《Annals of Hematology》：Nomogram based on serum interleukin-33 levels and clinical characteristics for predicting overall survival in hematologic malignancy patients receiving haplo-HDPSCT
编辑推荐：
本文报道了针对单倍体高剂量外周血造血干细胞移植（haplo-HDPSCT）后患者预后预测难题的研究。团队通过回顾性队列分析，发现移植后1个月血清IL-33水平与移植前微小残留病（MRD）状态是总体生存（OS）的独立预测因子，并据此构建了预后列线图。该模型在区分度、校准度及临床净收益方面均优于单一指标模型，为早期识别高危患者、实现个体化管理提供了可靠工具。
在血液系统恶性肿瘤的治疗领域，单倍体相合造血干细胞移植（haplo-HSCT）已成为缺乏全相合供者时的重要拯救性治疗方案。其中，单倍体高剂量外周血造血干细胞移植（haplo-HDPSCT）因其更强的移植物抗白血病（graft-versus-leukemia, GVL）效应而受到关注。然而，如何平衡GVL效应与致命性的移植物抗宿主病（graft-versus-host disease, GVHD），以及如何精准预测患者移植后的长期生存，仍是临床面临的巨大挑战。传统的预后模型多依赖于移植前的静态指标，难以捕捉移植后动态变化的免疫微环境。因此，寻找能够动态反映移植后免疫状态、并与肿瘤负荷相结合的有效生物标志物，构建更精准的预后预测工具，对于改善患者生存至关重要。
为了应对这一挑战，一项发表在《Annals of Hematology》的研究应运而生。该研究旨在探索血清白介素-33（Interleukin-33, IL-33）——一种IL-1超家族成员，在组织免疫中扮演关键调节角色的细胞因子——在haplo-HDPSCT患者中的预后价值。研究人员猜想，移植后早期（如1个月时）的IL-33水平，可能反映了持续的促炎或免疫调节状态，进而影响患者的长期结局。他们计划将这一动态免疫指标与经典的肿瘤负荷指标（移植前可测量残留病，measurable residual disease, MRD）相结合，构建一个全新的预后预测模型。
研究人员开展了一项单中心回顾性研究，纳入了2017年1月至2023年8月期间在新疆医科大学第一附属医院接受haplo-HDPSCT的165例血液恶性肿瘤患者。研究采用的关键技术方法主要包括：1) 通过 landmark 分析设定移植后1个月为关键时间点，以规避 immortal time bias；2) 使用流式细胞微珠阵列（Cytometric Bead Array, CBA）技术定量检测患者移植后1个月的血清IL-33水平；3) 运用多色流式细胞术（multicolor flow cytometry, MFC）评估移植前MRD状态（阈值设定为≥0.1%为阳性）；4) 采用Cox比例风险回归模型进行单因素和多因素分析，筛选总体生存（overall survival, OS）的独立预后因素；5) 基于筛选出的独立因素，利用R软件构建预测1年、3年和5年OS的列线图（nomogram）模型；6) 通过计算一致性指数（C-index）、绘制校准曲线和决策曲线分析（Decision Curve Analysis, DCA）以及内部Bootstrap重抽样验证，全面评估模型的区分度、校准度和临床实用性。
研究结果
预后细胞因子的筛选与IL-33的最佳截断值
研究人员首先筛查了一系列与GVHD/GVL相关的细胞因子（包括IL-12, IL-15, IL-18, TNF-α, IFN-γ, IL-10），发现仅IL-33与生存显著相关。通过5年时间依赖性ROC曲线和约登指数，确定IL-33预测OS的最佳截断值为132.50 pg/mL。根据此截断值将患者分为高IL-33组和低IL-33组，Kaplan-Meier生存分析显示，高IL-33组患者的死亡率显著更高（P= 0.004）。
患者特征
对165例患者的基线临床资料分析发现，在事件组（死亡）与非事件组（生存）之间，仅IL-33状态和移植前MRD状态存在显著差异（P< 0.05），而年龄、性别等其他指标无显著差异。
结合临床和血清学因素建立列线图
单因素Cox分析显示，高IL-33水平（P= 0.006）和移植前MRD阳性（P= 0.002）与较差的OS显著相关。多因素Cox分析进一步确认，高IL-33状态（HR = 2.218, P= 0.004）和移植前MRD阳性（HR = 2.544, P= 0.001）是haplo-HDPSCT后OS的独立不良预后因素。基于这两个因素，研究构建了预测1年、3年和5年OS的列线图模型。
列线图的拟合优度与区分性能
该列线图的Akaike信息准则（AIC）和贝叶斯信息准则（BIC）值（分别为324.796和327.907）均低于仅包含MRD的模型（分别为331.014和332.570），表明其拟合优度更佳。列线图的Bootstrap校正后C指数为0.682（95% CI: 0.592–0.772），显著优于仅用移植前MRD状态（0.598）或仅用高IL-33状态（0.624）的预测能力。时间依赖性C指数分析进一步证实了列线图在预测1年、3年和5年OS方面具有更高的准确性。
列线图的净获益与预测性能
决策曲线分析（DCA）显示，在预测1年、3年和5年OS时，该列线图比“全部治疗”或“全部不治疗”策略具有更高的临床净获益。校准曲线显示，列线图预测的生存概率与实际观察到的生存率具有良好的一致性。
基于列线图的风险分层
根据列线图计算每位患者的总风险评分，并以-0.510为最佳截断值，将所有患者分为高风险组和低风险组。Kaplan-Meier分析显示，高风险组患者的中位OS仅为19个月，显著差于低风险组（中位OS: 54个月，P< 0.001）。
结论与讨论
本研究的核心结论是，移植后1个月的高血清IL-33水平是haplo-HDPSCT患者总体生存不良的独立预测因子。研究成功构建并内部验证了一个结合了动态免疫指标（IL-33）和静态肿瘤负荷指标（移植前MRD）的预后列线图。该模型在区分度、校准度和临床实用性方面均优于传统的单一指标模型，并能有效将患者分为具有显著生存差异的高危和低危组。
其重要意义在于：第一，它突破了传统预后模型仅依赖移植前静态指标的局限，引入了移植后早期（1个月）的动态免疫环境指标IL-33，实现了“肿瘤负荷”与“宿主免疫”双重维度的整合预测，精准度更高。第二，研究揭示了IL-33在haplo-HDPSCT独特免疫环境中的特殊预后价值。有趣的是，高IL-33水平与急性GVHD发生率无显著相关性，提示其不良预后可能并非通过驱动经典炎症，而是通过诱导免疫耐受、抑制GVL效应，从而增加疾病复发风险的新机制。这为理解IL-33/ST2轴在移植免疫中的双重作用提供了新视角，并指明了其作为潜在治疗靶点的方向。第三，该列线图为临床医生提供了一个直观、易用的量化工具，可用于早期识别高危患者，从而实施更密集的监测或抢先干预策略，有望实现真正的个体化移植后管理。
当然，研究也存在单中心回顾性设计可能带来的选择偏倚、需要多中心外部验证，以及模型无法预测移植后30天内早期事件等局限性。但无疑，这项研究为优化haplo-HDPSCT患者的预后管理迈出了坚实的一步。
