Breathomics как прогностический биомаркер для ответа ингибитора контрольной точки

Блокада иммунных контрольных точек с помощью антител к PD-1 и анти-PD-L1 стала новым стандартом лечения нескольких типов рака, таких как НМРЛ и меланома. Однако в популяциях пациентов, не отобранных по биомаркерам, общая частота ответа (ЧОО) в зависимости от типа рака и от того, выбрано ли монотерапия или комбинированное лечение, по-прежнему составляет всего 20–60%. Несмотря на то, что в целом препарат хорошо переносится, приблизительно у 5-10% пациентов, получавших препараты, нацеленные на PD1/PD-L1, будут наблюдаться проявления токсичности 3 или 4 степени, включая потенциально опасные для жизни аутоиммунные проявления, такие как колит, гепатит и пневмонит. Таким образом, из-за высокой стоимости лечения и его возможных осложнений улучшение отбора пациентов является важной целью, и очень необходим легкодоступный неинвазивный тест в месте оказания медицинской помощи для лучшего отбора пациентов.

Перспективным подходом в этом отношении является анализ летучих органических соединений (ЛОС) в выдыхаемом воздухе. Анализ дыхания для обнаружения летучих органических соединений все чаще исследуется на предмет его полезности в диагностике и лечении рака. Электронные носы (eNoses) перспективны как дешевые и клинически практичные устройства, предназначенные для обнаружения закономерностей ЛОС. Недавно опубликованные проспективные данные наблюдений показали многообещающую дискриминантную функцию для анализа дыхания на отсутствие ответа на иммунотерапию у пациентов с НМРЛ.

Основная цель этого исследования — подтвердить результаты предыдущего исследования, в котором было обнаружено, что классификаторы на основе дыхательной недостаточности предсказывают 12-недельное раннее прогрессирование по сравнению с отсутствием прогрессирования у пациентов с распространенным НМРЛ, получавших ниволумаб или пембролизумаб. Во-вторых, мы расширим оценку классификаторов, основанных на дыхании, чтобы включить другие когорты запущенных опухолей, обработанных ICI, а также рассмотрим использование ответа вместо отсутствия прогрессирования в качестве конечной точки. Исследовательские цели включают уточнение классификатора дыхательной недостаточности с использованием альтернативных методов машинного обучения и корреляцию с другими биомаркерами результатов иммунотерапии.