Klinická studie proveditelnosti fotoakustického vyhledávače

-Úvod Přítomnost lymfatických metastáz u pacientek s karcinomem prsu je důležitým prognostickým faktorem pro přežití a přesné stanovení stadia vede k vhodné adjuvantní léčbě. Biopsie sentinelové lymfatické uzliny (SLNb) je standardní metoda používaná k potvrzení regionálních axilárních lymfatických metastáz u pacientek s rakovinou prsu. Sentinelové lymfatické uzliny (SLN) jsou skupinou počátečních lymfatických uzlin (LN) umístěných v blízkosti nádoru a propojených lymfatickými cévami (LV), hypoteticky prvními, které primární nádor drénuje v regionálním lymfatickém povodí. Pokud se v excidovaných SLN nepotvrdí metastatické nádorové buňky, lze snížit výskyt morbidit, jako je lymfedém, vynecháním zbytečné disekce axilárních lymfatických uzlin (ALND). Postup SLNb je duální modální metoda využívající radioaktivní indikátor (např. 99mTc) a/nebo modré barvivo k identifikaci SLN. Radioaktivní indikátor a modré barvivo jsou podávány před operací a absorbovány lymfatickým systémem a nakonec proudí do SLN. Během chirurgických zákroků jsou SLN identifikovány vizuální kontrolou modře zbarvených LV a detekcí radioaktivity pomocí gama sondy. Identifikované SLN jsou následně vyříznuty a odeslány k patologickému vyšetření k posouzení potenciálního metastatického nádoru.

Duální modální metoda zvyšuje přesnost a efektivitu identifikace SLN tím, že využívá zřetelné výhody každé metody. Radioaktivní izotopy v ordinaci SLNb však představují inherentní riziko radiační expozice a vyžadují specializovaná zařízení a kvalifikovaný zdravotnický personál. Tyto faktory vnášejí do chirurgického postupu složitost a vytvářejí překážky pro implementaci SLNb v místních nemocnicích. Podávání radioaktivního materiálu navíc typicky vyžaduje spolupráci s oddělením nukleární medicíny, což omezuje přímé použití chirurgem a může mít vliv na plánování operace. A konečně, protože radioaktivní izotopy neposkytují vizuální informace, je intuitivní identifikace SLN náročná. Na druhé straně modré barvivo vizuálně barví lymfatickou síť, což umožňuje intuitivní identifikaci SLN bez radiační zátěže. Spoléhání se na vizuální kontrolu modře zbarvených SLN však může způsobit mezilékařskou variabilitu a potenciální nepřesnosti při identifikaci SLN kvůli proměnným charakteristikám lézí, jako je přítomnost tukové tkáně a krve. Tato omezení způsobují, že je obtížné vidět modré barvivo v LN, což nakonec vede ke snížené citlivosti při detekci SLN.

Fotoakustické (PA) zobrazování nebo snímání je neionizující technika, která využívá vlastnosti přirozené absorpce světla složek biologické tkáně. Pro generování signálů PA indukuje nanosekundový pulzní laser opakované okamžité tepelné rozpínání ve vzorku, čímž se vytvářejí akustické vlny. Tyto akustické vlny jsou poté zachyceny ultrazvukovým převodníkem a analyzovány, aby se potvrdila přítomnost specifických složek ve vzorku. Technologie PA snímání dokáže detekovat barvivem obarvené LN s vysokou citlivostí a poskytuje kvantitativní reprezentaci v reálném čase. Tato metoda může přesně určit přítomnost nebo nepřítomnost obarvených SLN, které mohly být nerozeznatelné vizuální kontrolou. V důsledku toho může usnadnit postupy SLNb bez radioaktivních materiálů. V našich předchozích studiích byl úspěšně navržen špičkový systém známý jako fotoakustický vyhledávač (PAF). Je pozoruhodně účinný při detekci SLN při zachování vysokého poměru signálu k šumu (SNR). PAF kombinuje laserový násadec s pevným barvivem (SSD) a transparentní ultrazvukový převodník (TUT) v přesně koaxiální konfiguraci. Tato studie popisuje preklinické studie PAF, které potvrdily jeho schopnost přesně detekovat modře zbarvené SLN.

Tato průřezová klinická studie byla provedena ex vivo za účelem ověření proveditelnosti použití PAF v klinickém prostředí. Proces potvrzuje signál z vyříznutých LN identifikovaných duální modální metodou a PAF před jejich odesláním na patologii. Pro stanovení jeho detekční účinnosti se účinnost PAF porovnává s detekční rychlostí standardního SLNb. Výsledky ukazují klinickou proveditelnost použití PAF pro SLNb, což představuje neradioaktivní alternativu.

