异常），优化模型（Model 3）在法国队列中显示出更好的风险分层能力，但仍低于亚洲队列中Zhang模型的表现。
• 法国队列中高风险ACAs比例高于亚洲队列，提示其在欧洲人群中的重要性可能被低估。
• 研究强调人口学、临床特征和治疗方案在预测模型开发中的重要性，建议开发本地或人群特异性工具以优化CP-CML治疗决策。

研究意义与展望
该研究揭示了不同人群在预测TKI治疗失败方面的差异，提示单一模型难以适用于全球所有人群。未来研究应结合早期治疗反应和动态随访数据，开发更精准的动态预测算法。此外，加强国际多中心合作，构建多族裔队列，有助于提升模型泛化能力。

 

提供iPSC基因编辑技术服务，支持疾病建模、再生医学、药物筛选等研究，快速构建稳定细胞株。

了解更多

 

结语
本研究评估了Zhang等人开发的TKI治疗失败预测模型在法国真实世界CP-CML队列中的适用性，发现其在欧洲人群中预测效能有限。通过本地数据重建，研究识别出新的预测变量（如性别、白细胞升高、合并症和高风险ACAs），这些变量在欧洲队列中与治疗失败显著相关。研究强调了人群特异性模型开发的必要性，并建议结合动态治疗反应和早期随访数据，构建更精确的个性化预测工具。这些发现为未来开发多族裔、多中心预测模型提供了方向，并支持在真实世界数据基础上优化风险分层策略。

 

Sylvain Moinard, Benjamin Lebecque, Tom Lachaise, Céline Bourgne, and Marc G Berger. Evaluating a predictive model of tyrosine kinase inhibitor therapy failure in a European-type cohort: a step towards population-specific tools. Leukemia.