《British Journal of Haematology》:Development and validation of a model for stratifying haematological malignancy risk in primary care using basic blood tests
编辑推荐:
血液系统恶性肿瘤在初级医疗中较为罕见且难以预测。现有预测模型通常需要特定的初步诊断,并基于大量临床信息,而这些信息在初级医疗的初始检查阶段可能获取受限。本研究旨在利用简单的数据输入,开发一种用于评估初级医疗患者血液系统恶性肿瘤总体风险的工具。研究纳入了丹麦东部
血液系统恶性肿瘤在初级医疗中较为罕见且难以预测。现有预测模型通常需要特定的初步诊断,并基于大量临床信息,而这些信息在初级医疗的初始检查阶段可能获取受限。本研究旨在利用简单的数据输入,开发一种用于评估初级医疗患者血液系统恶性肿瘤总体风险的工具。研究纳入了丹麦东部856,403名初级医疗成年患者于2000年至2016年间检测的全部全血细胞计数(FBC),采用机器学习方法开发了CBC-HEMA风险评估工具。该工具利用FBC、年龄、性别及C反应蛋白(CRP)测量值,对6个月、1年和3年内"任何血液系统恶性肿瘤"风险进行分层,受试者工作特征曲线下面积(AUC)分别为0.81、0.78和0.71。模型对慢性淋巴细胞白血病(CLL)和骨髓增殖性疾病(MPD)的预测效果优异,而CBC-HEMA无法准确预测非霍奇金淋巴瘤(NHL)和浆细胞病(PCD)。外部验证在丹麦西部123,015名初级医疗患者中进行,结果相似;在418,410名来自背景人群队列英国生物银行(UK Biobank)的个体中表现较差,显示其不适用于健康人群筛查。CBC-HEMA(https://shiny.sund.ku.dk/CopLab/blood-cancer-risk-prediction/)可支持初级医疗中的风险评估,但不能替代临床评估。
论文解读
一、研究背景与问题
血液系统恶性肿瘤在初级医疗中较为罕见,大多数全科医生(GP)在整个职业生涯中仅会遇到少数病例。不同医疗体系对初级医疗向专科医疗转诊的指南存在差异,但多数建议基于世界卫生组织(WHO)诊断指南的更新版本。然而,将这些诊断指南作为初级医疗人群的转诊标准面临挑战,因为在初级医疗背景下,多种鉴别诊断更为常见。例如,嗜酸性粒细胞增多或单核细胞增多可能提示慢性白血病具有较高的相对风险,但绝对风险仍然很低。
现有血液系统恶性肿瘤风险预测模型日益增多,但多数模型缺乏外部验证,且临床应用受限,主要原因有二:其一,多数模型预测特定类型的血液系统恶性肿瘤;其二,多数模型需要大量预测变量,包括多种生化分析和分子数据。在初级医疗中,医生往往并不怀疑特定血液学诊断,而是需要在初始检查结果异常后决定是否进行额外检测或专科转诊。既往研究表明,全血细胞计数(FBC)在诊断前阶段与多种血液系统恶性肿瘤密切相关,且FBC通常在诊断过程中早期即可获得。因此,研究人员旨在开发一种基于机器学习的临床分诊工具,仅利用FBC计数、C反应蛋白(CRP)和人口统计学信息,量化初级医疗患者发生任何血液系统恶性肿瘤的风险,以支持全科医生在无需额外实验室检测或初步血液学诊断的情况下做出转诊决策。
二、研究设计与方法
研究人员利用哥本哈根初级医疗实验室数据库(CopLab),该数据库包含2000年至2015年间哥本哈根大区初级医疗医生开具的所有实验室检测结果。研究纳入2006年至2015年间至少有一次FBC记录的成年(≥18岁)丹麦居民,排除既往有血液系统恶性肿瘤者。最终研究人群包含856,403名个体(共3,409,381次FBC检测),中位年龄47岁,血液系统恶性肿瘤发病率为每10万人年105例。
研究采用以下关键技术方法:将CopLab队列按60:40随机分为训练集和内部验证集,个体完全分离;在训练集中,识别血液系统恶性肿瘤诊断前6个月、1年或3年内获得的FBC,以死亡和移民作为竞争事件;对每个病例按年龄和性别匹配5个对照事件;训练堆叠式监督机器学习集成模型,使用人口统计学变量、FBC参数、CRP和日历月份作为预测变量;由于病例对照设计导致疾病患病率膨胀,在内部验证队列子集中对集成模型预测进行重新校准以反映真实人群发病率;因数据治理限制无法导出训练好的集成模型,开发了基于树的替代模型CBC-HEMA,使用相同预测变量并校准以复现集成模型预测,实现完整的外部验证。外部验证在两个独立队列中进行:丹麦西部初级医疗真实世界数据(WDK,123,015人)和英国生物银行(UKB,418,410人)。
