基于外周血标志物初步探讨irAEs预测模型及价值

邓俊; 王均; 王茜; 高嫦娥; 陈晓; 史明霞

doi:10.12259/j.issn.2095-610X.S20250408

基于外周血标志物初步探讨irAEs预测模型及价值

doi: 10.12259/j.issn.2095-610X.S20250408

邓俊¹,
王均²,
王茜³,
高嫦娥¹,
陈晓¹,
史明霞^4, ,

1.
昆明医科大学第一附属医院肿瘤内科
2.
运动医学科
3.
临床药学中心
4.
血液内科，云南昆明　650032

基金项目: 云南省科技厅-昆明医科大学应用基础研究联合专项（202201AY070001-050）

详细信息

作者简介:
邓俊（1986～），女，四川苍溪人，医学硕士，主治医师，主要从事恶性肿瘤免疫治疗研究工作

通讯作者:
史明霞，E-mail：shmxia2002@sina.com

中图分类号: R730.3
计量
- 文章访问数: 218
- HTML全文浏览量: 149
- PDF下载量: 13
- 被引次数: 0
出版历程
- 收稿日期: 2024-10-19
- 网络出版日期: 2025-04-07
- 刊出日期: 2025-04-25

Prediction Model and Its Value of IrAEs Based on Peripheral Blood Markers

1.
Department of Oncology
2.
Department of Sports Medicine
3.
Clinical Pharmacy Center
4.
Department of Hematology, The First Affiliated Hospital of Kunming Medical University, Kunming Yunnan 650032, China

摘要

摘要: 目的基于外周血标志物探讨irAEs预测模型及价值。方法回顾性收集2020年12月至2023年12月昆明医科大学第一附属医院就诊且使用PD-1/PD-L1抗体治疗的825例恶性肿瘤患者的基线临床资料、实验室检查、irAEs随访结果，根据是否存在irAEs分为irAEs组和non-irAEs组，组间及组内的差异性分析采用t检验、秩和检验、卡方检验、Fisher确切概率法；运用LASSO、Ridge、Elastic-net logistic回归筛选预测因子并建立irAEs风险预测模型。结果 136例患者经历178次irAEs，其中主要为内分泌毒性占42.64%，肝炎35.29%，肺炎20.58%，≥ G3级占19.07%，累及两种以上器官占总irAEs人数的24.26%。单因素分析结果显示，基线CD4⁺ T细胞计数、IL-6、IL-17、TSH、GLB和ALB与irAEs存在一定关联；通过Ridge、LASSO和Elastic-Net Logistic回归模型筛选出GLB、ALB、IL-17、TSH为重要风险因素，结果显示三类算法AUC均超过0.800。内部验证集LASSO-Logistic AUC为0.800（95%CI 0.739～0.862）。外部验证集AUC为0.800（ 95%CI0.739～0.861），且DCA曲线结果提示该预测模型的净收益率最高。结论 GLB、ALB、IL-17、TSH是irAEs的独立预测因子，以它们为基础的irAEs预测模型预测效能良好。
- 免疫检查点抑制剂 /
- 免疫相关不良事件 /
- 预测因子 /
- 预测模型
Abstract: Objective To explore the predictive model and its value of irAEs based on peripheral blood markers. Methods The baseline clinical data, laboratory tests, and irAEs follow-up results of 825 malignant tumor patients treated with PD-1/PD-L1 antibodies in the First Affiliated Hospital of Kunming Medical University were retrospectively collected from December 2020 to December 2023. The patients were divided into irAEs group and non-irAEs group according to the presence or absence of irAEs. The differences between and within groups were analyzed by t-test, rank-sum test, chi-square test and Fisher exact probability method. LASSO, Ridge and Elastic-net logistic regressions were used to screen the predictors and establish the risk prediction models for irAEs. Results 136 patients experienced 178 irAEs, of which endocrine toxicity accounted for 42.64%, hepatitis 35.29%, pneumonia 20.58%, grade ≥ G3 accounted for 19.07%, involving more than two organs accounted for 24.26% of the total number of irAEs. Univariate analysis showed that baseline CD4⁺ T cell count, IL-6, IL-17, TSH, GLB and ALB were associated with irAEs. GLB, ALB, IL-17 and TSH were selected as the important risk factors by Ridge, LASSO and Elastic-Net logistic regression. The results showed that the AUC of the three algorithms were over 0.800. The AUC of internal validation set by LASSO-Logistic was 0.800 （95%CI 0.739～0.862）. The AUC of external validation set was 0.800 （95%CI 0.739～0.861） and the DCA curve results indicated the highest net return for this predictive model. Conclusion GLB, ALB, IL-17 and TSH are independent predictors of irAEs, and the predictive model of irAEs based on them is effective.
- ICIs /
- irAEs /
- Predictors /
- Predictive model

