Dieses Protokoll beschreibt einen reproduzierbaren Arbeitsablauf zur Integration von PIVKA-II, AFP und routinemäßigen klinischen Variablen in ein logistisch-regressives diagnostisches Modell für das hepatozelluläre Karzinom, mit Validierung im Frühstadium und bei AFP-negativer Erkrankung.
Forschungsartikel
Integration von abnormalem Prothrombin (PIVKA-II), Alpha-Fetoprotein und routinemäßigen klinischen Variablen zur Früherkennung des hepatozellulären Karzinoms
In diesem Artikel
Zusammenfassung
Zusammenfassung
Die Früherkennung des hepatozellulären Karzinoms (HCC) wird weiterhin durch die unvollständige Sensitivität des Alpha-Fetoproteins (AFP) begrenzt, insbesondere bei tumorös frühstadiigen und AFP-negativen Tumoren. Diese Studie untersuchte, ob das abnorme Prothrombin / Protein induced by vitamin K absence-II (PIVKA-II), AFP und routinemäßige klinische Variablen in ein reproduzierbares diagnostisches Modell für HCC integriert werden können. Für die Modellentwicklung wurde eine retrospektive Trainingskohorte von 205 Teilnehmern verwendet, darunter 112 bildgebungsgesicherte HCC-Fälle und 93 Nicht-HCC-Kontrollen. Zur externen Validierung diente eine unabhängige prospektive Kohorte mit 184 Teilnehmern, darunter 58 HCC-Fälle und 126 Nicht-HCC-Kontrollen, wobei keine Nachjustierung des Modells erfolgte. Vor der Bildgebung entnommene Blutproben wurden zur Bestimmung von AFP und PIVKA-II verwendet, und klinische Variablen wurden aus dem gleichen diagnostischen Zeitfenster extrahiert. Das finale multivariable logistische Regressionsmodell kombinierte ln(AFP), ln(PIVKA-II), Alter, Geschlecht, Albumin, international normalisiertes Verhältnis und Thrombozytenzahl. Das kombinierte Modell erreichte im Trainingskollektiv eine AUC von 0,93 und im Validierungskollektiv von 0,89. In der Validierung betrug die Sensitivität 84,5 % und die Spezifität 90,5 %. Die Sensitivität lag bei frühstadiigem HCC weiterhin bei 72,7 % und bei AFP-negativem HCC bei 73,1 %, was jeweils über der alleinigen Verwendung von AFP lag. Kalibrierung und Bootstrap-Validierung sprachen für eine akzeptable Modellstabilität. Diese Ergebnisse zeigen, wie PIVKA-II, AFP und routinemäßig verfügbare klinische Variablen zu einem praktischen diagnostischen Triage-Instrument für Hochrisikopopulationen mit Lebererkrankungen kombiniert werden können.
Einleitung
Das hepatocelluläre Karzinom (HCC) ist eine der häufigsten Ursachen krebsbedingter Todesfälle und entsteht gewöhnlich bei Patienten mit chronischer Lebererkrankung, einschließlich Hepatitis-B-Virus-Infektion, Hepatitis-C-Virus-Infektion, alkoholbedingter Lebererkrankung und metabolischer dysfunktionsassoziiierter fettiger Lebererkrankung1. Die Früherkennung ist klinisch von großer Bedeutung, da eine kurative Behandlung am wirksamsten ist, wenn Tumore erkannt werden, bevor eine vaskuläre Invasion, eine extrahepatische Ausbreitung oder eine erhebliche Verschlechterung der Leberfunktion aufgetreten sind. Derzeitige Überwachungsstrategien basieren im Allgemeinen auf Leberultraschall, mit oder ohne Bestimmung des serumgebundenen Alpha-Fetoproteins (AFP)2. In der routinemäßigen klinischen Praxis wird die Effektivität der Überwachung jedoch durch abhängige Faktoren wie die Untersuchungserfahrung des Anwenders, kleine Tumorgröße, heterogene zirrhotische Knoten, bildgebende Schwierigkeiten im Zusammenhang mit Adipositas sowie Tumore, die wenig oder kein AFP produzieren, beeinträchtigt3,4.
