机器学习与深度学习驱动的生存分析临床终点动态预测:系统综述、PK/PD整合与监管科学视角

《CPT: Pharmacometrics & Systems Pharmacology》:Dynamic Prediction of Clinical Endpoints in Survival Analysis With Machine and Deep Learning: A Systematic Review and Regulatory Perspective

【字体: 大 中 小 】 时间:2026年10月10日 来源:CPT: Pharmacometrics & Systems Pharmacology 2.8

编辑推荐:

  时间-事件结局(time-to-event outcomes)的准确预测对于临床决策和模型引导的药物开发(model-informed drug development, MIDD)至关重要。传统生存模型可能无法充分表征复杂的纵向患者轨迹、时间依赖治疗以及不断

  
时间-事件结局(time-to-event outcomes)的准确预测对于临床决策和模型引导的药物开发(model-informed drug development, MIDD)至关重要。传统生存模型可能无法充分表征复杂的纵向患者轨迹、时间依赖治疗以及不断演变的生物标志物或药代动力学/药效动力学(pharmacokinetic/pharmacodynamic, PK/PD)特征。近年来,机器学习(machine learning, ML)和深度学习(deep learning, DL)的进展使动态生存模型成为可能,这些模型可在新的纵向信息出现时更新个体化风险预测。该报告系统综述了动态生存建模框架,包括具有时变协变量的Cox比例风险(Cox proportional hazards, CPH)扩展、离散时间landmarking策略、随机生存森林(random survival forests, RSF)以及深度学习方法,如DeepHit、Dynamic-DeepHit和神经常微分方程(neural ordinary differential equations, ODEs)。应用范围涵盖脓毒症检测、癌症预后和神经退行性疾病进展。在有纵向数据时,动态模型通常获得与静态Cox模型相当或更好的区分度;然而,校准很少报告,外部验证不常见,且将PK/PD特征整合到动态生存框架中仍探索不足。将暴露-反应建模与动态ML/DL整合可能推进精准给药、支持适应性试验设计,并增强药物研究中的转化相关性。包括ICH M15和FDA关于药物开发中人工智能(artificial intelligence, AI)的草案指南在内的新兴监管框架,进一步强调明确界定的使用场景(contexts of use)、基于风险的模型评估、可信度和透明报告。ML/DL、PK/PD和监管科学交叉点上的动态预测,是通向可临床部署模型以指导药物开发和监管决策的一条有前景路径。
1 Introduction
时间-事件结局(time-to-event outcomes),如无进展生存(progression-free survival, PFS)、总生存(overall survival, OS)和至剂量限制性毒性时间,是临床开发、剂量选择、试验富集和获益-风险评价的核心。传统统计模型仍广泛使用,但Cox比例风险(Cox proportional hazards, CPH)或参数时间-事件模型虽提供可解释风险比,却常假设比例效应,并忽略药物暴露(PK/PD)和生物标志物轨迹中的纵向信息,因而可能不适合现代试验中高维、不规则采样的数据。ML/DL方法通过灵活建模非线性关系和利用时变协变量全历史,克服许多限制;循环神经网络(recurrent neural networks, RNN)、长短期记忆(long short-term memory, LSTM)网络、时间卷积网络、基于注意力的Transformer和神经常微分方程(neural ordinary differential equations, Neural-ODE)模型可摄入连续给药、浓度和生物标志物数据,并产生动态风险函数。动态ML/DL生存模型因此可用于模型引导的精准给药和适应性试验设计。传统药效学实践中暴露-反应模型需在新数据出现时全面重拟合,耗时且不适合实时临床决策支持;动态模型可即时更新预测,更好反映患者状态。既往综述未专门聚焦动态、时间更新预测框架或PK/PD暴露数据整合,本文对此进行综合。

2 Methods
2.1 Search Strategy
研究人员以PubMed为主要来源,检索策略包含“machine learning”“deep learning”“artificial intelligence”“neural network”“prediction/prognostic/risk model”“clinical/disease”“survival”,并补充试验注册和相邻来源。识别阶段记录PubMed 6101条、注册来源29条;排除无合格全文、非英文、发表超过10年等记录后,5855条进入标题/摘要筛选;排除明显超范围文章类型、动物研究等后,3728篇进入 eligibility 评估;最终保留75项。纳入标准要求AI/ML模型开发或应用于人类研究数据、生存/时间-事件终点、定量性能报告,并具有明确药物开发相关性,如PFS/OS、毒性、暴露-反应、患者分层或剂量优化。约30篇来自PubMed之外,因临床试验相关ML生存研究、申办方合作、工程会议或PK/PD分析可能索引延迟或不一致。搜索侧重药物开发相关性,限制在4.1讨论。