HTML全文

图 1 irAEs特征

A：类型；B：分级；C：占比率（%）；D：中位时间。

Figure 1. Characteristics of irAEsA

下载: 全尺寸图片幻灯片

图 2 筛选流程图

Figure 2. Flow chart of screening

下载: 全尺寸图片幻灯片

图 3 irAEs特征（外部验证）

A：类型；B：分级；C：占比率（%）；D：中位时间。

Figure 3. Characteristics of irAEs（External validation ）

下载: 全尺寸图片幻灯片

图 4 路径筛选系数

A：二项式偏差；B：路径系数。

Figure 4. Path filtering coefficient

下载: 全尺寸图片幻灯片

图 5 ROC曲线

A：三种算法训练集的ROC曲线；B：三种算法验证集的ROC曲线。

Figure 5. ROC curves

下载: 全尺寸图片幻灯片

图 6 矫正曲线及决策曲线

A：训练集DCA矫正曲线；B：内部测试集DCA矫正曲线；C：训练集DCA决策曲线；D：内部测试集DCA决策曲线。

Figure 6. DCA correction curve and DCA decision curve

下载: 全尺寸图片幻灯片

图 7 列线图及外部测试ROC曲线

A：风险预测模型列线图；B：外部测试集ROC曲线。

Figure 7. Nomogram of risk prediction model and ROC curve of external test set

下载: 全尺寸图片幻灯片

表 1 训练集、内部测试集和外部测试集人口学及治疗特征的描述性与可比性分析[n（%）]

Table 1. Descriptive and comparable analysis of demographic and treatment characteristics for training set，internal test set and external test set [n（%）]