AFP wird weiterhin häufig verwendet, da es kostengünstig, leicht verfügbar und für Kliniker vertraut ist. Sein diagnostischer Wert ist jedoch durch eine unvollständige Sensitivität und eine ungenügende Spezifität eingeschränkt. Bei der konventionellen Schwelle von 20 ng/mL kann ein erheblicher Anteil an HCC-Fällen im Frühstadium oder an AFP-negativen HCC übersehen werden. Niedrigere Schwellenwerte könnten die Sensitivität verbessern, führen jedoch zu mehr falsch-positiven Ergebnissen bei Patienten mit aktiver Hepatitis, Zirrhose oder anderen entzündlichen Lebererkrankungen5,6. Diese Einschränkungen machen die Interpretation eines einzelnen Markers für die diagnostische Einstufung bei Patienten mit hohem Risiko für Lebererkrankungen unzureichend.
Abnormales Prothrombin, auch bekannt als durch Vitamin K-Mangel induziertes Protein-II (PIVKA-II) oder des-γ-carboxy-Prothrombin, wird freigesetzt, wenn maligne Hepatozyten unvollständig carboxyliertes Prothrombin produzieren. PIVKA-II spiegelt die koagulationsbezogene Tumorbiologie wider und nicht die Sekretion von AFP, und kann weiterhin aussagekräftig sein, wenn AFP niedrig ist7. Frühere Studien und Metaanalysen haben gezeigt, dass PIVKA-II die Detektion von hepatozellulärem Karzinom (HCC) verbessert, insbesondere in Kombination mit AFP, und zusätzlichen Nutzen bei frühen Stadien oder AFP-negativer Erkrankung bieten kann8,9. Allein auf Marker basierende Strategien berücksichtigen jedoch nicht vollständig den Wirtsstatus, die Leberfunktion, die Thrombozytenzahl, den Gerinnungszustand oder die zugrundeliegende Lebererkrankung.
Zusammengesetzte diagnostische Modelle bieten eine praktische Methode, Tumormarkerergebnisse gemeinsam mit dem klinischen Kontext zu interpretieren. GALAD, GAAD und verwandte Modelle haben gezeigt, dass demografische Variablen und Biomarker kombiniert werden können, um die Detektion von HCC bei unterschiedlichen Ätiologien und Populationen zu verbessern10,11. Ihre Leistung spricht für die Anwendung einer multivariablen Risikoeinschätzung statt isolierter Biomarker-Schwellenwerte. Gleichzeitig enthalten einige Modelle Analysen, die nicht in allen Labors verfügbar sind, und das Verhalten der Cutoff-Werte kann je nach Region, ätiologischem Profil, Krankheitsstadium und beabsichtigter klinischer Anwendung variieren12. Ein Modell, das auf weit verbreiteten Biomarkern und routinemäßigen Laborvariablen basiert, könnte leichter in den alltäglichen diagnostischen Ablauf integriert werden. Im Gegensatz zu früher veröffentlichten Modellen, die möglicherweise auf spezialisierten Biomarkern oder populationsabhängigen Cutoff-Strategien beruhen, evaluierte die vorliegende Studie ein multivariablen diagnostisches Modell, das auf weit verfügbaren Biomarkern und routinemäßigen klinischen Variablen basiert, und validierte dessen Leistung in einer unabhängigen prospektiven Kohorte.
PIVKA-II eignet sich für diesen Ansatz, da es AFP ergänzt und auf automatisierten Immunanalysesystemen gemessen werden kann, die bereits in klinischen Laboren verwendet werden. Routinemäßige Variablen wie Alter, Geschlecht, Albumin, Bilirubin, Thrombozytenzahl, internationaler normalisierter Quotient und die zugrundeliegende Lebererkrankung stehen beim gleichen klinischen Untersuchungszeitpunkt zur Verfügung und können Informationen über die Leberreserve oder gerinnungsrelevante Parameter erfassen, die für das HCC-Risiko von Bedeutung sind13. Die Kombination dieser Variablen mit AFP und PIVKA-II könnte die Diskriminierung verbessern und gleichzeitig die Abhängigkeit von einer einzelnen Cut-off-Grenze vermeiden.
