一句话总结

本教程针对治愈模型在生物医学领域应用有限的问题，提出了一套系统性的评估流程。该流程整合了临床判断、Kaplan-Meier 曲线的视觉检查以及定量评估，以满足可识别性条件并确保参数估计的有效性。该方法区别于以往侧重于模型实现的指南，后者常导致模型的误用。

核心贡献

• 本教程提出了一套系统性的评估框架，用于确定治愈模型在涉及潜在治愈性疗法和长期存活的生存分析中的统计与临床适用性。
• 所提出的流程整合了专家临床判断、对非零 Kaplan-Meier 曲线平台期的视觉检查以及正式的定量检验，以在参数估计前验证可识别性条件。
• 实证分析表明，治愈模型的适用性取决于队列的风险特征，而非仅由随访时长决定；同时，该分析还指出当临床监测从主动试验过渡到被动随访时，数据质量会出现下降。

引言

现代治疗技术的进步已在多个肿瘤学人群中实现了长期缓解，促使统计学家开发了治愈模型，以估计永远不会发生目标事件的患者的非零比例。这些模型改善了长期生存外推和临床试验规划，使其成为精准生物医学决策的关键。然而，治愈模型需要严格的可识别性条件，特别是足够的随访时长以区分已治愈个体与仍处于风险中的个体。以往的方法论教程过度侧重于模型实现，而忽视了如何验证数据集是否真正满足这些前提条件，这常常导致模型误用和估计结果不可靠。作者通过引入一套整合临床判断、Kaplan-Meier 曲线视觉检查与定量统计检验的系统性评估框架来弥补这一空白。通过使用急性髓系白血病和造血细胞移植数据验证该工作流，作者为研究人员提供了一份实用指南，确保仅在生物学和统计学依据充分时才应用治愈模型。

数据集

• 数据集构成与来源： 作者将 SWOG S1203 研究的临床试验数据与 St. Jude 儿童医院骨髓移植与细胞治疗项目的前瞻性和回顾性数据集相结合，以评估治愈模型在血液肿瘤学中的适用性。

• 子集详情：

• S1203 AML 试验：聚焦于接受 IA 治疗方案的成年急性髓系白血病初治患者。无事件生存期从随机分组开始追踪，最大随访时间超过 7.3 年。
• St. Jude 前瞻性队列：HAPNK1 包含来自 2 期高危恶性肿瘤研究的 53 名完全缓解患者和 19 名活动期患者。HAP2HCT 包含来自 1/2 期研究第 2 期剂量水平 3 至 4 的 48 名患者。
• St. Jude 回顾性队列：HCTRETRO 涵盖接受第二次移植的 106 名患者和接受两次以上移植的 13 名患者。HCT 难治性队列包含移植时处于活动期的 129 名患者。

• 数据使用与建模方法： 作者使用该队列拟合和评估治愈生存模型，而非用于传统的机器学习训练集划分或混合比例计算。他们应用标准化评估框架，在不同患者预后和随访方案中检验模型的适用性，计算以年为单位的最长随访时间，并使用赤池信息准则（AIC）值和 RECeUS 评估结果对模型性能进行排名。

• 处理与元数据构建： 事件发生时间指标统一从随机分组日期开始计算，未观察到事件的患者在最后一次联系时被右删失。作者整理了队列级别的元数据，记录样本量、中位生存时间、最长随访时间（年）、最长观察点的 Kaplan-Meier 估计值、视觉治愈指标以及每个亚组的最优模型规格。

方法

作者采用结构化的三阶段框架来评估治愈模型对生存数据的适用性。该过程始于临床与生物学评估，专家判断在此阶段确定治愈模型在生物学上是否合理，以及是否预期会出现无复发的长期生存。若两项条件均满足，分析将进入基于 Kaplan-Meier 生存曲线的视觉评估阶段。此阶段检查生存曲线是否在零以上的水平呈现水平平台期（表明存在非零治愈比例），并检查晚期事件是否缺失或罕见（提示易感个体已大多发生目标事件）。

