在癌症研究的漫长征程中，如何精准识别那些看似安静、实则暗流涌动的“前兆”或早期病变，一直是科学家和临床医生面临的巨大挑战。冒烟型多发性骨髓瘤（Smoldering Multiple Myeloma, SMM）正是这样一个典型的例子。它被认为是症状性多发性骨髓瘤（Multiple Myeloma, MM）的直接前兆，但患者在一段时间内没有任何骨髓瘤相关的临床症状（如CRAB症状：高钙血症、肾功能不全、贫血、骨病）。然而，SMM并非一成不变，其进展为活动性MM的风险存在高度异质性，从几年到几十年不等。这就引出了一个核心临床困境：如果对所有SMM患者都进行积极治疗，势必导致大量患者承受不必要的治疗副作用（过度治疗）；但如果只是观察等待，又可能错过最佳干预时机，导致部分高风险患者进展为MM并出现器官损伤。
长期以来，临床依赖如20/2/20模型和国际骨髓瘤工作组（International Myeloma Working Group, IMWG）模型等“静态”风险分层工具。这些模型主要基于诊断时的单次生物标志物检测值（如M-蛋白浓度、血清游离轻链（serum free light chain, sFLC）比值、骨髓浆细胞（bone marrow plasma cell, BMPC）比例等）来划分风险。然而，这些模型存在明显局限：它们无法捕捉生物标志物随时间的动态演变轨迹。疾病的生物学本质是动态发展的，一个稳定的生物标志物趋势可能意味着惰性疾病，而一个快速上升的趋势则预示着即将进展。现有模型无法区分这两种情况，导致一些高风险患者被低估，而一些稳定的患者可能被误判为高风险。此外，像IMWG模型依赖骨髓活检和细胞遗传学数据，这些在长期随访中并非总能方便获得，且结果可能因浆细胞浸润的斑片状分布而不一致。
为了突破现有静态模型的局限，实现更精准、动态的风险监测，一个由多个国际中心组成的研究团队开展了一项大规模研究。他们旨在回答：能否利用患者随访过程中常规检测的生物标志物（如M-蛋白、sFLC比值、肌酐、血红蛋白）的动态变化趋势，构建一个更优的风险预测模型？这项研究最终催生了“PANGEA-SMM”动态风险模型，其成果发表在顶级医学期刊《自然-医学》（Nature Medicine）上。
为了开展这项研究，研究人员主要采用了以下关键技术方法：首先，他们组建了一个大规模、国际多中心的回顾性纵向队列，共纳入2,344名SMM患者，其中1,031名来自美国丹娜-法伯癌症研究所（Dana-Farber Cancer Institute, DFCI）作为训练队列，另外1,313名来自希腊、英国、德国、西班牙、意大利的六个中心作为独立验证队列。其次，他们系统性地收集了这些患者在随访期间（中位随访时间3.7年）的纵向临床和生物学数据。核心分析方法是基于时间依赖性的多变量Cox比例风险回归模型。研究人员通过网格搜索和交叉验证，从七类候选定义中，为四种关键生物标志物（M-蛋白、sFLC比值、肌酐、血红蛋白）确定了最优的“动态”变化定义阈值。最终，他们训练出两个PANGEA-SMM模型：包含BMPC的“BM模型”和不包含BMPC的“无BM模型”，并利用C统计量、阳性预测值、校准曲线等指标，在多个独立队列中与现有的20/2/20和IMWG模型进行了全面比较和验证。
研究结果
确定动态生物标志物
研究人员从训练队列的数据中，识别出四种与较短进展时间显著相关的动态生物标志物趋势：
1. M-蛋白在18个月内增加≥0.2 g/dL。
2. 受累/非受累血清游离轻链比值在24个月内增加≥20。
3. 肌酐在12个月内增加>25%。
4. 血红蛋白在12个月内下降≥1.5 g/dL。
这些动态定义可以在随访的任何时间点重新评估，而不依赖于基线值。研究发现，将这些动态趋势作为预测因子加入模型，能显著提高风险预测的准确性。
训练和验证PANGEA-SMM