PIVKA-II, AFP und routinemäßige klinische Variablen wurden daher anhand eines zweistufigen diagnostischen Designs bewertet. Ein multivariates logistisches Regressionsmodell wurde in einem retrospektiven Trainingskollektiv entwickelt und in einem unabhängigen prospektiven Validierungskollektiv ohne Nachjustierung getestet. Die diagnostische Leistung wurde mit der von AFP, PIVKA-II und den klinischen Variablen allein verglichen, wobei bewusst auf frühe HCC-Stadien, AFP-negative HCC, die Interpretation von Cutoff-Werten, Kalibrierung und interne Bootstrap-Validierung geachtet wurde.
Protokoll
Diese Studie wurde vom Ethikkomitee des Angegliederten Ersten Volkskrankenhauses Hangzhou, Medizinische Fakultät der Westlake University, geprüft und genehmigt. Die Genehmigungsnummer lautete IIT-20230528-0108-01. Schriftliche informierte Einwilligung wurde von prospektiv eingeschriebenen Teilnehmern vor der Blutentnahme eingeholt. Für retrospektiv eingeschlossene klinische Daten und archivierte Überrestproben, die im Rahmen der routinemäßigen Versorgung gesammelt wurden, wurde die informierte Einwilligung vom Ethikkomitee aufgehoben, da anonymisierte Daten verwendet wurden und keine zusätzlichen Interventionen durchgeführt wurden.
Reproduzierbarkeit, Bias-Kontrolle und Datenintegrität
Einschlusskriterien, Zeitpunkte der Blutentnahme, Regeln zur Beurteilung der Bildgebung, Definitionen von Untergruppen, prüfbare Prädiktoren, Cutoff-Definitionen, Regeln für fehlende Daten und Validierungsverfahren wurden vor der statistischen Analyse festgelegt. Blutproben wurden vor der kontrastmittelverstärkten bildgebenden Bestätigung und vor jeder antitumoralen Therapie entnommen. Für die Laboruntersuchungen wurden anonymisierte Studienkennungen verwendet, und Proben aus den Trainings- und Validierungskohorten wurden in zufälliger Reihenfolge analysiert. Das Laborpersonal war hinsichtlich der endgültigen Diagnose, der Zuteilung zur Kohorte, des Barcelona-Clinic-Liver-Cancer-(BCLC-)Stadiums und des AFP-negativen Status geblendet. Die bildgebende Diagnose und Stadieneinteilung erfolgte unabhängig von den Laboruntersuchungen. Dateneingabe, Umrechnung von Einheiten, Kohortenzuordnung, Codierung von Ausschlüssen, Codierung fehlender Werte und statistische Datensätze wurden von zwei Untersuchern vor der Modellanpassung überprüft. Die Trainings- und Validierungskohorten wurden während der gesamten Variablenauswahl, Modellanpassung, Cutoff-Ableitung und Validierung getrennt gehalten.
Studienpopulation und -design
Diese diagnostische Studie mit zwei Kohorten entwickelte und validierte ein multivariables Modell zur Erkennung von HCC unter Verwendung von abnormaler Prothrombin/Protein-induziertem PIVKA-II, AFP und routinemäßigen klinischen Variablen. Die retrospektiv zusammengestellte Trainingskohorte umfasste Teilnehmer, die zwischen dem 1. Januar 2021 und dem 31. Dezember 2023 untersucht wurden. Diese Kohorte diente der Variablenauswahl, Modellanpassung, Ableitung von Cutoff-Werten und internen Bootstrap-Validierung. Die prospektiv rekrutierte Validierungskohorte umfasste Teilnehmer, die zwischen dem 1. Januar 2024 und dem 31. Dezember 2025 untersucht wurden. Diese Kohorte wurde ausschließlich für Out-of-Sample-Tests verwendet. In der Validierungskohorte erfolgten keine erneute Variablenauswahl, Modellnachjustierung, Aktualisierung der Koeffizienten, Neuauswahl der Cutoffs oder subgruppenbasierte Rekalibrierung. Der Teilnehmerfluss, die Zuordnung zu Kohorten, die Blutentnahme, die Plasmapräparation, die Biomarkerbestimmung, die Bildgebungsauswertung und der statistische Arbeitsablauf sind in Abbildung 1 dargestellt.
