美国芝加哥大学Howard等开发了一个机器学习模型，能够准确预测HR+/HER2-早期乳腺癌的远处复发。所识别的预测变量和开发的模型可能有助于基于风险的个体化治疗决策。（Clin Cancer Res. 2025年12月9日在线版）

尽管已有当前标准的内分泌治疗，远处复发仍然是HR+/HER2-早期乳腺癌患者关注的问题。了解个体复发风险将有助于临床决策。该研究利用机器学习识别风险因素并开发复发风险预测模型。

研究者通过梯度提升法识别预测变量，并在一个大型、多样化的真实世界数据集上训练模型。该数据集包含来自美国、基于电子健康记录的Flatiron健康研究数据库中Ⅰ~Ⅲ期HR+/HER2-早期乳腺癌患者的去识别化信息。研究者使用Cox比例风险模型分别在真实世界数据中进行内部验证，以及在接受瑞波西利治疗的HR+/HER2-早期乳腺癌患者的NATALEE试验数据中进行外部验证；利用Harrell一致性指数（C-index）和综合Brier评分分析远处复发和治疗结局的预测与结局一致性；通过动态AUC分析确定模型随时间变化的性能。

该模型能够准确预测真实世界队列10年时间（AUC>0.7）的远处复发（7842例；C-index=0.85，95%CI 0.8461~0.8598；综合Brier评分为0.05，95%CI 0.0443~0.0495）。内部验证和敏感性分析证实了该模型性能。使用NATALEE试验中单独使用非甾体芳香化酶抑制剂组的数据进行外部验证，模型性能有所降低但仍具区分度（C-index=0.66）。在NATALEE数据上进行训练提高了一致性（C-index=0.70）。在真实世界队列中，经NATALEE数据训练的模型预测，瑞波西利治疗48个月时可使远处复发减少3.2%。

（编译 王海峰）