1 引言
免疫检查点抑制剂（ICIs）已深刻改变了许多晚期恶性肿瘤的治疗格局。然而，ICIs的使用通常伴随一系列与治疗相关的器官毒性，称为免疫相关不良事件（irAEs）。大多数irAEs表现为轻度，但少数可能危及生命，例如肺炎、神经系统疾病和心肌炎。肺炎是最常见的致命性irAE，在接受抗程序性死亡蛋白1（PD-1）或抗程序性死亡配体1（PD-L1）抗体治疗的患者中死亡率为28%。irAEs可能阻碍临床获益并限制ICIs的使用，导致癌症患者预后更差。因此，早期预测irAEs至关重要，它有助于识别易发生irAEs的高风险患者并及时干预。
已有文献表明几种潜在的生物标志物可作为irAEs的早期预测因子。这些生物标志物主要来自外周血参数，例如中性粒细胞与淋巴细胞比值（NLR）、血小板与淋巴细胞比值（PLR）和淋巴细胞与单核细胞比值（LMR）。基因组学、细胞因子、自身抗体以及肿瘤微环境也可作为生物标志物，但在实际临床实践中通常不使用。此外，已有一些模型被开发用于预测irAEs，例如用于评估黑色素瘤患者严重免疫相关毒性的细胞因子毒性评分，以及一个包含9种脂质用于预测非小细胞肺癌（NSCLC）患者irAEs的模型。然而，这些生物标志物和预测模型未能覆盖其他恶性肿瘤，也无法准确预测irAEs。本研究旨在调查与irAEs相关的患者风险因素，并开发一个用于评估irAEs风险的预测模型，使接受ICIs的泛癌患者能够进行早期风险筛查和干预。
2 方法
2.1 研究设计与参与者
本研究筛选了2019年1月至2023年5月期间在厦门大学附属中山医院接受抗PD-(L)1免疫治疗的经病理学确诊的癌症患者。所有患者年龄≥18岁且其癌症处于活动期。排除标准如下：(i)先前接受过抗PD-(L)1免疫治疗的患者；(ii)仅接受过一剂PD-(L)1抑制剂的患者；(iii)参与过盲法临床试验的患者；(iv)缺乏基线信息或完整随访信息的患者。最终，共有680名患者被纳入本研究。
2.2 数据收集
患者特征从医疗记录系统获取。我们收集了年龄、性别、美国东部肿瘤协作组体能状态（ECOG PS）、身体质量指数（BMI）、吸烟史、肿瘤类型、临床分期、合并症等信息。计算Charlson合并症指数（CCI）以定量评估个体患者的合并症。收集基线血液数据（定义为ICIs开始前1周内采集的数据），包括全血细胞计数和生化指标。计算了NLR、PLR、LMR、衍生中性粒细胞与淋巴细胞比值（dNLR）、预后营养指数（PNI）、全身免疫炎症指数（SII）和老年营养风险指数（GNRI）。
2.3 irAEs的定义
使用美国国家癌症研究所不良事件通用术语标准（CTCAE）（5.0版）确定患者的不良事件。irAEs被定义为ICIs通过增加免疫系统活性诱导的炎症性副作用。在本研究中，在ICIs治疗开始后3个月内评估irAEs，因为据报道irAEs的发生率在前12周达到高峰。如果患者至少有一种irAE，则被纳入irAEs组。
2.4 统计分析
连续变量以均数±标准差或中位数（第25，75百分位数）表示，分类变量以数字（百分比%）表示。对连续变量进行T检验或Mann–Whitney检验，对分类变量使用卡方检验或Fisher精确检验进行分析。进行10折交叉验证的Logistic最小绝对收缩和选择算子（LASSO）回归分析，以识别与irAEs最相关的变量。通过引入LASSO回归分析中选择的特征，使用多变量Logistic回归分析构建预测模型。p值<0.05被认为具有统计学显著性。
3 结果
3.1 患者特征
总体而言，680名符合条件的患者被纳入研究。患者特征总结在表1中。中位年龄为61岁（范围22-87岁），男性占多数（76.62%）。大多数患者ECOG PS为0/1（91.62%）。最常见的肿瘤类型是非小细胞肺癌（26.47%），其次是肝癌（20.44%）和食管癌（12.21%）。值得注意的是，631名患者在ICIs治疗前处于III/IV期（92.79%）。此外，278名患者接受ICIs单药治疗（40.88%），而402名患者接受了联合治疗（59.12%）。433名患者（63.68%）将PD-(L)1抑制剂作为一线治疗。同时患有消化系统疾病、心血管疾病和呼吸系统疾病的患者分别占总人口的46.32%、30.15%和21.62%。在680名参与者中，绝大多数患者（85.00%）的CCI评分≥3。