Die Teilnehmer wurden über einen Überwachungs- oder Diagnosepfad für Lebererkrankungen mit hohem Risiko am Affiliated Hangzhou First People's Hospital, School of Medicine, Westlake University, rekrutiert. Ein hohes Risiko wurde definiert als chronische Hepatitis-B-Infektion, chronische Hepatitis-C-Infektion, Zirrhose unabhängig von der Ätiologie oder Fettlebererkrankung mit dokumentierter Fibrose, basierend auf klinischer Beurteilung, Laborbefunden oder früheren bildgebenden Verfahren. Teilnahmeberechtigt waren Erwachsene im Alter von ≥18 Jahren, die eine Blutentnahme vor der Bildgebung sowie eine kontrastmittelverstärkte multiphasische Computertomographie (CT) und/oder eine dynamische kontrastmittelverstärkte Magnetresonanztomographie (MRT) innerhalb von 14 Tagen nach der Blutentnahme abgeschlossen hatten. Ausschlusskriterien waren vorherige HCC-Behandlung, einschließlich Resektion, Ablation, transarterieller Therapie oder systemischer Therapie; Gabe von Vitamin K innerhalb von 7 Tagen vor der Probenentnahme; Therapie mit Vitamin-K-Antagonisten oder anderen Antikoagulanzien, die die Beurteilung der Gerinnung beeinflussen könnten; akute Cholangitis oder biliäre Obstruktion zum Zeitpunkt der Probenentnahme; Schwangerschaft; fehlende Werte für AFP, PIVKA-II oder eine endgültige bildgebende Diagnose; sowie inakzeptable Probengüte ohne gültige Wiederholungsprobe.
Die endgültige Studienpopulation umfasste 389 Teilnehmer. Die Trainingskohorte umfasste 205 Teilnehmer, darunter 112 bildgebungsbestätigte HCC-Fälle und 93 Nicht-HCC-Kontrollen. Die Validierungskohorte umfasste 184 Teilnehmer, darunter 58 bildgebungsbestätigte HCC-Fälle und 126 Nicht-HCC-Kontrollen. In der Trainingskohorte bestanden die 93 Nicht-HCC-Kontrollen aus 30 gesunden Kontrollen und 63 Kontrollen mit chronischer Lebererkrankung. In der Validierungskohorte bestanden die 126 Nicht-HCC-Kontrollen aus 0 gesunden Kontrollen und 126 Kontrollen mit chronischer Lebererkrankung.
Der symptomatische Status wurde nicht allein anhand der Hepatitis-Anamnese oder einer kompensierten Zirrhose festgelegt. Ein Teilnehmer wurde nur dann als symptomatisch klassifiziert, wenn in der vor der Bildgebung liegenden Dokumentation ein neu aufgetretenes oder verschlechtertes Schmerzsyndrom im rechten Oberbauch, unerklärlicher Gewichtsverlust, Bauchdehnung, Gelbsucht, dunkler Urin oder eine klinisch dokumentierte Dekompensation festgestellt wurde, die nicht durch eine andere bestätigte Ursache erklärbar war. Teilnehmer ohne diese Befunde wurden als asymptomatisch oder als durch Überwachung erfasst klassifiziert.