3 Results
共纳入75篇论文:7篇综述、56篇方法学论文、12篇应用研究,反映方法学创新占主导。ML生存模型已用于COVID-19死亡率预测、卵巢癌生存预测等。动态生存模型总结涵盖患者数、观察窗、预测窗和AI模型。

3.1 Model Architecture
DL架构最常见,约占60%,但许多分析也评估Cox回归变体和树集成作为基准或替代。模型类别包括Cox基础、树集成和深度神经网络。

3.1.1 Cox-Based Models
CPH模型仍是强基线,可通过风险比提供可解释性。时间依赖Cox或非比例风险扩展可处理纵向数据;惩罚Cox(LASSO、elastic-net)用于高维特征选择,在基因组或多组学研究中产生紧凑风险评分。Cox模型在许多数据集中区分度有竞争力,但比例风险和线性协变量效应限制其在高度非线性或时变关系中的表现。

3.1.2 Tree-Based Models
集成树方法,尤其随机生存森林(random survival forests, RSF)和梯度提升机(gradient boosting machines, GBM),常用于动态预测。其非参数特性可自动捕捉交互和非线性效应,在异质数据中常优于Cox。RSF有时优于Cox和临床列线图;SHAP(Shapley Additive Explanations)用于识别预后因素。RF-SLAM、功能生存森林、XGBoost等被用于同时建模生存和纵向结局。树模型对缺失和非线性稳健,并通过变量重要性保持一定可解释性。

3.1.3 Neural Network Models
DL是最大类别,从DeepSurv等深度Cox网络到RNN和Transformer。DeepSurv常与树集成竞争;LSTM/RNN摄入时间序列并连续更新风险。DeepAISE在重症监护中提前4小时预测脓毒症,AUC约0.90。Transformer可捕捉长程依赖,TransformerLSR可联合建模纵向测量、生存结局和复发事件。多任务网络和Neural-ODE生存模型整合机制动态。DL可获得高C-index,但需大样本和仔细验证;小样本时未必显著优于Cox。注意力权重、显著性图等被用于缓解黑箱问题。

3.2 Temporal Design
动态预测的关键是时间处理,包括离散或连续时间、预测是否更新、纵向协变量如何纳入、观察窗和预测时域。

3.2.1 Discrete-Time Models
许多ML/DL模型将生存问题离散化,把随访分为区间并预测每区间事件概率,常见于神经网络如DeepHit、Dynamic-DeepHit。离散时间公式处理删失和竞争风险灵活;超过一半DL模型采用离散时间风险输出。其可产生任意预测时域,但敏感于区间粒度,粗区间降低时间分辨率,细区间增加计算负担和数据需求。

3.2.2 Continuous Time Models
经典Cox模型本质连续;DeepSurv和Cox-Time优化连续事件时间的偏似然,Neural-ODE学习平滑风险函数。连续时间方法避免分箱偏倚,自然处理不规则数据。Neural-ODE整合纵向肿瘤测量预测总生存,可外推肿瘤生长轨迹,C-index高于传统肿瘤生长曲线模型。连续模型适合药物监测和实时更新,但可能需要平滑假设,数据极稀疏时困难。

3.2.3 Dynamic Versus Static Prediction
动态模型在新患者数据到达时更新风险;静态模型仅用基线信息。多数研究旨在动态更新;RNN或时变Cox模型天然动态。Landmarking是半动态策略,在固定时间点用截至该点的数据预测。研究人员使用landmark Super Learner结合Cox和RSF,随生物标志物历史演变动态预测风险。动态模型通常区分度等于或优于静态模型,尤其在较长时域。

3.2.4 Use of Longitudinal Covariates
方法从简单最新值或累积剂量到时变Cox,到联合模型和函数数据分析利用完整轨迹。RSF可以生物标志物轨迹为函数协变量;功能生存森林捕捉多变量纵向轨迹。ML中可工程化斜率、变异性等特征;DL通常摄入原始序列,RNN累积全部历史,Transformer关注过去相关事件。多任务训练可同时预测生物标志物未来值和生存结局。利用纵向信号越多,性能可能越好,但模型复杂度和数据需求增加。

3.2.5 Observation Windows and Prediction Horizons
观察窗是预测时提供的历史数据跨度,预测时域是预测未来多久。急性病常用30天或90天死亡率,慢性病或癌症常用1、3或5年生存。ICU高频数据观察窗可短至6–12小时以预测24小时;慢性病可包含多年门诊数据。实时风险模型可处理不规则采样并连续更新。观察窗应足够长以捕捉相关历史,但不应包含过时信息;预测时域取决于临床背景。