如图所示，若视觉证据支持治愈模型，流程将进入定量评估阶段。该最终阶段评估数据是否同时为充足的随访时长和非可忽略的治愈比例提供强有力证据。评估过程涉及使用相同的参数分布（如 Weibull 分布）拟合治愈模型与标准非治愈模型，并通过赤池信息准则（AIC）进行比较。若治愈模型的 AIC 值较低，则予以选择。随后，计算估计治愈比例 $\theta$θ 与比率 $r_{\hat{}}$r^​，后者反映在最大随访时间时仍处于风险中的未治愈个体比例。仅当 $\theta > 0.025$θ>0.025 且 $r_{\hat{}} < 0.05$r^​<0.05 时，该模型才被视为适用，从而确保治愈比例具有临床意义，且随访时间足以观察生存分布的尾部。该框架整合临床见解、图形证据与统计推断，为使用治愈模型提供依据。

实验

评估设置将 Kaplan-Meier 生存曲线的视觉检查与定量假设检验相结合，以评估随访的充分性与治愈模型的适用性。视觉分析表明，延长观察期会产生明显的生存平台期，提示长期缓解；而受限的时间线则会掩盖这一模式并损害模型有效性。包括两步检验法和 RECeUS 方法在内的定量框架始终证实这些视觉发现，确认长期监测能够可靠地支持治愈建模。最终，实验得出结论：具有足够随访时长的回顾性数据集可以充分支持治愈模型的应用，即使缺乏正式方案规定的监测流程。

作者结合视觉与定量方法（包括基于 AIC 的模型选择与 RECeUS 框架）评估治愈模型的适用性。结果显示，基于充足的随访时间与模型拟合度，部分队列支持使用治愈模型，而其他案例因数据不足或模型选择结果被判定为不适用。当估计治愈比例高于阈值且易感生存与人群生存的比率较低时，RECeUS 方法确认模型适用。当估计治愈比例高于阈值且易感生存与人群生存的比率较低时，支持使用治愈模型。基于 AIC 的模型选择确定 Weibull 治愈模型为 IA 组的最优拟合模型，从而支持使用治愈模型。Kaplan-Meier 曲线的视觉检查显示存在长期平台期，表明随访充足并支持治愈模型的合理性。

作者使用 AIC 比较参数化治愈与非治愈模型，以评估治愈模型在 IA 组的适用性。Weibull 治愈模型的 AIC 值最低，表明其在考虑模型中拟合效果最佳。基于此选择，进一步使用 RECeUS 方法评估随访充分性与治愈比例。在所有模型中，Weibull 治愈模型的 AIC 值最低，表明其最符合数据。AIC 比较结果倾向于 Weibull 治愈模型，优于所有非治愈及其他治愈模型。RECeUS 方法基于模型选择与随访充分性标准确认了治愈模型的适用性。

作者结合视觉与定量方法评估不同数据集上治愈模型的适用性。结果显示，随访时间较长且存在生存平台期证据的数据集更可能支持使用治愈模型，视觉检查与 RECeUS 方法均得出一致结论。RECeUS 方法整合治愈比例与随访充分性，跨数据集提供了一致的模型适用性评估。随访时间较长且观察到生存平台期的数据集更可能支持治愈模型的应用。RECeUS 方法通过结合治愈比例与随访充分性，提供了一致的治愈模型适用性评估。生存平台期的视觉证据是治愈模型适用性的关键指标，尤其在结合定量结果时。

该评估将生存曲线的视觉检查与定量模型选择及随访充分性评估相结合，以确定不同数据集上治愈模型的适用性。实验验证表明，治愈模型主要适用于展现充足随访期、清晰生存平台期、高估计治愈比例以及低易感与人群生存比率的数据集。定量比较始终确定 Weibull 治愈模型为 IA 组的最优拟合模型，而 RECeUS 框架通过整合治愈比例阈值与随访充分性，可靠地确认了模型适用性。总体而言，研究结果确立了一个结论：充足的纵向数据与明确的生存平台期是成功将治愈模型应用于生存分析的关键前提。