变量	训练集			内部测试集			外部测试集
变量	非irAE（n = 199）/ irAE（n = 88）	χ²	P	非irAE（n = 74）/ irAE（n = 48）	χ²	P	非irAE（n = 224）/ irAE（n = 192）	χ²	P
性别		0.21	0.642		2.14	0.144		5.19	0.023^*
男	144（68.57）/66（31.43）			55（57.29）/41（42.71）			176（57.14）/132（42.86）
女	55（71.43）/22（28.57）			19（73.08）/7（26.92）			48（44.44）/60（55.56）
年龄（岁）		0.01	0.966		0.06	0.812		1.40	0.237
< 60	48（30.77）/108（69.23）			27（40.30）/40（59.70）			132（51.56）/124（48.44）
≥ 60	40（30.53）/91（69.47）			21（38.18）/34（61.82）			92（57.50）/68（42.50）
BMI（kg/m²）		5.38	0.069		0.35	0.839		8.03	0.018^*
肥胖	52（59.77）/35（40.23）			22（64.71）/12（35.29）			64（44.44）/80（55.56）
偏瘦	31（73.81）/11（26.19）			8（57.14）/6（42.86）			20（62.50）/12（37.50）
正常	116（73.42）/42（26.58）			44（59.46）/30（40.54）			140（58.33）/100（41.67）
ECOG评分（分）		8.39	0.003^*		0.05	0.832		0.10	0.749
1	164（66.13）/84（33.87）			67（60.36）/44（39.64）			184（53.49）/160（46.51）
2	35（89.74）/4（10.26）			7（63.64）/4（36.36）			40（55.56）/32（44.44）
瘤种		9.13	0.058		5.68	0.224		13.91	0.008^*
肺癌	90（65.69）/47（34.31）			41（55.41）/33（44.59）			100（52.08）/92（47.92）
肝癌	20（80.00）/5（20.00）			7（63.64）/4（36.36）			20（45.45）/24（54.55）
其他^a	41（80.39）/10（19.61）			12（80.00）/3（20.00）			40（52.63）/36（47.37）
食管癌	23（76.67）/7（23.33）			4（44.44）/5（55.56）			40（76.92）/12（23.08）
头颈癌	25（56.82）/19（43.18）			10（76.92）/3（23.08）			24（46.15）/28（53.85）
肿瘤分期		5.37	0.146		-	0.177		-	0.001^*
Ⅰ期	7（77.78）/2（22.22）			0（0.00）/1（100.00）			0（0.00）/4（100.00）
Ⅱ期	51（79.69）/13（20.31）			25（71.43）/10（28.57）			8（33.33）/16（66.67）
Ⅲ期	58（69.05）/26（30.95）			21（63.64）/12（36.36）			92（67.50）/68（42.50）
Ⅳ期	83（63.85）/47（36.15）			28（52.83）/25（47.17）			124（54.38）/104（46.62）
治疗线数		5.70	0.116		0.67	0.735		2.09	0.351
一线	128（73.56）/46（26.44）			44（57.14）/33（42.86）			144（54.55）/120（45.45）
二线	34（58.62）/24（41.38）			12（63.16）/7（36.84）			76（54.29）/64（45.71）
三线	11（57.89）/8（42.11）			3（75.00）/1（25.00）			4（33.33）/8（66.67）
用药模式		12.08	0.001^*		5.41	0.004^*		-	0.088
单药	2（2.02）/30（10.45）			11（12.94）/1（2.70）			36（60.00）/24（40.00）
联合化疗	45（45.45）/152（52.96）			46（54.12）/22（59.46）			128（52.46）/116（47.54）
联合化疗+靶^b	20（20.20）/36（12.54）			12（14.12）/5（13.51）			56（54.83）/48（45.17）
联合化疗　+放疗	16（16.16）/36（12.54）			6（7.06）/6（16.22）			0（0.00）/4（100.00）
其他^c	16（16.16）/33（11.50）			10（11.76）/3（8.11）			4（100.00）/0（0.00）
注：a：胃恶性肿瘤、胰腺恶性肿瘤、胸腺恶性肿瘤、恶性黑色素瘤、胆囊恶性肿瘤、结肠恶性肿瘤、妇科恶性肿瘤、恶性淋巴瘤、肉瘤、输尿管恶性肿瘤；b：靶向药物均为抗血管生成药物，如贝伐珠单抗、仑伐替尼、安罗替尼等；c：其他包括免疫联合化疗+放疗+靶向、免疫联合放疗、免疫联合介入、免疫联合免疫等；-：Fisher确切概率法；^*P < 0.05。

下载: 导出CSV

表 2 训练集、内部测试集和外部测试集实验室数据与可比性分析

Table 2. Comparability analysis of laboratory data in the training set, internal test set, and external test set