基于上述定义，研究人员训练了PANGEA-SMM BM和无BM模型。模型将患者分为低危（预测2年进展风险<10%）、中危（10%-40%）和高危（>40%）三组。
• 风险分层更精准 ：在验证队列中，PANGEA-SMM识别出的高危患者，其实际的2年进展率显著高于20/2/20模型识别出的高危患者。例如，在验证队列1中，PANGEA-SMM BM模型高危组的2年进展率为49.0%，而20/2/20高危组仅为33.2%。
• 预测准确性更高 ：PANGEA-SMM在区分患者进展快慢的排名准确性（C统计量）上全面优于20/2/20模型。基于对五个验证队列的荟萃分析，PANGEA-SMM BM模型的整体C统计量比20/2/20模型高出0.07（相对提高9.6%）。即使在患者历史数据缺失或随访频率降低的情况下，PANGEA-SMM依然表现优异。
• 临床应用实例 ：文章通过具体患者案例展示了PANGEA-SMM的早期预警能力。例如，一名患者的M-蛋白始终未超过2 g/dL，因此从未被20/2/20模型判定为高危。但在随访2.5年后，其肌酐和sFLC比值出现上升趋势，被PANGEA-SMM模型捕捉到，并判定为极高危。该患者在此风险预警出现8个月后确进展为MM，比20/2/20模型预警提前了6个月。
PANGEA-SMM校准
模型校准性评估显示，在大多数验证队列和亚组中，PANGEA-SMM预测的2年进展风险与实际观察到的进展率之间具有良好的一致性，其校准精度与20/2/20模型相似或更优。
细胞遗传学标志物
研究还探讨了加入荧光原位杂交（fluorescence in situ hybridization, FISH）细胞遗传学标志物是否能够进一步改善PANGEA-SMM模型。结果发现，将国际骨髓瘤学会（International Myeloma Society, IMS）在2025年提出的新型高风险细胞遗传学定义（即t(4;14)、t(14;16)或t(14;20)中任一，联合1q增益或1p缺失）加入PANGEA-SMM BM模型后，能进一步显著提高风险分层能力。
验证与透明度
为了促进科学讨论和透明度，团队开发了一个开放存取的验证应用程序和临床计算器（
https://pangeamodels.org ）。临床医生和研究人员可以上传患者数据，获取PANGEA-SMM的风险评分，并能在灵活的亚群中探索和比较PANGEA-SMM与20/2/20模型的性能。
研究结论与意义
本研究的核心结论是，通过整合常规生物标志物的动态演变信息，PANGEA-SMM模型能够比现有的20/2/20和IMWG模型更准确、更早地预测SMM患者向活动性MM进展的风险。它解决了当前静态模型无法反映疾病动态生物学行为的根本局限。
这项研究具有重要意义。首先，它为临床决策提供了更强大的工具。PANGEA-SMM能够实现动态风险监测，帮助医生更精准地识别出那些真正需要早期干预的高危患者，同时避免对低危患者的过度治疗，从而实现真正的个体化管理。这对于指导当前多项针对高危SMM的早期治疗临床试验（如使用达雷妥尤单抗等药物）的患者筛选至关重要。其次，PANGEA-SMM具有很高的临床实用性和可及性。模型所需数据均为常规临床检测项目（血常规、生化、免疫固定电泳等），即使在没有患者完整病史、近期骨髓活检或FISH结果的情况下也能使用（无BM模型），这使得其易于在全球不同医疗资源的机构中推广。最后，该研究基于迄今为止最大的SMM纵向队列之一，并经过了多个国际独立中心的严格验证，增强了研究结果的可靠性和普适性。
总之，PANGEA-SMM代表了对MM前驱疾病风险分层理念的一次重要革新——从静态快照转向动态电影。它通过将易于获取的生物标志物动态变化转化为精准的风险预警，有望优化SMM的临床管理路径，改善患者预后，并为未来整合更多新型生物标志物（如下一代测序、循环肿瘤细胞、质谱检测M-蛋白等）奠定了基础。
打赏
