Autoren
MustRafał Watrowski,1,2,†Eva Obermayr,2,†Christine Wallisch,3Stefanie Aust,2Nicole Concin,4Elena Ioana Braicu,5Toon Van Gorp,6Annette Hasenburg,7,8Jalid Sehouli,5Ignace Vergote,6und Robert Zeillinger2,*
Einfache Zusammenfassung
Eierstockkrebs (OC) ist der tödlichste genitale Tumor bei Frauen. In dieser multizentrischen Studie haben wir drei neue diagnostische Modelle basierend auf Serumproteinen und Patientenalter entwickelt. Alle Modelle wurden dann anhand von Daten aus anderen als den für die Modellentwicklung verwendeten Zentren validiert. Wir haben auch die Leistung dieser Modelle mit gängigen singulären Markern (CA125, HE4) und Algorithmen (ROMA-50 und der Copenhagen Index) verglichen. Wir haben moderne Technologie (Luminex®, Austin, TX, USA) verwendet, die die gleichzeitige Bestimmung mehrerer Biomarker in einer kleinen Blutmenge ermöglicht. Eine Kombination des Patientenalters mit vier bis sechs Markern schnitt am besten ab: CA125, Osteopontin, Prolaktin, Hemmfaktor der Makrophagenmigration und schließlich HE4 und Leptin. Unsere Modelle waren besser als der ROMA-50-Index, übertrafen jedoch nicht den Kopenhagen-Index. Bei postmenopausalen Patientinnen zeigten alle neu entwickelten Modelle hervorragende Ergebnisse. Leider verbesserte keines der getesteten Modelle die Diagnose bei prämenopausalen Patientinnen und jenen, die aufgrund normaler CA125-Spiegel verpasst wurden.
Auszug
Eierstockkrebs (OC) ist die tödlichste genitale bösartige Erkrankung bei Frauen. Unser Ziel war es, neue proteomikbasierte Modelle für die nicht-invasive Diagnose von OC zu entwickeln und zu validieren. Wir haben sie auch mit dem modifizierten Risk of Ovarian Malignancy Algorithm (ROMA-50), dem Copenhagen Index (CPH‑I) und unserem früheren Proteomic Model 2017 verglichen. Bei 356 Frauen (250 mit bösartigen und 106 mit gutartigen Ovarialtumoren) aus fünf europäischen Zentren wurden Biomarker unter Verwendung der Bead-basierten Multiplex-Technologie (Luminex®) bewertet. Die Trainingskohorte umfasste 279 Frauen aus drei Zentren und die Validierungskohorte 77 Frauen aus zwei anderen Zentren. Von sechs zuvor untersuchten Serumproteinen (CA125, HE4, Osteopontin [OPN], Prolaktin, Leptin und Hemmfaktor der Makrophagenmigration [MIF]) trugen vier wesentlich zum Proteomic Model 2021 bei (CA125, OPN, Prolaktin, MIF), während Leptin und HE4 wurden vom Algorithmus weggelassen. Das Proteomic Model 2021 ergab einen c‑Index von 0,98 (95 % CI 0,96, 0,99) in der Trainingskohorte; allerdings erreichte es in der Validierungskohorte nur einen c‑Index von 0,82 (95 % KI 0,72, 0,91). Das Hinzufügen des Patientenalters zum Proteomic Model 2021 bildete das kombinierte Modell 2021 mit einem c‑Index von 0,99 (95 % CI 0,97, 1) in der Ausbildungskohorte und einem c‑Index von 0,86 (95 % CI 0,78, 0,95) in der Kohorte Validierungskohorte. Das Full Combined Model 2021 (alle sechs Proteine mit Alter) ergab einen c‑Index von 0,98 (95 % KI 0,97, 0,99) in der Trainingskohorte und einen c‑Index von 0,89 (95 % KI 0,81, 0,97) in der Validierungskohorte . Die Validierung unseres vorherigen Proteomikmodells 2017 sowie des ROMA-50 und des CPH‑I ergab einen c‑Index von 0,9 (95 % KI 0,82, 0,97), 0,54 (95 % KI 0,38, 0,69) und 0,92 (95 % KI 0,85, 0,98). Bei postmenopausalen Frauen erreichten die drei neu entwickelten Modelle alle eine Spezifität von 1,00, einen positiven Vorhersagewert (PPV) von 1,00 und eine Sensitivität von > 0,9. Die Leistung bei Frauen unter 50 Jahren (c‑Index unter 0,6) oder mit normalem CA125 (c‑Index nahe 0,5) war schlecht. CA125 und OPN hatten als Einzelmarker die beste Trennschärfe. Zusammenfassend zeigten das CPH‑I, die beiden kombinierten 2021-Modelle und das Proteomic-Modell 2017 zufriedenstellende diagnostische Genauigkeiten, ohne dass eines der Modelle klar überlegen war. Bemerkenswert ist, dass das kombinierte Modell 2021, obwohl es Werte von nur vier Proteinen mit dem Alter kombiniert, eine vergleichbare Leistung wie das vollständige kombinierte Modell 2021 erzielt. Die Modelle bestätigten ihre außergewöhnliche diagnostische Leistung bei Frauen im Alter von ≥ 50 Jahren. Alle Modelle übertrafen die ROMA-50.
Verweise
- Sung H., Ferlay J., Siegel R.L., Laversanne M., Soerjomataram I., Jemal A., Bray F. Global Cancer Statistics 2020: GLOBOCAN Estimates of Incidence and Mortality Worldwide for 36 Cancers in 185 Countries. CA A Cancer J. Clin. 2021;71:209–249. doi: 10.3322/caac.21660. – DOI - PubMed
- Zhou Z., Wang X., Ren X., Zhou L., Wang N., Kang H. Disease Burden and Attributable Risk Factors of Ovarian Cancer from 1990 to 2017: Findings from the Global Burden of Disease Study 2017. Front. Public Health. 2021;9:619581. doi: 10.3389/fpubh.2021.619581. – DOI - PMC - PubMed
- Global Burden of Disease 2019 Cancer Collaboration. Kocarnik J.M., Compton K., Dean F.E., Fu W., Gaw B.L., Harvey J.D., Henrikson H.J., Lu D., Pennini A., et al. Cancer Incidence, Mortality, Years of Life Lost, Years Lived with Disability, and Disability-Adjusted Life Years for 29 Cancer Groups From 2010 to 2019: A Systematic Analysis for the Global Burden of Disease Study 2019. JAMA Oncol. 2022;8:420–444. doi: 10.1001/jamaoncol.2021.6987. – DOI - PMC - PubMed
- Nolen B.M., Lokshin A.E. Protein Biomarkers of Ovarian Cancer: The Forest and the Trees. Future Oncol. 2012;8:55–71. doi: 10.2217/fon.11.135. – DOI - PMC - PubMed
- Bast R.C., Lu Z., Han C.Y., Lu K.H., Anderson K.S., Drescher C.W., Skates S.J. Biomarkers and Strategies for Early Detection of Ovarian Cancer. Cancer Epidemiol. Biomark. Prev. 2020;29:2504–2512. doi: 10.1158/1055–9965.EPI-20–1057. – DOI - PMC - PubMed