变量	训练集			内部测试集			外部测试集
变量	非irAE（n = 199）/ irAE（n = 88）	t/Z	P	非irAE（n = 74） /irAE（n = 48）	t/Z	P	非irAE（n = 224）/ irAE（n = 192）	t/Z	P
CD4⁺T	659.59±167.41/ 531.41±167.89	t = 8.22	< 0.001^*	662.72±184.21/ 492.15±162.99	t = 6.35	< 0.001^*	517.00（443.00，591.00）/ 518.00（387.00，591.00）	Z = −0.91	0.363
CD8⁺T	435.65±141.20/ 475.78±150.93	t = −2.99	0.003^*	435.56±161.47/ 438.29±154.42	t = −0.11	0.909	259.00（198.00，369.00）/ 316.00（226.50，391.00）	Z = 2.78	0.006^*
CRP	23.27（16.74，40.23）/ 23.27（13.56，44.63）	Z = 0.38	0.707	23.27（19.99，44.88）/ 23.27（15.24，48.82）	Z = 0.36	0.722	1.69（0.69，2.36）/ 3.18（0.45，5.61）	Z = 4.60	< 0.001^*
IL-5	3.87（2.56，5.54）/ 4.53（2.92，6.04）	Z = 2.55	0.011^*	3.67（2.63，5.38）/ 4.88（3.67，6.42）	Z = 3.16	0.002^*	2.62（1.78，4.24）/ 2.24（1.43，3.86）	Z = −2.56	0.011^*
IL-6	18.15±12.99/ 21.85±21.95	Z = 1.28	0.202	16.17（15.95，19.52）/ 17.80（12.14，35.43）	Z = 2.13	0.033^*	6.50（4.88，8.86）/ 3.22（2.07，4.78）	Z = −11.72	< 0.001^*
IL-10	2.43±3.10/ 2.65±1.14	t = −0.89	0.371	2.00±0.95/ 2.88±1.10	t = −5.92	< 0.001^*	2.57（1.63，4.59）/ 2.15（1.19，3.59）	Z = −3.23	0.001^*
IL-17	1.95（1.35，2.80）/ 4.27（3.36，5.03）	Z = 12.92	< 0.001^*	1.88（1.31，2.75）/ 4.34（2.95，5.18）	Z = 7.39	< 0.001^*	2.34（1.57，2.69）/ 6.05（4.44，7.47）	Z = 12.61	< 0.001^*
LDH	227.46±66.41/ 245.97±66.55	t = −2.99	0.003^*	244.09±73.02/ 233.57±69.19	t = 0.97	0.332	172.50（156.50，219.50）/ 184.50（161.50，246.50）	Z = 2.84	0.005^*
TSH	2.36（1.39，4.35）/ 4.40（3.07，6.26）	Z = 9.09	< 0.001^*	2.29（1.58，3.94）/ 4.18（2.88，6.03）	Z = 5.22	< 0.001^*	1.40（1.05，2.51）/ 2.18（1.28，3.01）	Z = 3.44	< 0.001^*
白细胞	6.37（5.20，8.02）/ 6.08（4.86，7.41）	Z = −1.67	0.095	6.21（5.25，7.79）/ 6.06（4.91，8.29）	Z = −0.69	0.559	5.76（4.61，7.37）/ 5.88（5.18，7.41）	Z = −0.41	0.680
中性粒细胞	4.11（3.05，5.50）/ 3.82（2.75，4.81）	Z = −1.60	0.11	3.89（3.04，5.34）/ 3.83（3.14，5.69）	Z = −0.58	0.897	3.58（2.77，4.92）/ 3.92（2.73，4.63）	Z = 1.12	0.263
淋巴细胞	1.48（1.11，1.99）/ 1.47（1.15，1.88）	Z = −0.18	0.860	1.51（1.11，1.96）/ 1.42（1.03，1.78）	Z = 0.13	0.110	1.60（1.05，2.09）/ 1.26（0.93，1.86）	Z = −3.43	< 0.001^*
血小板	220.00（164.00，289.00）/ 230.00（177.00，281.00）	Z = 0.57	0.568	242.00（180.00，307.00）/ 220.50（178.50，278.50）	Z = −0.56	0.374	234.00（187.00，265.50）/ 254.50（202.50，296.50）	Z = 3.21	0.001^*
NLR （N/L）	2.73（1.77，4.27）/4 .96（4.34，5.82）	Z = 11.21	< 0.001^*	2.67（1.90，3.79）/ 5.60（4.46，6.97）	Z = −0.89	< 0.001^*	2.51（1.81，3.20）/ 2.94（2.03，4.78）	Z = 4.20	< 0.001^*
PLR （P/L）	154.64（106.49，210.79）/172.79（130.56，242.64）	Z = 3.27	0.001^*	158.86（108.00，224.43）/ 190.03（146.23，274.81）	Z = 8.56	0.005^*	148.16（103.15，197.10）/ 187.35（128.36，236.40）	Z = 4.52	< 0.001^*
球蛋白	34.52（29.71，39.45）/ 34.89（29.00，39.80）	Z = −0.53	0.597	34.31±7.18/ 33.96±5.96	Z = 2.81	0.738	28.40（26.25，32.35）/ 29.00（25.90，32.35）	Z = 1.64	0.530
白蛋白	39.80（36.50，43.80）/ 41.70（37.30，44.60）	Z = 2.08	0.038^*	40.90（36.90，44.90）/ 41.40（36.90，43.85）	Z = −0.02	0.981	42.05（38.65，43.95）/ 42.50（38.90，44.20）	Z = 0.29	0.774
PNI	46.35±15.67/ 41.72±6.60	t = 3.67	< 0.001^*	47.10（42.05，51.45）/ 40.58（37.23，44.55）	Z = −0.02	< 0.001^*	49.38（45.60，53.53）/ 48.18（44.80，51.40）	Z = −1.98	0.048^*
^*P < 0.05。