三、研究结果
预测性能。 CBC-HEMA在CopLab中预测6个月、1年和3年内任何血液系统恶性肿瘤的AUC分别为0.81(95%置信区间[CI] 0.80–0.83)、0.78(95% CI 0.77–0.79)和0.71(95% CI 0.70–0.72)。校准曲线显示风险轻度低估,但校准总体可接受。模型对慢性淋巴细胞白血病(CLL)和骨髓增殖性肿瘤(MPN)的6个月风险预测最为精确,而对非霍奇金淋巴瘤(NHL)和浆细胞肿瘤(PCD)的预测能力较弱。所有诊断亚组的预测性能随时间衰减,但CLL、骨髓增生异常综合征(MDS)和MPN的衰减最小,3年预测几乎与6个月结果相当。
与标准诊疗的比较。 每3个月,CopLab参与者中有0.12%被转诊至血液科医生,其中61%实际就诊,39%被血液科医生拒绝。在血液科门诊中,26%接受检查的患者获得诊断,初级医疗转诊后确诊血液系统恶性肿瘤的阳性预测值(PPV)为21%。CBC-HEMA的PPV在阈值概率低于1.5%时劣于历史转诊,在高于该水平的阈值范围内优于历史转诊。基于WHO 2022年和2016年指南的简单实验室截断值分别在38%和29%的CopLab参与者中被违反,预测血液系统恶性肿瘤的PPV低于0.3%。决策曲线分析显示,与实验室截断值相比,CBC-HEMA预测具有优越性;对于低于10%的阈值概率,CBC-HEMA相较于历史转诊具有增加的净获益。
外部验证。 在WDK中,CBC-HEMA预测总体血液系统恶性肿瘤的AUC与CopLab结果相当,而在UKB中观察到较低的AUC。与CopLab一致,WDK中CLL和MPN的6个月风险预测性能最佳,且预测能力随时间持续。WDK的PPV与CopLab结果相当,而UKB的PPV较差。
四、讨论与结论
讨论总结。 CBC-HEMA预测"任何血液系统恶性肿瘤"的性能接近Hippisley-Cox等人报告的初级医疗实体肿瘤预测回归模型(AUC 0.82–0.92),但预测变量集更为简单,这很可能归因于模型堆叠和机器学习方法。然而,CBC-HEMA的判别能力在不同诊断间差异显著:对CLL、MDS和MPN性能较高,而对副蛋白相关疾病和NHL几乎无法区分。淋巴瘤和副蛋白相关疾病在诊断前阶段仅偶尔影响FBC指标,即使采用先进的机器学习方法,FBC可能过于不特异而无法检测这些恶性肿瘤。相反,CBC-HEMA在急性髓系白血病(AML)预测方面与Abelson等人基于年龄、性别、50项实验室指标和突变谱训练的模型(AUC 0.76–0.82)相当。UKB外部验证性能较低可能部分归因于健康志愿者效应,因为UKB的FBC仅在基线时测量。在健康个体中筛查罕见疾病存在过度诊断风险,UKB中较差的预测结果强调CBC-HEMA不能作为一般筛查工具迁移使用。若用于人群筛查,需要在背景人群数据集中重新校准或重新训练。研究优势包括CopLab队列的大样本量和基于人群的设计、与丹麦全面登记系统的关联、预测变量和结局变量评估的同质性、训练集与内部验证集的完全分离以及多种缺失数据处理方法。局限性包括缺乏初级医疗临床观察数据,以及纳入更多具有已知预测/诊断价值的实验室指标(如红细胞分布宽度、红细胞沉降率和血浆黏度)可能改善预测。研究还指出,纳入采血季节作为预测变量要求在南半球使用前重新校准模型,且模型未经验证用于儿童或预测继发性血液系统恶性肿瘤。
结论翻译。 研究人员开发了CBC-HEMA,一种利用全血细胞计数(FBC)指标、CRP、年龄和性别对初级医疗患者任何血液系统恶性肿瘤风险进行分层的模型。该模型基于丹麦东部初级医疗超过800,000名个体的数据训练和验证,并在丹麦西部初级医疗超过120,000名个体和英国生物银行超过400,000名个体中进行外部验证。模型对CLL和MPN显示出高准确性,但无法预测NHL和浆细胞病。模型优于简单实验室截断值,在决策曲线分析中尤其在低至中等风险患者中显示出增加的临床获益。CBC-HEMA可辅助初级医疗中血细胞计数升高患者的临床决策,但不能独立于临床评估指导转诊。未来机器学习模型中纳入初始临床评估时的临床症状信息可能有助于改善预测。计算器访问地址:
https://shiny.sund.ku.dk/CopLab/blood-cancer-risk-prediction/ 。