3.2 irAEs总结
在330名（48.53%）患者中，报告了455种不同类型的irAEs，其中52起事件的严重程度为3级或更高。严重irAEs的发生率为6.32%（43/680）。没有因irAEs导致的死亡。在发生irAEs的患者中，256名患者（37.65%）发生了单一的irAE，而74名（10.88%）患者患有多系统irAEs。在器官相关毒性中，内分泌毒性发生率最高（174/680，25.59%），紧随其后的是皮肤毒性（79/680，11.62%）和肝脏毒性（65/680，9.56%）。在所有等级的irAEs中，亚临床甲状腺功能减退（63/680，9.26%）、淀粉酶/脂肪酶升高（53/680，7.79%）、甲状腺功能减退（47/680，6.91%）、转氨酶升高（47/680，6.91%）和皮疹（41/680，6.03%）最为普遍。最常见的严重irAEs（≥3级）是皮疹（12/680，1.76%）、肝炎（10/680，1.47%）、肺炎（6/680，0.88%）和结肠炎（5/680，0.74%）。任何irAE发生的中位时间为39天（范围0-97天）。irAEs导致49名（7.21%）患者治疗中断，其中22名（3.24%）患者永久停药。有64名患者（9.41%）接受了全身性类固醇治疗。
3.3 基于LASSO-Logistic回归分析的irAEs风险评估预测模型开发
使用LASSO回归分析筛选了61个参数，包括人口学特征、临床特征、实验室检查结果，这些变量的系数变化特征如图3A所示。我们采用10折交叉验证方法选择惩罚项λ。当log(λ)为-1.606（λ=0.02475028）时，模型误差最小，并筛选出14个变量（图3B）。筛选出的变量包括嗜碱性粒细胞百分比（BASO%）、血红蛋白（Hb）、淋巴细胞绝对值（ALC）、嗜碱性粒细胞绝对值（ABC）、淋巴细胞百分比（LYM%）、NLR、PLR、PNI、LMR、血尿素氮（BUN）、CCI评分、ECOG PS、乙型肝炎/乙型肝炎表面抗原携带者和肝癌（表2）。进一步采用逐步后退法的Logistic回归分析基于LASSO回归筛选的变量构建模型。最终，BASO% > 0.55、Hb > 130.50、ALC > 1.18、PLR < 135.01、LMR > 3.16、BUN < 6.17、CCI评分 ≥ 3、ECOG PS 0/1和乙型肝炎/乙型肝炎表面抗原携带者被纳入构建预测模型（图4）。
3.4 预测模型的可视化与评估
如图5所示，我们开发了一个列线图来可视化已建立的预测模型。在列线图中，每个预测因子都有相应的“分数”，然后通过将九个预测因子的分数相加，通过总分可以获得概率。线越长，风险因素对irAEs的贡献越大。模型的C指数为0.727（95%置信区间，0.689-0.764），这表明列线图在预测irAEs概率方面具有中等准确性。这在接受者操作特征（ROC）曲线中也得到了证明（图6A）。校准曲线表明，我们模型预测的irAE概率与实际irAE概率呈正相关。并且我们的模型具有良好的校准度（图6B）。此外，我们应用决策曲线分析（DCA）来探索模型的潜在临床获益，结果显示当阈值概率在15%至85%之间时，其显示出显著的净获益（图6C）。此外，使用10折交叉验证进行内部验证以评估预测模型的稳健性，曲线下面积（AUC）为0.713（图7）。
4 讨论
ICIs已成为癌症治疗的里程碑，但不幸的是，irAEs不可避免地成为疗效的障碍。本研究准确描绘了泛癌患者接受ICIs治疗后真实世界的irAEs发生率和类型。在本研究中，调查了680名接受抗PD-1/PD-L1免疫治疗的癌症患者，发现irAEs的发生率为48.53%，其中3-5级irAEs占6.32%。这与现有的观察性研究相似，这些研究报告接受ICIs的患者所有级别的发生率为29.3%-49.4%，3-5级的发生率为2.0%-7.1%。与先前发现一致，内分泌毒性，特别是甲状腺功能障碍，是最常见的irAEs，在本研究中占所有irAEs的34.29%。