下载: 导出CSV

表 3 惩罚项最小误差对应的log（λ）值

Table 3. The log （λ） value corresponding to the minimum error of the penalty term

类型	Ridge算法	LASSO算法	Elastic-net算法
lambda.min	0.05155129	0.01810065	0.02071571
lambda.1se	0.2081134	0.03163139	0.06943083

下载: 导出CSV

表 4 LASSO-Logistic风险回归模型

Table 4. Risk regression model by LASSO-logistic

变量	OR（95%CI）	Estimate	SE	Wald χ²	P
截距	1.365（0.462，4.038）	0.311	0.553	0.560	0.574
球蛋白	1.245（1.167，1.328）	0.219	0.033	6.630	< 0.001^*
IL-17	1.090（1.061，1.120）	0.086	0.014	6.180	< 0.001^*
白蛋白	1.399（1.249，1.566）	0.336	0.058	5.810	< 0.001^*
TSH	1.546（1.305，1.831）	0.435	0.086	5.040	< 0.001^*
^*P < 0.05。

下载: 导出CSV

参考文献(21)

[1]	张雨峤,梅伟健. 免疫检查点抑制剂治疗实体瘤的标志性成果[J]. 实用医学杂志,2024,40(2):272-277.
[2]	吴皎,杨润祥. 免疫检查点抑制剂相关不良事件识别与管理[J]. 中国临床医生杂志,2023,51(10):1135-1137+1132. doi: 10.3969/j.issn.2095-8552.2023.10.001
[3]	叶淑芳,刘苗兰,仇晓霞. 基于真实世界的研究—646例肿瘤患者使用免疫检查点抑制剂相关不良反应的临床特征[J]. 肿瘤药学,2024,14(1):72-79.
[4]	Les I, Martínez M, Pérez-Francisco I, et al. Predictive Biomarkers for checkpoint inhibitor immune-related adverse events[J]. Cancers (Basel),2023,15(5):1629. doi: 10.3390/cancers15051629
[5]	缪延栋,赵雪寒,张怡明,等. 免疫检查点抑制剂治疗恶性肿瘤所致免疫相关不良反应预测标志物的研究进展[J]. 中华肿瘤防治杂志,2024,31(6):383-390.
[6]	Egami S, Kawazoe H, Hashimoto H, et al. Peripheral blood biomarkers predict immune-related adverse events in non-small cell lung cancer patients treated with pembrolizumab: A multicenter retrospective study[J]. J Cancer,2021,12(7):2105-2112. doi: 10.7150/jca.53242
[7]	郭军,徐瑞华,李进,等. 免疫检查点抑制剂临床应用及毒性管理指南2023[M].北京:人民卫生出版社,2023:4-132.
[8]	Zheng Y,Kim R,Yu T,et al. Real-world clinical and economic outcomes in selected immune-related adverse events among patients with cancer receiving immune checkpoint inhibitors[J]. Oncologist,2021,26(11):e2002-e2012. doi: 10.1002/onco.13918
[9]	Jing Y,Yang J,Johnson D B,et al. Harnessing big data to characterize immune-related adverse events[J]. Natrev Clin Oncol,2022,19(4):269-280.
[10]	Shimozaki K,Sukawa Y,Sato Y,et al. Analysis of risk factors for immune-related adverse events in various solid tumors using real-world data[J]. Future Oncol,2021,17(20):2593-2603. doi: 10.2217/fon-2020-0861
[11]	Luongo C,Morra R,Gambale C,et al. Higher baseline TSH levels predict early hypothyroidism during cancer immunotherapy[J]. J Endocrinol Invest,2021,44(9):1927-1933. doi: 10.1007/s40618-021-01508-5
[12]	Johnson D,Patel A B,Uemura M I,et al. IL17A blockade successfully treated psoriasiform dermatologic toxicity from immunotherapy[J]. Cancer Immunlo Res,2019,7(6):860-865.
[13]	Husain B,Kirchberger M C,Erdmann M,et al. Inflammatory markers in autoimmunity induced by checkpoint inhibitors[J]. J Cancer Res Clin,2021,147(6):1623-1630.
[14]	Esfahani K,Miller W H. Reversal of autoimmune toxicity and loss of tumor response by interleukin-17 blockade[J]. New Engl J Med,2017,376(20):1989-1991.
[15]	Kang D H,Park C K,Chung C,et al. Baseline serum interleukin-6 levels predict the response of patients with advanced non-small cell lung cancer to PD-1/PD-L1 inhibitors[J]. Immune Netw,2020,20(3):e27.
[16]	Dharmapuri S,Ozbek U,Saeed A,et al. Relationship between systemic inflammatory response markers and immune treatment related toxicity (IrAEs) in hepatocellular carcinoma (HCC)[J]. J Clin Oncol,2022,40(16_suppl):e16204-e16204.
[17]	Nakamura Y,Tanaka R,Maruyama H,et al. Correlation between blood cell count and outcome of melanoma patients treated with anti-PD-1 antibodies[J]. Jpn J Clin Oncol,2019,49(5):431-437.
[18]	Suazo-Zepeda E,Bokern M,Vinke P C,et al. Risk factors for adverse events induced by immune checkpoint inhibitors in patients with non-small-cell lung cancer: A systematic review and meta-analysis[J]. Cancer Immunol Immun,2021,70(11):3069-3080.
[19]	Zhang Y,Zhao J,Hu W,et al. Construction of a near-term predictive model for irAEs induced by PD-1 inhibitors[J]. J Clin Oncol,2022,40(16_suppl):3147-3147.
[20]	刘剑,李敏菁. 全身免疫炎症指数对非小细胞肺癌免疫检查点抑制剂疗效的预测价值[J]. 实用医学杂志,2022,38(7):904-908. doi: 10.3969/j.issn.1006-5725.2022.07.024
[21]	Egami S,Kawazoe H,Hashimoto H,et al. Peripheral blood biomarkers predict 8immune-related adverse events in non-small cell lung cancer patients treated with pembrolizumab: A multicenter retrospective study[J]. Cancer,2021,12(7):2015-2112.