-Design studie: Tato studie byla provedena jako průřezová, otevřená, jednoramenná ex vivo studie v rámci jediné instituce, aby prozkoumala účinnost PAF ve srovnání se standardními duálními metodami detekce SLN při léčbě rakoviny prsu. . Postupy SLNb se řídily mezinárodními směrnicemi a využívaly mapování radioizotopů i modrého barviva. SLN byly identifikovány pomocí gama sondy a vizuální kontroly modrého barviva, poté byly resekovány a označeny, aby se znovu potvrdila vizuální kontrola pomocí gama sondy a modrého barviva. Následně byl PAF použit k zachycení signálů z LN. Aby se minimalizovaly potenciální chyby, jako jsou chyby v označení a chyby při porodu LN, byl systém PAF umístěn na operačním sále. Do studie byly zařazeny ženy s diagnózou rakoviny prsu, které se dostavily na oddělení chirurgie prsu v nemocnici St. Mary's Hospital, Soul, Korejská republika.

-Biopsie sentinelové lymfatické uzliny: SLNb byla provedena v souladu se zavedenými mezinárodními směrnicemi s využitím metod radioizotopového i modrého mapování. Studie se zúčastnilo pět chirurgických onkologů, z nichž všichni měli zkušenosti s prováděním standardního dual-modálního SLNb a rozuměli klinickému protokolu. Radioizotop (0,1 ml 99mTc-fytátu) byl podán do subdermálního lymfatického flexu pod dvorcem během 30 minut až 8 hodin před operací. Když operace začala, operátor potvrdil umístění nádoru. Poté bylo peritumorálně nebo periareolárně před incizí injikováno modré barvivo (indigokarmín, 2-5 ml) s následnou masáží po dobu 1 minuty po injekci. Povodí axilárních uzlin bylo podrobně prozkoumáno pomocí ruční gama sondy k detekci radioaktivních signálů a vizuálně prozkoumáno pouhým okem k detekci silně modře zbarvených LN. Identifikace SLN pokračovala, dokud nebyl gama sondou detekován žádný další signál nebo modře zbarvené LN již nebyly nalezeny v uzlových povodích v operačním poli. Pro tuto studii byly SLN definovány jako LN se signálem gama sondy větším než 10 % maximální hodnoty signálu a/nebo viditelně obarvené modrým barvivem. Kromě toho byly na základě zkušeností chirurga vyříznuty abnormálně hmatné LN, které nebyly detekovány gama sondou a vizuální kontrolou, a tyto byly označeny jako non-SLN. SLN a non-SLN byly dále vyšetřeny PAF a následně byly předány na patologické oddělení k analýze zmrazených řezů.

-Velikost vzorku: Ke stanovení požadované velikosti vzorku pro testování non-inferiority PAF a duální modální metody byl použit non-inferiority chí-kvadrát estimátor velikosti vzorku s použitím non-inferiority rozpětí 5 %, což je význam úroveň (alfa) 5 % a výkon (1-beta) 80 %. Na základě předchozího výzkumu a na základě experimentálních dat z testů se předpokládalo, že míra vizuální detekce bude přibližně 78 % pro SLN a 84 % pro PAF. Výpočty odhalily, že by bylo zapotřebí celkem 157 SLN, což odpovídá přibližně 1,5 SLN na pacienta, což vyžaduje zařazení 115 pacientů, aby byly splněny požadavky na velikost vzorku s předpokládaným 10% výpadkem.

-Metody statické analýzy:

Primární koncové body, kterými byly míry detekce SLN pro gama sondu, vizuální kontrola a PAF, byly definovány následovně:

Míra detekce = (počet detekovaných SLN)/(celkový počet SLN) × 100 [%]

Sekundární koncové body zahrnovaly výsledky analýzy non-inferiority provedené pomocí chí-kvadrát testu. Kromě toho byla citlivost a specificita hodnocena pomocí analýzy ROC křivky jako součást dalších koncových bodů. Pokud jde o primární a sekundární cílové parametry, byly specificky zkoumány SLN, s vyloučením non-SLN, aby se minimalizovala potenciální subjektivita chirurga.

Byl proveden Wilcoxon Mann-Whitney U-Test ke stanovení hranice pro PAF a byly porovnány statistické významnosti mezi 99mTc+/-, modrou+/- a skupinami bez injekce. V analýze non-inferiority byl proveden chí-kvadrát test pro porovnání rizikových rozdílů pro uzly 99mTc+, blue+ a PAF+. Nezávislý t-test vzorků byl použit pro další normální rozdělení, jako je věk a BMI. Všechny statistické analýzy v této studii byly provedeny pomocí MATLAB R2022a s Statistics and Machine Learning Toolbox.