Diagnostische Beurteilung und Stadieneinteilung
Der endgültige HCC-Status wurde anhand kontrastverstärkter, mehrphasiger CT und/oder dynamischer, kontrastverstärkter MRT, die im Rahmen der Routineversorgung durchgeführt wurden, festgelegt. Die Bildgebung musste mindestens eine arterielle Phase und eine portale venöse Phase umfassen; verzögerte Phasenbefunde wurden, falls verfügbar, ebenfalls berücksichtigt. Eine Läsion wurde als HCC klassifiziert, wenn bei Leberbildgebung im Risikokontext eine Hyperenhancement in der arteriellen Phase mit Washout in der portalen venösen und/oder verzögerten Phase, mit oder ohne eine kontrastmittelaufnehmende Kapsel, nachgewiesen wurde. Teilnehmer ohne bildgebende Merkmale eines HCC und ohne andere maligne Diagnose wurden als nicht-HCC klassifiziert.
Bildgebungsdaten wurden mit einem vorgegebenen Formular erfasst, das die Bildgebungsmethode, die durchgeführten Phasen, eine arterielle Hyperenhancement, Washout, Kapselaussehen, die Anzahl der Läsionen, den maximalen Läsionendurchmesser, eine makrovaskuläre Invasion und eine extrahepatische Streuung dokumentierte. Zwei geschulte Auswerter erfassten die bildgebenden Merkmale unabhängig voneinander aus den endgültigen radiologischen Befunden. Unstimmigkeiten wurden durch Konsensentschluss anhand derselben vorab festgelegten Kriterien behoben. Falls sowohl CT als auch MRT verfügbar waren, wurde die Methode mit der vollständigsten multiphasischen Charakterisierung verwendet. Falls beide Methoden vollständig waren, wurde diejenige Methode gewählt, die als Grundlage für die endgültige klinische Entscheidung dokumentiert war.
Der BCLC-Stadium wurde zugewiesen, nachdem der HCC-Status endgültig festgelegt worden war. Frühstadiäres HCC wurde als BCLC-Stadium 0–A definiert. AFP-negatives HCC wurde definiert als AFP <20 ng/mL bei der Blutentnahme vor der Bildgebung. Diese Untergruppenbezeichnungen dienten der Bewertung der Leistung in Untergruppen, nicht dem Modelltraining oder der Teilnahmeberechtigung der Probanden.
Probenentnahme und Plasmaprozessierung
Periphere venöse Blutproben wurden morgens nach einer mindestens 8 h dauernden nächtlichen Fastenphase, vor der kontrastmittelverstärkten CT/MRT-Untersuchung und vor der Antitumor-Therapie, entnommen. Insgesamt 10 mL venöses Blut wurden in Blutentnahmeröhrchen mit K2-EDTA als Antikoagulans gezogen. Die Röhrchen wurden unmittelbar nach der Entnahme 8–10 Mal vorsichtig umgestülpt und bei 4 °C zum Labor transportiert. Der Zeitraum von der Venenpunktion bis zur Zentrifugation wurde stets unter 2 h gehalten und im Probenprotokoll dokumentiert.
Plasma wurde durch Zentrifugation bei 1.600 × g für 10 min bei 4 °C unter Verwendung einer gekühlten Zentrifuge abgetrennt. Das Plasmasupernatant wurde in 1,5 mL nukleasefreie Mikrozentrifugenröhrchen überführt und in Portionen von 0,5–1,0 mL aliquotiert. Die Aliquots wurden bis zur Analyse bei -80 °C gelagert. Vor der Biomarkerbestimmung wurde ein Aliquot einmal bei Raumtemperatur, 20–25 °C, für 20–30 min aufgetaut, vorsichtig durch Inversion gemischt und innerhalb von 2 h nach vollständigem Auftauen analysiert. Proben mit sichtbarer Gerinnung, mittelschwerer bis schwerer Hämolyse oder ausgeprägter Lipämie wurden gemäß vorab festgelegter laborinterner Akzeptanzkriterien ausgeschlossen. Für die prospektive Validierungsgruppe wurde eine erneute Blutentnahme vor der bildgebenden Bestätigung durchgeführt, wenn klinisch machbar.