计量

文章访问数: 218
HTML全文浏览量: 149
PDF下载量: 13
被引次数: 0

姓名
邮箱
手机号码
标题
留言内容
验证码

留言板

基于外周血标志物初步探讨irAEs预测模型及价值

doi: 10.12259/j.issn.2095-610X.S20250408

作者简介:
邓俊（1986～），女，四川苍溪人，医学硕士，主治医师，主要从事恶性肿瘤免疫治疗研究工作

通讯作者:
史明霞，E-mail：shmxia2002@sina.com

计量

Prediction Model and Its Value of IrAEs Based on Peripheral Blood Markers

计量

目录

[1]	邱树梅, 张海燕, 王华炜. C反应蛋白/D-二聚体比值和纤维蛋白原/白蛋白比值对冠心病患者PCI术后MACE发生的预测价值及模型构建, 昆明医科大学学报. doi: 10.12259/j.issn.2095-610X.S20250711
[2]	王军强, 陈莹, 高逢辰, 赵文秀, 曹舒璇, 李依奚, 和丽梅, 杨泽星. 高龄女性冻融胚胎移植周期临床妊娠结局预测模型构建, 昆明医科大学学报.
[3]	王远珍, 魏红艳, 田仁海, 陈永臻, 许丹青, 张映媛, 常丽仙, 刘春云, 刘立. 原发性肝癌干预前并发慢性肝衰竭的风险预测模型建立与评价, 昆明医科大学学报. doi: 10.12259/j.issn.2095-610X.S20250321
[4]	王太珊, 贾贵阳, 刘国跃, 宋尔芹, 尹贵珍. ARDS危险因素及早期风险预测模型的研究进展, 昆明医科大学学报. doi: 10.12259/j.issn.2095-610X.S20250517
[5]	杨剑, 李平, 蒋鸿超. 新生儿肺透明膜病并发支气管肺发育不良预测模型的构建及验证, 昆明医科大学学报. doi: 10.12259/j.issn.2095-610X.S20250611
[6]	刘东艳, 刘燕, 任治铭, 王枫, 汪勇. 基于Logistic回归分析的恶性肿瘤患者化疗相关骨髓抑制的影响因素分析及预测模型建立, 昆明医科大学学报. doi: 10.12259/j.issn.2095-610X.S20250808
[7]	闫兰竹, 乔顺义, 张艳丽, 赵二强, 杨虎, 林静, 付海艳. 免疫球蛋白在肝癌TACE治疗过程中的变化及预测疗效的价值, 昆明医科大学学报. doi: 10.12259/j.issn.2095-610X.S20240418
[8]	徐文秀, 莫小凤, 杨祥民, 杨丝露, 吴凡, 李特. Logistic回归与决策树模型在碘造影剂不良反应预测中的应用, 昆明医科大学学报. doi: 10.12259/j.issn.2095-610X.S20240911
[9]	姬燕梅, 李文俊, 李青芸, 郭妮, 蒙妮, 周丹, 李秋宇, 金醒昉. 急性缺血性脑卒中后认知障碍相关因素分析及列线图模型构建, 昆明医科大学学报. doi: 10.12259/j.issn.2095-610X.S20240511
[10]	曾慧娟, 田波, 袁红伶, 何杰, 李冠羲, 茹国佳, 许敏, 詹东. 机器学习算法构建慢性肾脏病伴高血压或糖尿病的预测模型, 昆明医科大学学报. doi: 10.12259/j.issn.2095-610X.S20240315
