Ennustavan mallin kehittäminen metastaattisten sairauksien riskille PPGL:issä, retrospektiivinen kohorttitutkimus (PPGL-Pred)

Feokromosytoomat ja paraganglioomat (PPGL) ovat lisämunuaisen ytimen ja lisämunuaisen ulkopuolisen sympaattisen hermoston kasvaimia, jotka usein erittävät katekoliamiineja (1). Kasvaimet ovat peräisin hermoston harjasta ja noin 50 % niistä johtuu ituradan variantista. Vahvan periytyvyyden vuoksi geneettistä testausta suositellaan kaikille potilaille, joilla on PPGL (2-5). Useimmat PPGL:t ovat ei-pahanlaatuisia (määritelty ei-metastaattisiksi) kasvaimia ja reagoivat hyvin kirurgiseen hoitoon. Noin 15 % PPGL:istä on metastaattisia ja parantumattomia tällä hetkellä saatavilla olevilla hoidoilla(1). Uusimmassa WHO:n sinisessä kirjassa kaikki PPGL:t luokitellaan mahdollisesti pahanlaatuisiksi niiden arvaamattoman käyttäytymisen vuoksi(6).

PPGL:t ovat hyvin heterogeenisiä kasvaimia, joihin altistaa yli 20 erillistä geeniä (1). Kahdessa kolmasosassa kasvaimista voidaan tunnistaa iturata tai somaattinen variantti ja siten PPGL:t on jaettu erillisiin biologisiin alaryhmiin näiden varianttien perusteella(1). Vuodelta 2017 annetussa konsensuslausunnossa todettiin, että kaikille PPGL-potilaille on luotava kohdennettu geenipaneeli (Next-Generation Sequencing, NGS) ja mahdollisuuksien mukaan tuumori-DNA:n testaus mahdollisten lääkehoitojen tulevien kohteiden tunnistamiseksi (2). Lisäksi epigeneettisten muutosten PPGL:issä ja muissa endokriinisissa kasvaimissa on osoitettu liittyvän metastaattisten sairauksien riskiin (7–11), ja tulevassa tutkimuksessa tulisi keskittyä sekä epigeneettisten että geneettisten muutosten ymmärtämiseen PPGL:issä, koska tämä avaa mahdollisuuksia kohdennetuille molekyylitasoille. terapiat ja henkilökohtainen lääketiede(11,12). On osoitettu, että DNA:n metylaatioon perustuva kasvainten luokittelu on arvokas voimavara kliinisen päätöksenteon kannalta(13).

Monia histopatologisia ennustavia riskitekijöitä huonolle ennusteelle on ehdotettu, ja pisteytysjärjestelmiä on kehitetty tunnistamaan ne PPGL:t, joilla on metastaattinen mahdollisuus. PASS (Pheochromocytoma of the Adrenal Gland Scaled Score) ja GAPP (Grading system for Adrenal Phaeochromocytoma and Paragangliooma) -pisteet ovat tunnetuimpia (1,14-18). Äskettäisessä meta-analyysissä algoritmit arvioitiin ja pääteltiin, että molemmilla algoritmeilla oli alhainen positiivinen ennustearvo, mutta korkea negatiivinen ennustusarvo PPGL:ille, mikä osoitti, että mallit olivat merkityksellisiä metastaattisen mahdollisuuden sulkemiseen pois molemmista kasvaintyypeistä sen sijaan, että ne olisivat tunnistettavissa. tapauksia, joissa on lisääntynyt levinneen taudin riski. Tämä voi todennäköisesti johtua näiden pisteytysjärjestelmien kriteerien subjektiivisesta arvioinnista. Kirjoittajat päättelivät, että NGS-tietojen ja yleisen molekyylisen lähestymistavan sisällyttäminen on tarpeen tulevien etäpesäkkeiden riskin havaitsemiseksi tarkasti(19). Lisäksi tarvitaan objektiivisiin mittauksiin perustuva algoritmi objektiivisuuden varmistamiseksi PPGL:iden patologisessa diagnoosissa, samanlainen kuin lisämunuaiskuoren karsinoomien algoritmit, kuten Helsinki Score ja Reticulin Algorithm (19-21). Tätä varten tietokoneavusteiset tekniikat ovat osoittaneet lupaavia tuloksia(11,20).

Tulevaisuudessa metastaattisen sairauden riskin omaavien PPGL:ien oikea tunnistaminen on kliininen haaste, joka ei koske vain lääkäreitä vaan myös potilaita ja heidän perheenjäseniään. Tämän päivän kliiniset ohjeet perustuvat "rule all in" -menetelmiin, joilla on kallis vaikutus terveydenhuollon resursseihin ja potilaiden elämänlaatuun. Histopatologisiin, geneettisiin, epigeneettisiin ja kliinisiin muuttujiin perustuva algoritmi voi olla hyödyllinen ryhmitettäessä potilaat riskikategorioihin, joilla on erilaiset kliinisen seurannan tarpeet.