我们的主要分析集中在ICIs开始后的前90天，因为研究报告在此期间irAEs的发生率最高。早期irAEs的发生可能通过削弱治疗信心严重影响患者对免疫治疗方案依从性。因此，我们的研究致力于识别在3个月内可能发生irAEs的高风险患者。此外，迟发性事件的识别值得特别关注。未来的研究应纳入更长的随访窗口（≥6个月）。
与其他研究不同，我们应用LASSO回归分析筛选与irAEs发生有意义的相关因素。这种方法通过缩减回归系数来识别潜在变量，优于基于与结果单变量关联强度选择指标。此外，我们的研究基于9个变量建立了预测模型，AUC值为0.727，截断值为0.445。
现有文献表明，多项因素在不同研究中与irAEs的发生相关。循环血细胞计数及其比值，如ALC、单核细胞绝对值（AMC）、血小板计数、NLR、PLR和LMR，由于可获得性广、成本低且易于解释而受到广泛关注。基线ALC高（ALC > 1.18×109 /L）的患者发生irAEs的风险高于基线ALC低的患者。Xu、Teijeira等人的多项研究也发现了基线高ALC与ICIs相关毒性之间存在正相关关系。其他一些研究也发现基线PLR水平较低与irAEs发生率较高相关。在一项包含470名不同类型恶性肿瘤患者的研究中，Michailidou等人证明基线AMC > 0.29×109 /L且LMR > 1.37的患者发生irAEs的风险增加。与他们的结果一致，我们研究中PLR水平高且LMR水平低的患者发生irAEs的机会也较少。这可能表明外周淋巴细胞增多可导致T细胞亚群失衡，包括CD8+ T细胞和CD4+ T细胞的变化，这可能引发高炎症和自身免疫，从而增加毒性风险。
相当多的研究表明，基线嗜酸性粒细胞绝对值（AEC）是接受PD-(L)1抑制剂治疗患者发生irAEs的有力预测因子。然而，我们的结果表明AEC与irAEs的发展没有关联，但BASO%较高的患者更容易发生irAEs。此外，一些研究显示高嗜碱性粒细胞计数似乎对结果有利。但没有研究阐明嗜碱性粒细胞计数与irAEs发生之间的联系。嗜碱性粒细胞与irAEs之间的关系需要进一步研究。令人惊讶的是，我们发现基线BUN水平也被确定为重要的风险因素，这是一个前所未有的新发现。考虑到BUN水平可以反映肾功能水平，我们推测肾功能不全可能导致免疫稳态失调，最终导致irAEs发生。据我们所知，BASO%和BUN水平与irAEs之间的关联在先前文献中未曾报道。这一空白可能源于我们研究的单中心性质，这可能引入选择偏倚并限制这些发现的普适性。阐明BASO%和BUN与irAEs发病机制之间的潜在生物学机制对于验证它们作为预测生物标志物的潜力至关重要。虽然我们的回顾性分析只确定了统计相关性，但我们将在未来开展前瞻性、多中心研究，以确定这些因素是否确实是irAEs发生的重要风险因素。
Salman等人发现较低的Hb水平是irAEs发生的重要预测因子。然而，与他们的研究不同，我们的研究显示较高的Hb水平（Hb > 130.5 g/L）与经历irAEs的概率增加相关。这如何影响ICIs的毒性仍不清楚。CCI作为评估多种合并症的综合指数，是患者整体状况的良好指标，并已被研究作为irAEs发生的潜在预测因素。Onur等人揭示了在肺癌和肾细胞癌患者中，较高的CCI评分与irAEs之间存在显著关系。类似地，我们的研究表明，无论肿瘤类型如何，CCI评分≥3的患者更容易发生irAEs。随着合并症的增加，患者的脆弱性可能上升，导致对毒性的敏感性增加。
值得注意的是，我们发现ECOG PS≥2与任何级别的irAEs发生率较低显著相关，这与之前的报告相似。体能状态已被广泛认为是抗肿瘤反应的前提条件。如果irAEs源于ICIs的药效学活性，不良的PS可能表明免疫反应性受到抑制，从而导致发生irAEs的可能性较低。
