7.7分纯生信新模板!温州医科大学:FAERS数据库+机器学习,这套“组合拳”不用测序也能发高分!

点击蓝字，关注我们

大家好，欢迎来到Med-FAERS！

科研速递

🚀【FAERS数据库+机器学习，7.7分纯生信新思路！】🚀

朋友们，今天分享一个能发高分的FAERS数据库黄金搭档思路！🤝 温州医科大学孙杰/周猛团队巧妙地将药物警戒分析与机器学习结合，直接拿下了7.7分的纯生信文章！💯

他们的研究聚焦于免疫检查点抑制剂(ICIs)引发的免疫相关不良事件(irAEs)。ICI的全身毒性是临床大难题，但其致命性irAEs的模式和机制仍不明确，选题价值直接拉满！✨

研究策略上，先利用FAERS数据库进行大规模药物警戒分析，再进一步开发机器学习模型进行预测与探索。这不仅夯实了数据的广度，更极大地提升了研究的深度与临床转化潜力，难怪能冲击高分！📈

这套“FAERS+机器学习”的组合拳，实操难度中等，统计分析是基础，机器学习是亮点，超级适合临床医生入手！😉 心动不如行动，想用数据库发高分的朋友们，这个新思路绝对值得一试！

中文标题：使用真实世界药物警戒数据和机器学习解码检查点抑制剂治疗中的致命毒性作用

发表时间:2025年9月

发表期刊：British Journal of Pharmacology

影响因子:IF=7.7

快来和小编一起一探究竟吧！关注小编，发文技能蹭蹭长！下一篇一区top就是你的！

研究背景

免疫检查点抑制剂（ICIs）为癌症治疗带来了革命性突破🔄，显著提升了疗效，为无数患者带来了希望。然而，它所引发的免疫相关不良事件（irAEs）却如同一把“双刃剑”⚔️，给临床管理带来了巨大挑战。如何应对这些棘手的副作用，已成为当前亟待攻克的关键难题！

研究方法

团队的核心思路可以概括为清晰的“三步走”战略：📈

1️⃣ 第一步：大海捞针，锁定信号

利用2014-2023年的FAERS数据，以其他所有报告为对照，通过ROR和EBGM这两种成熟的不均衡分析方法，从海量报告中精准“捕捞”出与ICI治疗相关的阳性不良事件(AE)信号。

2️⃣ 第二步：聚焦风险，关联死亡

对第一步找出的每个阳性AE信号，进一步进行逻辑回归分析，评估它们与患者死亡结局的关联，特别是那些在治疗早期（90天内）发生的AE，从而筛选出致命的irAEs信号。💀

3️⃣ 第三步：整合数据，智能预测

最后，将上述挖掘出的致命性AE与关键临床特征整合，运用强大的XGBoost机器学习算法，成功构建了一个名为“SAFE-ICI”的风险预测模型，为临床提前预警提供了强大的智能工具。

研究结果

1.🔬【核心发现：海量数据锁定ICI毒性图谱！】

通过对FAERS数据库的深度挖掘，不成比例分析揭示了令人瞩目的结果！📈 研究共确定了18个大类器官系统中，与ICI治疗相关的358个阳性AE信号！这些信号在两种算法（ROR与EBGM）中表现出高度一致性✅，且主要集中在免疫、内分泌、代谢与营养相关的器官系统中。这为精准监控irAEs提供了清晰的数据“地图”！🗺️

2.💀【惊人发现：早期irAEs与死亡强相关！】

深入分析揭示了一个关键警报🚨：在治疗最初90天内发生的ICI相关不良事件（AE）中，竟有高达73.8% 的信号在至少一种治疗方案里，其死亡率不低于20%！📊 这一交叉分析结果直接将早期irAEs与极高的死亡风险挂钩，为临床早期识别与紧急干预敲响了警钟！⚠️

3.📊【风险聚焦：不同疗法，致命威胁各异！】

多变量逻辑回归分析精准揭示了不同ICI疗法的风险谱系 🔍：在治疗前90天内，PD-1/PD-L1单药疗法与54种致命性irAE显著相关；而联合治疗则与20例致死性irAE紧密相连。数据清晰地表明，多种AE信号持续存在，为临床分层管理与风险预警提供了至关重要的依据！🎯

4.🤖【临床转化：SAFE-ICI模型，精准预测风险！】

最终成功开发了一款名为 SAFE-ICI 的机器学习模型 🚀。该模型仅需利用年龄、性别及致命相关AE这些关键特征，便能精准预测患者在前90天内发生致命结果的短期风险。验证结果显示，其性能非常稳健，能成功将患者划分为低风险与高风险两种具有显著生存差异的表型，为实现个体化监护提供了强大的智能工具！✅