8571 Background: Recent advances in machine learning have improved the accuracy of prognosis prediction of cancer. The applicability of algorithm creation methods to data from various institutions that were not utilized for algorithm training should be established to create an ML algorithm suitable for clinical practice for patients at various facilities. However, no large-scale studies have validated the inter-institutional generalizability of this algorithm across different institutions. Methods: We conducted a multicenter, retrospective, hospital-based cohort study of consecutive patients diagnosed with stage IV lung cancer between January 2016 and December 2020. The study population was randomly categorized into the training and independent test cohorts with a 2:1 ratio. The primary metric to assess algorithm performance was the area under the receiver operating characteristic curve in the independent test cohorts. To assess the inter-institutional generalizability of the algorithm, we investigated its ability to predict patient outcomes in the remaining facility after being trained using data from 15 other facilities. Results: We enrolled 6751 patients with stage IV lung cancer from 16 institutions in Japan. The median age was 70 years, and 4,421 (65%) had a PS score of 0 or 1. As a driver oncogene, 1,515 (22%) patients had mutated EGFR. The algorithm performance metrics in the test cohort showed that the area under the receiver operating characteristic curve values ranging from 0.83 to 0.90 across different predicted survival days (180 to 1080). The performance test of 16 algorithms for investigating inter-institutional generalizability showed median areas under the receiver operating characteristic curve of 0·87 (range, 0·84–0·92), 0·84 (range, 0·78–0·88), 0·84 (range, 0·76–0·89), and 0·84 (range, 0·75–0·90) at 180, 360, 720, and 1080 days, respectively. Specifically, at 180 predicted survival days, the AUC for the performance of algorithms classified based on facilities exceeded 0.8 for all algorithms (16/16). Similarly, the AUC exceeded 0.8 for 15/16, 12/16, and 12/16 facilities at 360, 720, and 1080 days, respectively, indicating a high degree of inter-institutional generalizability of the algorithm creation method. Conclusions: This large-scale study showed that our ML algorithm can accurately predict prognosis in patients with stage IV lung cancer. Furthermore, the algorithm creation method demonstrated a high degree of inter-institutional generalizability. Therefore, our ML algorithm can be generalized to various hospitals and implemented in clinical practice to benefit patients across diverse healthcare facilities.

8087 Background: Chemo-immunotherapy is the standard 1st-line therapy for patients with extensive-stage small-cell lung cancer (ES-SCLC). Our large previous real-world prospective analysis showed outcomes of chemo-immunotherapy for these patients according to potential clinical trial eligibility with a minimum follow-up period of 1 year. However, long-term outcomes have not been studied in the real-world setting. Methods: We conducted a 32-hospital prospective cohort study of consecutive patients with ES-SCLC who received carboplatin and etoposide with atezolizumab as 1st-line therapy between September 2019 and September 2020. Patients who met eligibility criteria for pivotal phase 3 clinical trials were considered “trial-eligible.” We present 3-year outcomes from this study. Results: In total, 207 patients with ES-SCLC were analyzed. The median (range) time from the start of treatment to data cutoff (September 30, 2023) was 42.2 (35.8.-48.2) months. The median age was 72 years, and 64 patients (31%) were elderly (≥75 years). Most patients (89%) had a performance status (PS) of 0 or 1. As a result, 132 (64%) were categorized as trial-eligible patients. The 3-year PFS and OS probability of all patients was 6.1 % (95%CI:3.5-10.4%) and 20.9 % (95%CI:15.6-27.3%), respectively. Patients achieving 3-year OS included significantly higher proportions of trial-eligible patients (30 out of 132 versus 5 out of 75, respectively; p = 0.002). Kaplan-Meier estimates of the 3-year OS rate were 26.7% for the trial-eligible group and 9.5 % for the trial-ineligible group. Conclusions: This is the first real-world study to show the long-term efficacy of chemo-immunotherapy for ES-SCLC by using the largest prospective cohort of its kind. Additionally, this study demonstrated that trial eligibility was associated with long-term efficacy. Our study suggests that long-term clinical outcomes among trial-eligible patients may not translate to ineligible patients.