肝细胞癌肝外转移的机器学习预测策略评估

背景与依据

肝细胞癌（HCC）术后复发和肝外转移的风险显著，这可能严重影响预后和治疗机会。早期识别肝外转移高风险患者，有助于制定更合适的监测强度、更早的多学科评估以及更及时的治疗计划。然而，在常规临床实践中，针对肝外转移的风险分层术后监测策略尚未完善建立。

研究者先前已在回顾性多中心队列中开发了基于机器学习的肝外转移风险分层模型，特别关注肺转移和骨转移。本研究旨在前瞻性验证这些模型，并评估其在真实世界临床工作流程和决策中的潜在价值。

研究目标 主要目标

前瞻性验证预设的基于机器学习的HCC术后肝外转移（尤其是肺转移和骨转移）风险分层模型的性能，包括在多中心真实世界环境中的区分度和校准度。

次要目标

评估在临床相关亚组和参与中心间的风险分层性能。评估常规实践中的实施相关结果，包括模型采纳情况和临床决策影响。评估模型指导的风险分层是否与术后监测模式、转诊路径以及多学科评估时机的变化相关。探索与模型指导的风险分层相关的临床结局信号（例如，事件时间结局和临床可操作的检测窗口相关结局）。探索真实世界环境中模型指导的术后管理对资源利用和健康经济学的影响。

研究设计

这是一项多中心、前瞻性、观察性队列研究。参与者根据参与医院的常规临床护理进行入组和随访。本研究不涉及随机化、强制干预分配或方案驱动的治疗分配。本研究旨在验证和评估一个风险分层工具及其在真实世界中的实施，而非测试干预性治疗。

风险模型、变量和预设的风险分层框架在前瞻性入组开始前已开发完成。前瞻性数据收集用于在独立的真实世界队列中评估模型的可移植性、校准度、临床效用和实施特征。

研究人群

符合条件的参与者是接受过根治性治疗并进入术后随访的肝细胞癌成人患者。详细的纳入和排除标准已在方案中提供，包括所需的基线临床变量和用于结局评估的随访信息的可获得性。

研究程序与数据收集

数据在常规护理期间前瞻性收集，可能包括：

基线人口统计学和临床特征；肿瘤相关和治疗相关变量；随访影像学和实验室监测信息；肝外转移（尤其是肺转移和骨转移）的发生和时间

复发和生存相关结局（如可获得）

临床管理决策（例如，监测强度、转诊、多学科团队讨论和治疗计划）

实施指标（例如，模型使用/采纳情况和决策影响记录，如可获得）

用于探索性经济分析的资源利用变量（如可获得）

未分配研究强制要求的治疗。临床决策仍由主治医生负责。

结局与分析框架

本研究将使用预设的统计方法评估模型性能，可能包括事件时间结局的区分度、校准度和临床效用指标。分析也可能在适当情况下评估中心水平的异质性、时间性能以及模型更新/重新校准策略。

实施和临床效用分析可能包括评估：

风险分层工具的采纳和使用情况

与风险分层相关的监测强度或随访路径的变化

对转诊和管理计划的决策影响

与临床意义结局和资源利用的探索性关联

任何旨在模拟假设管理策略的分析（例如，基于目标试验模拟的分析）将被明确报告为观察性和估计/假设性的，并且不会被解释为随机治疗效果。

研究意义

本研究有望为基于机器学习的HCC肝外转移风险分层的有效性和真实世界临床效用提供前瞻性多中心证据。结果可能为术后监测优化、风险适应性管理路径以及未来的实施研究提供参考。