在导致ICIs最初批准的大多数关键试验中，既往感染乙型肝炎病毒（HBV）的患者传统上被排除在外。关于这一特殊HBV感染癌症患者群体的免疫治疗安全数据在先前研究中非常有限。一些披露称，HBV感染患者与未感染患者之间ICIs诱导毒性的发生率没有差异。与未感染HBV的患者相比，我们研究中感染的患者发生irAEs的风险更高。ICIs可能潜在地触发HBV再激活，导致细胞因子和趋化因子的大量释放——这是免疫系统的重要组成部分。这些炎症因子会募集调节性免疫细胞，这可能加剧免疫失调并促进irAEs的发展。此外，还有一项研究表明基线HBV-DNA > 500 IU/mL的患者更容易发生irAEs。我们关于irAEs的发生与HBV感染相关的结论可能表明，接受ICIs的HBV感染癌症患者应进行密切监测。
基于已识别的与irAEs发生相关的风险因素，一些研究人员致力于构建整合这些变量的预测模型。已有一些预测接受ICIs的癌症患者发生irAEs的模型。2022年，Xu等人基于治疗线数、天冬氨酸氨基转移酶、乳酸脱氢酶、ALC和SII构建了一个模型。Gao等人建立了一个结合了治疗线数、ICIs联合治疗、ECOG PS、NLR、血小板和淋巴细胞的临床预测模型。然而，这两个模型都仅限于NSCLC患者，无法有效推广到其他人群。Zhao等人构建了一个基于治疗持续时间、肝转移、IL2水平和IL8水平的临床预测模型来估计irAEs风险。最近，Yu等人利用血浆脂质组学开发了一个快速有效的预测模型来识别irAEs，其指标主要包括溶血磷脂酰胆碱（LPC)-18:2、磷脂酰胆碱（PC)-40:6、LPC-22:6、LPC-O-18:0、磷脂酰丝氨酸（PS)-38:0、PC-38:6、PC-37:6、PC-36:5、LPC-17:0。该生物标志物组合在验证队列中表现出优异的AUC值0.940。Lim等人发现，在基线和治疗早期，有严重免疫毒性的患者中11种细胞因子显著升高。他们利用这11种细胞因子开发了细胞因子毒性评分，其AUC达到0.78，并表现出良好的预测性能。然而，这些模型的适用性受到限制，因为细胞因子水平或脂质组学图谱在临床环境中很少能测量到。与上述模型相比，虽然我们的模型性能确实逊于它们，但我们使用了在真实实践中更容易获得的临床和血液学参数。此外，我们在研究中纳入了大量泛癌患者；因此，我们的模型有望得到广泛应用。另外，我们还开展了前瞻性实验来探讨特定细胞因子（如IL-21、SCF）与irAEs之间的关系，但迄今为止尚未发现显著关联。我们将继续收集样本以进一步研究这种相关性。
肿瘤微环境（TME）在肿瘤进展和预后中起着至关重要的作用。虽然一些研究确立了TME因素（如缺氧、PLIN3、FNDC4）与肿瘤发生之间的关键联系，但它们与irAEs的具体关联仍有待探索。我们计划在未来研究中调查TME动态如何影响irAEs的发病机制，以阐明潜在的机制联系。
我们的研究仅采用线性学习算法来开发预测模型。相比之下，先前的研究已经证明，非线性机器学习模型确实在各种生物医学预测任务中表现出令人印象深刻的性能，包括肿瘤学领域，例如Ogunleye和Seyednasrollah等人的工作。甚至，用于预测建模的全自动机器学习正在成为现实，例如Just Add Data Bio（JADBio）。我们将在未来的工作中，使用扩展的数据集探索非线性算法（如XGBoost、神经网络），以评估潜在的性能提升，同时在可行的情况下保持可解释性。
然而，我们的研究存在几个局限性。首先，由于它是单中心分析且缺乏外部验证，我们的发现可能不适用于某些其他情况。其次，我们只分析了治疗开始后3个月内的irAEs。但irAEs可能在3个月之后才发现；我们调查中计算的发生率肯定低于实际irAEs发生率。第三，我们没有将PD-L1表达水平和肿瘤突变负荷纳入分析，因为许多患者数据缺失。毫无疑问，迫切需要开展关于irAEs预测模型的多中心研究并进行验证。最后但同样重要的是，使用非嵌套交叉验证进行超参数调整和性能评估可能会在报告的AUC中引入乐观偏差。未来的研究应采用嵌套交叉验证或外部验证队列进行更严格的评估。
5 结论
在本研究中，我们为接受抗PD-(L)1治疗的癌症患者建立了一个irAEs风险评估模型。这个整合了临床上可获取的指标的列线图模型，可以作为临床医生预测irAEs风险的有用辅助工具。它有助于更有效地监测重点风险人群，并最终改善预后。我们期待在未来扩大样本量并进行多中心前瞻性研究来优化该模型。
打赏
