Opracowanie modelu predykcyjnego ryzyka przerzutów w PPGL, retrospektywne badanie kohortowe (PPGL-Pred)

Guzy chromochłonne i przyzwojaki (PPGL) to guzy rdzenia nadnerczy i współczulnego układu nerwowego pozanadnerczowego, które często wydzielają katecholaminy(1). Guzy wywodzą się z grzebienia nerwowego, a około 50% jest spowodowanych przez wariant linii zarodkowej. Ze względu na silną dziedziczność zaleca się wykonanie badań genetycznych u wszystkich pacjentów z PPGL (2-5). Większość PPGL to guzy niezłośliwe (zdefiniowane jako nieprzerzutowe) i dobrze reagują na leczenie chirurgiczne. Około 15% PPGL ma charakter przerzutowy i jest nieuleczalne za pomocą obecnie dostępnych terapii(1). Najnowsza niebieska księga WHO klasyfikuje wszystkie PPGL jako potencjalnie złośliwe ze względu na ich nieprzewidywalne zachowanie(6).

PPGL to bardzo heterogenne nowotwory predysponowane przez ponad 20 różnych genów(1). W dwóch trzecich guzów można zidentyfikować linię zarodkową lub wariant somatyczny, dlatego PPGL zostały podzielone na odrębne podgrupy biologiczne na podstawie tych wariantów(1). W konsensusie z 2017 r. stwierdzono konieczność przeprowadzenia ukierunkowanego panelu genów (sekwencjonowanie nowej generacji, NGS) u wszystkich pacjentów z PPGL i zbadania DNA nowotworu, jeśli to możliwe, w celu zidentyfikowania potencjalnych przyszłych celów terapii lekowych(2). Ponadto wykazano, że zmiany epigenetyczne w PPGL i innych nowotworach endokrynologicznych są związane z ryzykiem choroby przerzutowej(7-11), a przyszłe badania powinny koncentrować się na zrozumieniu zarówno zmian epigenetycznych, jak i genetycznych w PPGL, ponieważ otworzy to możliwości ukierunkowanych molekularnych terapie i medycyna spersonalizowana(11,12). Wykazano, że klasyfikacja nowotworów na podstawie metylacji DNA jest cennym atutem w podejmowaniu decyzji klinicznych(13).

Zaproponowano wiele histopatologicznych predykcyjnych czynników ryzyka złego rokowania i opracowano systemy punktacji w celu identyfikacji tych PPGL, które mają potencjał przerzutowy. Najbardziej znane są skale PASS (Pheochromocytoma of the Adrenal Gland Scaled Score) i GAPP (system stopniowania guza chromochłonnego nadnerczy i paraganglioma) (1,14-18). W niedawnej metaanalizie oceniono algorytmy i stwierdzono, że oba algorytmy miały niską dodatnią wartość predykcyjną, ale wysoką ujemną wartość predykcyjną dla PPGL, co wskazywało, że modele były odpowiednie do wykluczenia potencjału przerzutowego dla obu typów nowotworów, a nie do identyfikacji przypadków ze zwiększonym ryzykiem choroby rozsianej. Można to najprawdopodobniej przypisać subiektywnej ocenie kryteriów stosowanych w tych systemach punktacji. Autorzy doszli do wniosku, że włączenie danych NGS i całościowego podejścia molekularnego jest potrzebne do dokładnego wskazania przypadków zagrożonych przyszłymi przerzutami(19). Ponadto istnieje potrzeba opracowania algorytmu opartego na obiektywnych pomiarach w celu zapewnienia obiektywności w diagnostyce patologicznej PPGL, podobnego do algorytmów dla raków kory nadnerczy, takich jak Helsinki Score i Reticulin Algorithm(19-21). W tym celu techniki wspomagane komputerowo dały obiecujące wyniki(11,20).

Prawidłowa identyfikacja PPGL z przyszłym ryzykiem choroby przerzutowej jest wyzwaniem klinicznym, które ma wpływ nie tylko na lekarzy, ale także na pacjentów i członków ich rodzin. Dzisiejsze wytyczne kliniczne opierają się na metodach „reguły all in”, które mają kosztowny wpływ na zasoby opieki zdrowotnej i jakość życia pacjentów. Algorytm oparty na zmiennych histopatologicznych, genetycznych, epigenetycznych i klinicznych może być pomocny w stratyfikacji pacjentów na kategorie ryzyka z różnymi potrzebami obserwacji klinicznej.

Badanie pilotażowe: Pacjenci obserwowani w Kopenhaskim Szpitalu Uniwersyteckim w Kopenhadze byli częścią badania pilotażowego dotyczącego wpływu genetycznych badań przesiewowych członków rodziny z wariantami SDHX na obraz kliniczny przypadków. Warianty genów SDHX (SDHA, -AF2, -B, -C, -D) są częstą przyczyną rodzinnych PPGL. Badacze stwierdzili wyraźne różnice w charakterystyce klinicznej i histopatologicznej między wariantami genetycznymi w SDHB. Rodzinne badania przesiewowe pod kątem wariantów SDHB zaowocowały wcześniejszym wykryciem guzów w dwóch rodzinach. Pacjenci z wariantami SDHA, SDHC i SDHD również mieli ciężkie fenotypy, co podkreśla konieczność szerokiego genetycznego badania przesiewowego probandu. Badanie potwierdziło wcześniejsze ustalenia dotyczące słabych markerów prognostycznych i wykazało, że warianty genetyczne i fenotyp kliniczny są powiązane, a zatem przydatne przy podejmowaniu decyzji o obserwacji klinicznej. Badanie to zostało przedstawione jako praca magisterska na Uniwersytecie w Kopenhadze w 2019 r. (stopień A), a manuskrypt został opublikowany(22). Badanie potwierdza wykonalność obecnego projektu.

