On Welt-Lungenkrebsmonat, Es ist von entscheidender Bedeutung, die Fortschritte im Kampf gegen diese tödliche Krankheit hervorzuheben.
Unter allen Krebsarten ist Lungenkrebs eine der häufigsten und tödlichsten Arten weltweit. Die Früherkennung bleibt ein wesentlicher Meilenstein für Patienten, die an der Krankheit leiden, da die Hauptursache für schlechte Prognose ist späte Diagnose. Tatsächlich werden etwa 75 % der Patienten erst in fortgeschrittenen Stadien (Stadium III–IV) diagnostiziert, wobei die 5-Jahres-Überlebensrate im Stadium IV weniger als 10 % beträgt. Daher konzentrieren sich Strategien auf die Identifizierung dieser Patienten im Stadien, die heilbar sind (Stadium 0–II) sind der Schlüssel zur Senkung der Lungenkrebsmortalität.
Dies war das Ziel einer Studie unter der Leitung von Forschern der Guangzhou Medical University of China. Die Forscher entwickelten PulmoSeek Plus, ein zusammengesetztes Modell, das aus der Kombination zweier zuvor von den Forschern entwickelter Modelle resultiert: CIBM (basierend auf klinischen und bildgebenden Merkmalen) und PulmoSeek (basierend auf zirkulierenden Tumor-DNA-Methylierungsbiomarkern). Pulmoseek Plus integriert die Vorhersagekraft klinischer, bildgebender (Computertomographie mit niedriger Dosis) und zellfreier DNA (cfDNA) Methylierungsbiomarker unter Verwendung von Algorithmen des maschinellen Lernens, um Klassifizieren Sie bösartige und gutartige Lungenrundherde.
Abbildung: Diagramm der Entscheidungskurvenanalyse für die Modelle PulmoSeek Plus, PulmoSeek und CIBM: Das Diagramm zeigt den Nettonutzen (y-Achse) über einen Bereich von Risikoschwellen (x-Achse) von drei Modellen im Vergleich zu einer Intervention bei allen Teilnehmern (alle) oder keiner Intervention (keine) im Trainingsset (A) und Validierungsset (B). CIBM = klinische und bildgebende Biomarker.
Das PulmoSeek Plus-Modell war den Modellen PulmoSeek und CIBM überlegen. Die Analyse der Entscheidungskurve zeigte einen höheren Nettonutzen bei der Identifizierung bösartiger Lungenrundherde, insbesondere wenn die Schwellenwahrscheinlichkeit im Trainingssatz über 0.19 und im Validierungssatz über 0.04 lag. Bei einer Risikoschwelle von 0.54 identifizierte PulmoSeek Plus etwa 83 von 100 Personen mit bösartigem Lungenkrebs korrekt und übertraf damit die anderen Modelle. Dies deutet darauf hin, seine Wirksamkeit als klinisches Instrument zur Diagnose von Lungenkrebs.
Dieses innovative Tool wurde trainiert und validiert in einem retrospektive Studie An der Studie nahmen 24 Krankenhäuser in 20 Städten Chinas teil, insgesamt 1380 Teilnehmer mit einem einzelnen Lungenrundherd von 5–30 mm Größe. Die Ergebnisse dieser Studie, die kürzlich in Die Lancet Digital Health Journal, ergab, dass PulmoSeek Plus eine hohe Sensitivität von 0.98 (0.97–0.99) bei einer festen Spezifität von 0.50 zum Ausschluss von Lungenkrebs. Wichtig ist, dass PulmoSeek Plus eine bessere Unterscheidungsfähigkeit zeigte, als die Autoren die Leistung dieses Modells mit der von CIBM und PulmoSeek verglichen, mit einer Erhöhung der Fläche unter der Kurve (AUC) um 0.05; PulmoSeek Plus vs. CIBM, 95% CI 0.022–0.087, p = 0.001; und PulmoSeek Plus vs. PulmoSeek, 0.018–0.083, p = 0.002). Darüber hinaus blieben die Vorteile bei Lungenkrebs im Frühstadium (Stadium 0 und I) und bei Patienten mit kleinen Knoten (Knoten von 5–10 mm Größe) erhalten, was in der klinischen Praxis oft eine Herausforderung darstellt.
Wie bewiesen, PulmoSeek Plus hat das Potenzial, ein wirksames Instrument für die frühe klinische Bewertung und Behandlung von Lungenkrebs, für die nicht-invasiv gewonnene Blutproben und CT-Scans die einzigen Voraussetzungen wären. Da dieses Modell etwa 83 von 100 Menschen mit Lungenkrebs identifizieren kann (siehe Abbildung unten), unterstreicht es die Nützlichkeit von Kombination leistungsstarker Methoden, wie künstliche Intelligenz, bildgebende Verfahren und neuartige Biomarker, mit herkömmlichen klinischen Instrumenten zur Früherkennung von Lungenkrebs.
Den vollständigen Artikel finden Sie werden auf dieser Seite erläutert.
Genaue Klassifizierung von Lungenrundherden durch ein kombiniertes Modell aus klinischen, bildgebenden und zellfreien DNA-Methylierungs-Biomarkern: eine Modellentwicklungs- und externe Validierungsstudie. Jianxing He, Bo Wang, Jinsheng Tao, Qin Liu et al. (2023) Lancet Digit Health 2023; 5: e647–56