[11]	李梦, 牛奔, 胡瑾, 马燕琳. 免疫检查点抑制剂引起肿瘤患者甲状腺功能障碍的临床分析, 昆明医科大学学报. doi: 10.12259/j.issn.2095-610X.S20240111
[12]	杨镜玉, 许宁, 张雨涛, 黄凤昌, 蒋元明, 殷亮. 基于基线T2WI图对进展期直肠癌经放化同期治疗后病理完全缓解的多模型预测比较, 昆明医科大学学报. doi: 10.12259/j.issn.2095-610X.S20230512
[13]	周敏, 马智慧, 李加艳, 范建华, 林灵, 余亭颖, 张慧芳, 刘立. 肝硬化并胸水再发危险因素的预测, 昆明医科大学学报. doi: 10.12259/j.issn.2095-610X.S20220524
[14]	贾吉, 陶四明. 基于血浆渗透压建立急性ST段抬高型心肌梗死重症患者发生院内死亡风险预测模型, 昆明医科大学学报. doi: 10.12259/j.issn.2095-610X.S20221212
[15]	王虹, 杨德兴, 王强, 周维钰, 唐杰夫, 王振方, 付凯, 刘圣哲, 刘荣. ICU脓毒症患者发生再喂养综合征的危险因素分析及预测模型建立, 昆明医科大学学报. doi: 10.12259/j.issn.2095-610X.S20221102
[16]	张桂梅, 陈蜀, 宋云华, 吴阳, 周虹媛. AECOPD患者再入院危险因素分析及预测模型的构建, 昆明医科大学学报. doi: 10.12259/j.issn.2095-610X.S20220830
[17]	樊浩, 刘幸, 沈凌筠, 李海雯, 余春红, 李婧炜. 基于AAT与细胞因子构建活动性肺结核的Nomogram预测模型, 昆明医科大学学报. doi: 10.12259/j.issn.2095-610X.S20220816
[18]	戴靖榕, 李婕, 何旭, 李杨, 李燕. 云南某医院老年医学科住院患者抑郁状态的危险因素分析及风险预测模型的构建, 昆明医科大学学报. doi: 10.12259/j.issn.2095-610X.S20211104
[19]	刘幸, 刘媛, 刘向芳, 陈洁, 陈永刚, 孙辉, 马玲. 头孢哌酮钠舒巴坦钠不良反应分析与预测模型构建, 昆明医科大学学报. doi: 10.12259/j.issn.2095-610X.S20210622
[20]	杨镜玉, 李文亮. MSI在结直肠癌中的应用研究新进展, 昆明医科大学学报.

留言板

基于外周血标志物初步探讨irAEs预测模型及价值

doi: 10.12259/j.issn.2095-610X.S20250408

作者简介: 邓俊（1986～），女，四川苍溪人，医学硕士，主治医师，主要从事恶性肿瘤免疫治疗研究工作

通讯作者: 史明霞，E-mail：shmxia2002@sina.com

计量

出版历程

Prediction Model and Its Value of IrAEs Based on Peripheral Blood Markers

计量

出版历程

目录

作者简介:
邓俊（1986～），女，四川苍溪人，医学硕士，主治医师，主要从事恶性肿瘤免疫治疗研究工作

通讯作者:
史明霞，E-mail：shmxia2002@sina.com