Gaistošo marķieru metode gastrointestinālo audzēju diagnostikā

Abstract

Ievads: Elektroniskais deguns ir neinvazīvais tests, kas spēj tiešsaistē klasificēt slimību grupas caur gaistošu marķieru analīzi izelpas gaisā. Mērķis: Pielietot un izvērtēt e-deguna kuņģa un kolorektālā vēža klasificēšanas modeļus uz vidējā riska populācijas pēc aklās, jeb ārējās validācijas principa. Materiāli: Pētījuma ārējās validācijas grupa sastāvēja no 1529 respondentiem. No šīs grupas 94,9% (n=1452) bija veikts FIT tests, 4,8% (n=74) veikta kolonoskopija, ar trim atklātiem kolorektāla vēža gadījumiem, 63,8% (n=1006) veikta augšējā endoskopija, ar trim atklātiem kuņģa vēža gadījumiem. Ārējās validācijas grupas klasificēšanai tika izmantoti četri DFA modeļi: 2012.-2013. gada kuņģa vēža modelis (n=602), 2014. gada kolorektālā vēža modelis (n=140), 2016. gada kuņģa un kolorektālā vēža modelis (n=152). Izelpas gaisa paraugi bija savākti Tenax absorbcijas caurulēs un analizētas ar nanosensoru virknes metodi. Rezultāti: DFA modeļu iekšējās validācijas sensitivitāte, specifitāte un laukums zem ROC līknes sastādīja: 85,19%, 86,53% un 0,955 (p<0,001; 95% CI:0,941-0,970) 2012.-2013. gada kuņģa vēža modelim; 87,3%, 82,35 % un 0,965 (p<0,001; 95% CI:0,936-0,994) 2014. gada kolorektāla vēža modelim; 97,56%, 98,82% un 0,99 (p<0,001; 95% CI:0,997 – 1,000) 2016. gada kuņģa vēža modelim; 100%, 98% un 0,951 (p<0,001; 95% CI:0,918 – 0,984) 2016. gada kolorektāla vēža modelim. Pielietojot šos modeļus uz ārējās validācijas grupas, klasificēšanās pēc vēža modeļa sastādīja 64,2%; 72,7%; 32,2% un 26% attiecīgi. Vislabākie rezultāti bija kuņģa vēža 2016. gada modelim ar 32,2% (n=362) klasifikāciju ārējā validācijā, kurā 66% (n=239) klasificēšanās bija viltus pozitīva, 33,4% (n=121) gastroskopija nebija veikta un divi kuņģa vēža gadījumi bija pareizi klasificēti. Zināmo gadījumu klasifikācija sastādīja 100% sensitivitāti (95% CI:15,81%-100,00%) un 69,08% specifitāti (95% CI: 65,48% -72,50%). Pakāpeniski uztrenējot 2016.gada kuņģa vēža modeļa kontroles grupu no ārējas validācijas grupas gadījumiem, ārējā validācijā samazinājās viltus pozitīvo klasifikāciju skaits un 4,5% (n=45) klasificējās pēc kuņģa vēža modeļa. No tiem 40% (n=18) gadījumos gastroskopija nebija veikta, 60% (n=27) gadījumos tā bija viltus pozitīva. Savukārt visi kuņģa vēža gadījumi bija klasificēti pēc kontroles modeļa ar rezultējošo sensitivitāti 0% (95% CI:0%-84,19%) un specifitāti 95,79% (95% CI:93,94%-97,21%) ārējā validācijā. Secinājumi: E-deguna metode spēj klasificēt kolorektālo vēzi un kuņģa vēzi ar pietiekoši augstu sensitivitāti un specifitāti iekšējā validācijā, taču nanomateriālu sensoru nestabilitātes dēļ tā pielietošana lielākā laika periodā ir apgrūtināta. E-deguna DFA modeļa klasifikācijas precizitāti var uztrenēt, regulāri papildinot datubāzi ar jauniem slimības un kontroles grupas gadījumiem.

Introduction: E-nose is noninvasive test with ability to recognize different diseases by detecting volatile markers in breath samples. Aims: To apply gastric cancer and colorectal cancer e-nose discriminating models on average risk population samples by using external (blind) validation test. Materials: External validation group consisted of 1529 respondents. Out of them 94,9% (n=1452) done FIT tests, in 4,8% (n=74) cases colonoscopy was performed, with three detected colorectal cancer cases, in 63,8% (n=1006) cases upper endoscopy was performed, with three detected gastric cancer cases. For blind validation four DFA model groups were created: 2012-2013 gastric cancer model (n=602), 2014 colorectal cancer model (n=140), 2016 gastric cancer and colorectal cancer models (n=152). Breath samples were collected using Tenax absorbtion tubes and analysis was performed by nanosensor array method. Results: DFA internal validation sensitivity, specificity and ROC area was 85,19%, 86,53% and 0,955 (p<0,001; 95% CI:0,941-0,970) in 2012-2013 gastric cancer model; 87,3%, 82,35 % and 0,965 (p<0,001; 95% CI:0,936-0,994) in 2014 colorectal cancer model; 97,56%, 98,82% and 0,99 (p<0,001; 95% CI:0,997 – 1,000) in 2016 gastric cancer model; 100%, 98% and 0,951 (p<0,001; 95%CI:0,918 – 0,984) in 2016 colorectal cancer model. External validation cancer classification rates were 64,2%; 72,7%; 32,2% and 26% per model. Best external validation discriminating model was 2016 gastric cancer model, in which 32,2% (n=362) cases classified as gastric cancer. Out of them 66% (n=239) were false positive, 33,4% (n=121) had no gastroscopy results and two gastric cancer cases classified correclty with 100% sensitivity (95% CI:15,81%-100,00%) and 69,08% specificity (95% CI: 65,48% -72,50%). False positive classification rate was managed by moving randomly selected cases from external validation set into control group of 2016 DFA gastric cancer model. In new model external validation gastric cancer classification rate dropped to 4,5% (n=45). Out of them 40% (n=18) had no gastroscopy results, 60% (n=27) were faslse positive. All gastric cancer cases in external validation classified as controls with 0% sensitivity (95% CI:0%-84,19%) and 95,79% specificity (95% CI:93,94%-97,21%). Conculsions: E-nose can classificate correclty colorectal and gastric cancer cases in internal validation set, but nanomaterial sensor instability complicates external validation due to sensor response shifts over time. E-nose model could be trained in a manner described, by adding regularly disease and control cases into the database.