3.3 Drug Exposure and PK/PD Integration in Dynamic Prediction
即时临床风险常与时间变化药物暴露及下游PD效应机制相关。忽略暴露异质性会衰减治疗效应并模糊获益时间;整合PK/PD可随剂量、浓度和生物标志物更新个体风险,对齐滴定、治疗药物监测(therapeutic drug monitoring, TDM)和获益-风险评价决策点。正确指定Cox模型可恢复暴露-反应关系,错误指定暴露函数或忽略混杂会扭曲风险。纵向暴露可直接测量,如谷浓度、峰浓度、超阈值时间、滚动或周期AUC及临床有意义滞后,也可通过群体PK模型获得个体C(t)或AUC(t)轨迹及效应位信号E(t)。许多暴露-反应通路由纵向PD生物标志物介导,因此应同时纳入PK和PD协变量。舒尼替尼治疗GIST患者中,模型预测PD生物标志物(sVEGFR-3 REL和肿瘤大小变化)与暴露AUC共同进入Weibull时间-事件模型后,PD协变量取代AUC成为总生存主要预测因素,改善拟合(ΔOFV=51.6)和校准。但同时纳入PK和PD时需考虑混杂,如血清白蛋白既可能预后相关又决定药物清除。所提框架整合群体PK模型与ML/DL生存分析,估计清除率(CL)和分布容积(V)及其个体变异,患者特异性PK谱和基线协变量可被纳入。衍生PK指标如剂量强度、AUC和浓度-时间曲线进入PKPD模型,评估不良事件和肿瘤动态(TSR、Tumor(t)),预测OS/PFS并指导剂量和方案调整。有限研究应用ML/DL检测或预测PK/PD相关临床终点,但其处理复杂、非线性和时间依赖暴露-反应关系具有优势。建模族包括:时变Cox容纳C(t)、AUC(t)、剂量强度和滞后暴露,保留可解释性;landmarking适合周期边界更新;树生存方法学习暴露与合并症间阈值和高阶交互;神经生存模型如DeepSurv/Cox-Time、离散时间风险网络、多任务网络和Neural-ODE生存模型;深度联合模型包括Transformer架构,可表示纵向测量、生存甚至复发事件。

3.4 Regulatory Perspective
动态ML/DL生存模型与模型引导的药物开发(model-informed drug development, MIDD)交叉。ICH M15和FDA AI草案指南相关。ICH M15提出MIDD证据统一框架,强调问题明确、使用场景(context of use, COU)和模型风险/影响、透明文档。FDA草案提出基于风险的可信度框架,验证、确认和外部评估程度应与监管影响成比例。COU决定所需可信度证据:高影响用途需更广泛外部验证和敏感性分析。ICH M15 fit-for-purpose原则在不同模型类别应用不同:联合模型和landmark Cox基于显式参数假设,便于可信度评估;黑箱DL如RNN、Transformer或Neural-ODE生存模型区分度高,但内部表示不可直接解释,因此更依赖经验性能证据,包括独立队列外部验证、校准评估和可解释性分析。IMDRF的SaMD框架和FDA的GMLP原则强调生命周期管理、数据质量、模型监测和性能漂移检测;EU AI Act引入风险分级义务,临床预测工具可能被归为高风险。外部验证、可迁移性和亚组性能是共同期望,但多数研究仅报告内部验证。对于整合PK/PD特征的模型,监管可信度还取决于暴露推导、外部验证和不确定性表征的清晰文档。

4 Discussion
动态ML/DL模型应用广泛。急性护理中RNN和CNN处理高频生命体征和实验室流以预测脓毒症或死亡;DeepAISE提前4小时预测脓毒症。慢性病和肿瘤中动态生存模型利用多年纵向数据预测多年生存或进展。Landmarking和super-learner集成提供实用折中。模型架构和时间设计紧密关联:Cox和树模型主要连续时间固定预测,DL更多动态更新;landmarking是传统Cox近似动态更新的主要策略。当前证据有缺口:时间设计参数变化大,许多研究只报告区分度,校准和临床效用分析少;外部验证罕见;少数模型明确整合PK/PD,多数仅用时变临床协变量。删失处理多假设非信息删失,部分研究用IPCW,联合模型部分处理信息性脱落,但无研究在训练中明确建模或检验信息删失。监管上,ICH M15和FDA AI指南强调使用场景、风险-影响评估和透明报告。未来需标准化报告时间参数、校准与区分度、外部验证;动态模型应结合可解释性工具,混合方法嵌入机制PK/PD或疾病模型,建立共享基准和纵向数据集。

4.1 Limitations
搜索限于PubMed,可能遗漏其他数据库或灰色文献。未进行正式偏倚或方法学质量评估如PROBAST。研究人群、终点、预测时域、验证设计和性能指标异质,无法meta分析,采用定性和描述性综合。未来可多数据库检索、正式质量评价,并在方法学一致性足够时进行meta分析。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号