Pilottitutkimus: Kööpenhaminan yliopistollisessa sairaalassa Kööpenhaminassa seuratut potilaat ovat olleet osa pilottitutkimusta, joka koski SDHX-variantteja sairastavien perheenjäsenten geneettisen seulonnan vaikutusta tapausten kliiniseen esitykseen. SDHX-geenien muunnelmat (SDHA, -AF2, -B, -C, -D) ovat yleinen syy perheiden PPGL:ihin. Tutkijat havaitsivat selviä eroja kliinisissä ja histopatologisissa ominaisuuksissa SDHB:n geneettisten varianttien välillä. Perheen SDHB-varianttien seulonta johti kasvainten aikaisempaan havaitsemiseen kahdessa perheessä. Potilailla, joilla oli SDHA-, SDHC- ja SDHD-variantteja, oli myös vaikeita fenotyyppejä, mikä korosti tarvetta laajalle geneettiselle seulonnalle. Tutkimus vahvisti aiemmat havainnot huonoista prognostisista markkereista ja havaitsi, että geneettiset variantit ja kliininen fenotyyppi liittyvät toisiinsa ja ovat siksi hyödyllisiä kliinisen seurannan päätöksessä. Tämä tutkimus on esitelty diplomityönä Kööpenhaminan yliopistossa 2019 (luokka A) ja käsikirjoitus on julkaistu(22). Selvitys vahvistaa nykyisen hankkeen toteutettavuuden.

Tutkimuksen prosessi

Osa 1: Kuvaus genotyyppi-fenotyyppiyhteydestä valtakunnallisessa kohortissa, jossa on noin 400 potilasta, joilla on PPGL:itä tai itulinjan geneettisiä muunnelmia, jotka altistavat PPGL:ille kliinisten tietojen, biokemiallisten muuttujien, kasvaimen ominaisuuksien ja kuvantamistulosten perusteella. Tämä kansallinen kohortti tarjoaa potilaiden karakterisoinnin, jonka avulla voidaan tunnistaa metastaattinen ja ei-metastaattinen kliininen kulku.

Osa 2: Uusien prognostisten biomarkkerien tunnistaminen käyttämällä formaliinilla kiinnitettyjä parafiiniin upotettuja kasvainkudosnäytteitä geneettiseen testaukseen (NGS somaattisille varianteille), DNA-metylaatioon, PASS-pisteytykseen ja immunohistokemiallisiin markkereihin. Tanskan pääkaupunkiseudulta otetaan mukaan 20 potilasta, joilla on huono ennuste (todiste etäpesäkkeistä) ja 20 potilasta, joilla on hyvä ennuste (ei-metastaattinen). Tuloksia käytetään uuden kliinisen ennusteen algoritmin kehittämiseen.

Osa 3: Uuden algoritmin validointi toisessa potilaiden alakohortissa, joiden kasvainkudosnäytteet on valittu satunnaisesti kansallisesta kohortista. Kasvainnäytteille tehdään tutkimukset samoilla osassa 2 tunnistetuilla prognostisilla biomarkkereilla. Tulokset syötetään uuteen algoritmiin sen testaamiseksi, voidaanko kliininen kulku tarkasti ennustaa.

Levittäminen Positiiviset, negatiiviset tai epäselvät tulokset julkaistaan ​​vertaisarvioiduissa kansainvälisissä julkaisuissa ja esitellään tieteellisissä kokouksissa ja asiaankuuluvilla potilasfoorumeilla. Tutkimusryhmän jäsenet kuuluvat ENDO-ERN:ään (European Reference Network on Rare Endokrine Conditions), joka on harvinaisia ​​hormonaalisia sairauksia hoitavien pitkälle erikoistuneiden keskusten eurooppalainen yhteistyö, jonka kautta tuloksia voidaan levittää (https://endo-ern.eu/).

Varmistaakseen tulosten raportoinnin täydellisyyden ja läpinäkyvyyden tutkijat käyttävät kohorttitutkimuksiin liittyviä STROBE-raportointiohjeita.

Potilaan osallistuminen:

Potilaat, joilla on kokeneita kokemuksia, lisäävät asiantuntemusta ja antavat arvokkaita, uusia oivalluksia ja parantavat siten tutkimuksen tehokkuutta. Lisäksi potilasnäkökulma on olennainen tulosten esittämisessä. Ohjaustoimikuntaan kutsutaan poliklinikallamme asianomaiset potilaat, joilla on kyseessä oleva sairaus.

Turvallisuus ja eettiset näkökohdat Henkilötietojen käsittely: Yleistä tietosuoja-asetusta noudatetaan tiukasti. Pääkaupunkiseudun eettisen toimikunnan hyväksyntä on myönnetty (H-20065699, 19.2.2021).

Tietokanta: Tietokanta perustetaan RedCapin alle, joka on käytettävissä valtakunnallisesti ja jota hallinnoi keskitetysti Pääkaupunkiseudun tietosuojayksikkö.

Tilastot: Aiempien tutkimusten perusteella, joissa on kehitetty samanlaisia ​​algoritmeja (20,21), tutkijat tarvitsevat noin 200 potilasta saavuttaakseen tilastollisen tehon suhteessa algoritmin validointiin suuremmassa kohortissa. Tutkimuspopulaation ominaisuudet esitetään kuvailevien tilastojen avulla. Ryhmäerot testataan ensisijaisesti ei-parametrisilla testeillä (Mann-Whitney, Wilcoxon) tai t-testillä. Genotyypin ja fenotyypin väliset assosiaatiot analysoidaan ANOVA:lla (varianssianalyysi) ja regressioanalyysillä, joka kontrolloi asiaankuuluvia sekatekijöitä, eli ikää ja sukupuolta, tarvittaessa. Algoritmin herkkyys ja spesifisyys huonon tai hyvän tuloksen ennustamiseksi määritetään käyttämällä useita regressioanalyysejä, Chi2 ja ROC (Receiver Operating Characteristics). Tutkijat hakevat apua Kööpenhaminan yliopiston tilastotieteilijöiltä terveystieteellisen tiedekunnan tohtori- ja opiskelijoiden tilastoneuvontapalvelusta.