Proces badania

Część 1: Opis związku genotyp-fenotyp w ogólnokrajowej kohorcie około 400 pacjentów z PPGL lub wariantami genetycznymi linii zarodkowej predysponującymi do PPGL przy użyciu danych klinicznych, zmiennych biochemicznych, charakterystyki guza i wyników obrazowania. Ta kohorta krajowa zapewni charakterystykę pacjentów umożliwiającą identyfikację odpowiednio przebiegu klinicznego z przerzutami i bez przerzutów.

Część 2: Identyfikacja nowych biomarkerów prognostycznych przy użyciu utrwalonych w formalinie i zatopionych w parafinie próbek tkanki nowotworowej do badań genetycznych (NGS dla wariantów somatycznych), metylacji DNA, punktacji PASS i markerów immunohistochemicznych. Dwudziestu pacjentów ze złym rokowaniem (dowód na obecność przerzutów) i 20 pacjentów z dobrym rokowaniem (bez przerzutów) zostanie włączonych z Regionu Stołecznego Danii. Wyniki posłużą do opracowania nowego algorytmu prognozy klinicznej.

Część 3: Walidacja nowego algorytmu w drugiej podkohorcie pacjentów z próbkami tkanki nowotworowej wybranymi losowo z kohorty krajowej. Próbki guza zostaną poddane badaniu tych samych nowych prognostycznych biomarkerów, które zidentyfikowano w części 2. Wyniki zostaną wprowadzone do nowego algorytmu w celu sprawdzenia, czy można dokładnie przewidzieć przebieg kliniczny.

Rozpowszechnianie Pozytywne, negatywne lub niejednoznaczne wyniki będą publikowane w recenzowanych międzynarodowych czasopismach i prezentowane na spotkaniach naukowych oraz na odpowiednich forach pacjentów. Członkowie grupy badawczej są zrzeszeni w ENDO-ERN (Europejska sieć referencyjna ds. rzadkich chorób endokrynologicznych), europejskiej współpracy wysoce wyspecjalizowanych ośrodków zajmujących się rzadkimi chorobami endokrynologicznymi, za pośrednictwem której można rozpowszechniać wyniki (https://endo-ern.eu/).

Aby zapewnić kompletność i przejrzystość zgłaszania wyników, badacze będą stosować wytyczne dotyczące raportowania STROBE odpowiednie dla badań kohortowych.

Zaangażowanie pacjenta:

Pacjenci z przeżytymi doświadczeniami wnoszą dodatkową wiedzę i dostarczają cennych, nowatorskich spostrzeżeń, a tym samym poprawiają skuteczność badania. Ponadto perspektywa pacjenta jest niezbędna w prezentacji wyników. Do udziału w Komitecie Sterującym zostaną zaproszeni pacjenci z omawianą chorobą z naszej przychodni.

Względy bezpieczeństwa i etyczne Przetwarzanie danych osobowych: Ogólne rozporządzenie o ochronie danych będzie ściśle przestrzegane. Zgoda Komisji Etyki Regionu Stołecznego została przyznana (H-20065699, 19 lutego 2021).

Baza danych: Baza danych zostanie utworzona w ramach RedCap, która jest dostępna w całym kraju i zarządzana centralnie przez jednostkę ds. ochrony danych Regionu Stołecznego.

Statystyki: Na podstawie wcześniejszych badań, w których opracowano podobne algorytmy (20,21), badacze będą potrzebować około 200 pacjentów, aby uzyskać moc statystyczną w odniesieniu do walidacji algorytmu w większej kohorcie. Charakterystyka badanej populacji zostanie przedstawiona za pomocą statystyki opisowej. Różnice międzygrupowe będą badane przede wszystkim za pomocą testów nieparametrycznych (Manna-Whitneya, Wilcoxona) lub testu t. Powiązania między genotypem a fenotypem zostaną przeanalizowane za pomocą analizy ANOVA (analiza wariancji) i analizy regresji z kontrolą odpowiednich czynników zakłócających, tj. wieku i płci, w stosownych przypadkach. Czułość i specyficzność algorytmu do przewidywania złego lub dobrego wyniku zostanie określona przy użyciu analiz regresji wielokrotnej, Chi2 i ROC (charakterystyka operacyjna odbiornika). Badacze zwrócą się o pomoc do zawodowych statystyków z Uniwersytetu Kopenhaskiego w Statistical Advisory Service dla doktorantów i studentów Wydziału Nauk o Zdrowiu.