Nachweis von Darmkrebs bei Patienten mit einem positiven immunchemischen Stuhltest unter Verwendung eines elektronischen Nasengeräts (AeoNoseTM)

Studienbegründung:

Die Koloskopie spielt eine Schlüsselrolle in allen Modalitäten der Darmkrebsvorsorge (CRC). Eine wichtige Einschränkung der Koloskopie bleibt, dass sowohl die diagnostische Genauigkeit als auch die therapeutische Sicherheit der Koloskopie von mehreren arzt- und patientenbezogenen Faktoren abhängen. Bei der Koloskopie werden erhebliche Mengen an Polypen übersehen, und bei 0,1 % bis 0,3 % aller Koloskopieverfahren treten immer noch schwerwiegende unerwünschte Wirkungen auf, selbst unter erfahrenen Untersuchern. Darüber hinaus wirken sich die belastende Natur des Verfahrens und die Notwendigkeit einer vollständigen Darmvorbereitung negativ auf die Teilnahmeraten aus, und die Verwendung der Koloskopie als CRC-Screening-Test ist durch die Gesundheitskosten und das für die Durchführung des Screenings erforderliche Fachwissen begrenzt. Diese Nachteile der Koloskopie rechtfertigen die Entwicklung eines neuen, nicht-invasiven, genauen CRC-Screening-Tests.

Ein elektronisches Nasengerät ist ein künstliches Geruchssystem, das flüchtige organische Verbindungen (VOCs) in der ausgeatmeten Luft analysiert. Der Einsatz elektronischer Nasen wurde bereits als potenzieller nicht-invasiver diagnostischer Biomarkertest für Lungenkrebs, Brustkrebs und maligne Melanome bewertet. Die vorliegende Studie zielt darauf ab, die diagnostische Genauigkeit der Atemluftanalyse mit dem AeonoseTM (The eNose Company, Zutphen, Niederlande) zu untersuchen, um den Atem von Patienten mit Verdacht auf CRC (basierend auf einem positiven fäkalen immunchemischen Test (FIT)) zu unterscheiden, die sind wirklich mit CRC diagnostiziert wurde, von Patienten mit CRC-Verdacht, bei denen diese Diagnose nach der Koloskopie verworfen wird.

Ziele:

• Untersuchung der diagnostischen Genauigkeit der Ausatemluftanalyse mit dem AeonoseTM, um den Atem von Patienten mit Verdacht auf CRC basierend auf einem positiven FIT-Test, die wirklich mit CRC diagnostiziert wurden, von Patienten mit Verdacht auf CRC zu unterscheiden, bei denen diese Diagnose nach der Koloskopie verworfen wird.
• Untersuchung der diagnostischen Genauigkeit der Atemluftanalyse mit dem AeonoseTM für andere (prä-)maligne Dickdarmläsionen (z. fortgeschrittene Adenome, nicht fortgeschrittene Adenome und festsitzende serratierte Läsionen).
• Bewertung der Akzeptanzrate bei der Verwendung des AeonoseTM-Geräts.

Studiendesign: Die vorliegende multizentrische Studie wird 1950 FIT-positive Patienten umfassen. Die Studie wird in sieben Krankenhäusern in den Niederlanden durchgeführt. Zunächst wird eine Datenbank mit Atemabdrücken entwickelt, um CRC zu erkennen. In dieser Studienphase wird der AeonoseTM trainiert und die Datenbank der Atemabdrücke wird durch Kreuzvalidierung „10 % weglassen“ verifiziert. Nach der Kalibrierungsphase wird die diagnostische Genauigkeit von AeonoseTM bei neuen Studienpatienten bewertet (externe Validierung).

Studienpopulation: Patienten im Alter zwischen 55 und 75 Jahren mit positivem FIT-Test, die zu einem Koloskopieverfahren überwiesen wurden.

Hauptstudienparameter/-endpunkte:

• Die Fähigkeit von AeonoseTM, zwischen Patienten mit und ohne CRC in einer FIT-positiven Population in Bezug auf Sensitivität und Spezifität zu unterscheiden.
• Die diagnostische Genauigkeit von AeonoseTM für andere (prä-)maligne Dickdarmläsionen.
• Akzeptanzrate von AeonoseTM

Statistische Analyse:

Daten zu demografischen Merkmalen und Baseline-Merkmalen werden für kontinuierliche Variablen zusammengefasst, bei Normalverteilung nach Mittelwert und Standardabweichung und bei Nicht-Normalverteilung nach Median und Interquartilsabstand. Für diskrete Variablen (z. B. Rasse und Geschlecht) werden die Daten nach Anteilen (Prozentsätzen) zusammengefasst. Unterschiede in den Ausgangsmerkmalen werden gegebenenfalls mit dem t-Test unabhängiger Stichproben, dem exakten Fisher-Test oder dem Chi-Quadrat-Test bestimmt. Ein zweiseitiger p-Wert < 0,05 wird als statistisch signifikant betrachtet.

Die Daten werden von einem künstlichen neuronalen Netzwerk (KNN) analysiert, um Datenklassifikatoren zu identifizieren, um Unterschiede zwischen den Mustern bei Patienten durch das Vorhandensein oder Fehlen von CRC in Biopsien zu extrahieren. Durch die Analyse einer Gruppe von Atemabdrücken von Patienten mit und ohne CRC können individuelle Unterschiede in Bezug auf Ernährung, Medikamente, Komorbiditäten und andere Faktoren herausgefiltert werden, um Merkmale zu identifizieren, die die Verbindungen von Patienten mit CRC unterscheiden. Dieser Prozess setzt sich fort, bis ein ausgewähltes Unterscheidungsniveau erreicht ist. Datenkomprimierung und KNN wurden in ein proprietäres Softwarepaket (Aethena) der eNose Company (Zutphen, Niederlande) integriert.

Die binären Ergebnisse werden in einem Scatterplot und einer Empfängerbetriebskennlinie (ROC-Kurve) dargestellt. Matthews-Korrelationskoeffizienten werden berechnet, um die Qualität binärer Klassifikationen zu messen. Die Kreuzvalidierung der Daten wird mit einer Leave-10%-out-Methode durchgeführt. Ein Teil der Daten wird weggelassen, um das optimalste Modell vorherzusagen.