您好,欢迎您

2025ESMO|用于加速临床试验设计与协作的人工智能生成合成队列:来自19,000例转移性乳腺癌(MBC)患者的数据

10月20日
编译:肿瘤资讯
来源:肿瘤资讯
Session Type

Proffered Paper session

Session Title

Proffered paper session: AI & digital oncology

摘要号

3136O

英文标题

3136O - AI-generated synthetic cohorts for accelerated clinical trial design and collaboration: Data from 19,000 patients (Pts) with metastatic breast cancer (MBC)

中文标题

3136O - 用于加速临床试验设计与协作的人工智能生成合成队列:来自19,000例转移性乳腺癌(MBC)患者的数据

讲者

Eddy Saad (Boston, United States of America)

背景

转移性乳腺癌研究的快速发展亟需加强协作,以加速真实世界治疗评估并发现个体化治疗方案。人工智能生成的合成真实世界数据(sRWD)可在解决隐私和法律问题的同时模拟真实世界队列。本研究评估了sRWD在大型MBC患者队列中的应用价值,重点关注生存结局保真度与患者隐私保护。

方法

基于Flatiron数据库中19,164例MBC患者数据,采用具有不同隐私控制水平的条件生成对抗网络(CTGAN)或分类回归树(CART)生成sRWD。通过绝对标准化均数差(aSMD)评估单变量保真度。针对真实世界无进展生存期(rwPFS)构建Cox模型,采用估计值一致性(EA)、95%CI重叠率(POCI)和风险比比值(rHR)评估风险比一致性。量化样本-群体再识别风险。

结果

CART模型最精确地复现了原始队列的基线特征和生存结局,而CTGAN模型随着隐私约束增强逐渐偏离原始数据。在rwPFS关联性分析中,CART模型达到最高的风险比一致性。尽管CART的再识别风险略高,所有数据集均符合监管阈值(<0.09)(见表)。

1760950474561.jpg

结论

基于CART的sRWD在数据效用与隐私保护间达到最佳平衡,能准确复现变量与关联模式且再识别风险处于可接受范围。因此,sRWD有望加速真实世界协作分析,并作为临床试验的外部对照。

责任编辑:Amiee
排版编辑:Amiee

版权声明
本文专供医学专业人士参考,未经著作人许可,不可出版发行。同时,欢迎个人转发分享,其他任何媒体、网站如需转载或引用本网版权所有内容,须获得授权,且在醒目位置处注明"转自:良医汇-肿瘤医生APP"。