基于机器学习的肿瘤临床试验结果泛化性评估研究 学术背景 随机对照试验（Randomized Controlled Trials, RCTs）是评估抗癌药物疗效的黄金标准，但其结果往往难以直接推广到真实世界中的肿瘤患者。RCTs通常采用严格的入组标准，导致研究人群与真实世界的肿瘤患者群体存在显著差异。此外，RCTs中可能存在与患者预后风险相关的选择偏倚，进一步限制了试验结果的泛化性。为了解决这一问题，研究者们开发了名为TrialTranslator的框架，通过机器学习模型对真实世界中的肿瘤患者进行风险分层，并模拟RCTs，以系统评估试验结果的泛化性。 该研究旨在回答以下问题：真实世界中的肿瘤患者是否能够从RCTs中报告的生存获益中获益？不同预后风险的患者群体在生存时间和治疗获益方面是否存在显著...