Bestimmung von AFP und PIVKA-II
AFP und PIVKA-II wurden mittels elektrochemilumineszenzbasierter Immunoassays auf einem automatisierten Immunoanalysator gemessen. AFP wurde in ng/mL erfasst und PIVKA-II in mAU/mL. Die Ergebnisse wurden direkt aus dem Laborinformationssystem exportiert.
Jede analytische Charge umfasste assayspezifische Kalibratoren und mindestens zwei interne Qualitätskontrollstufen. Für die Akzeptanz einer Charge mussten alle Ergebnisse der Qualitätskontrolle innerhalb des vorab definierten laborinternen Kontrollbereichs liegen. Die Zielwerte für die analytische Präzision lagen bei einem Variationskoeffizienten innerhalb eines Durchlaufs von ≤10 % und zwischen Durchläufen von ≤15 % sowohl für AFP als auch für PIVKA-II. Falls die Qualitätskontrolle fehlschlug oder ein systematischer Messdrift erkannt wurde, wurde die Charge verworfen, das Analysengerät neu kalibriert und die Charge wiederholt, sofern ausreichend Probenmenge vorhanden war. Bei einem unplausiblen oder außerhalb des Messbereichs liegenden Einzelergebnis wurden, wenn möglich, zwei Wiederholungsmessungen aus derselben aufgetauten Aliquotte durchgeführt, und der Mittelwert der beiden akzeptierten Wiederholungswerte wurde verwendet. Falls die Wiederholungsanalyse fehlschlug oder die Probenmenge unzureichend war, wurde das Ergebnis als ungültig gekennzeichnet und gemäß der Regel für fehlende Daten behandelt.
Routine-Extraktion klinischer Variablen
Routinemäßige klinische Variablen wurden aus dem gleichen klinischen Erhebungszeitpunkt wie die Blutentnahme von AFP/PIVKA-II vor der Bildgebung extrahiert. Zu den untersuchten Variablen gehörten Alter, Geschlecht, Alaninaminotransferase, Aspartataminotransferase, Albumin, Gesamtbilirubin, international normalisiertes Verhältnis (INR), Prothrombinzeit und Thrombozytenzahl. Falls innerhalb des Zeitfensters vor der Bildgebung mehrere Werte verfügbar waren, wurde derjenige gewählt, der dem Zeitpunkt der AFP/PIVKA-II-Probenentnahme am nächsten lag. Die Einheiten wurden vor der Analyse standardisiert. Das Alter wurde in Jahren erfasst; das Geschlecht wurde kodiert als weiblich = 0 und männlich = 1; die Thrombozytenzahl wurde als ×10⁹/L angegeben; Albumin wurde in g/L erfasst; Gesamtbilirubin in μmol/L; AFP in ng/mL; und PIVKA-II in mAU/mL.
Bereichsprüfungen, Einheitenprüfungen und Plausibilitätsprüfungen wurden nach der Extraktion durchgeführt. Markierte Werte wurden anhand der Quelldaten überprüft. Ein Wert wurde nur dann ausgeschlossen, wenn die Quelle einen Mangel an Probenqualität, einen Fehler bei der Einheitenumrechnung oder eine Abweichung im Verfahren bestätigte. Bestätigte Extremwerte blieben erhalten. Das Variablendictionary definierte die Datensatzstruktur, Variablennamen, Einheiten, Kodierregeln, Transformationsregeln und Codes für fehlende Werte.
Prädiktordefinition und Variablenselektion
Kandidaten-Prädiktoren wurden vor der Modellentwicklung festgelegt. Zu den Kernbiomarkern gehörten AFP und PIVKA-II. Zu den routinemäßigen klinischen Kandidaten zählten Alter, Geschlecht, Alanin-Aminotransferase, Aspartat-Aminotransferase, Albumin, Gesamtbilirubin, INR oder Prothrombinzeit sowie Thrombozytenanzahl. AFP und PIVKA-II wurden mittels natürlicher Logarithmus-Transformation umgerechnet. Werte unterhalb der Nachweisgrenze des Assays wurden vor der Transformation durch die Hälfte der unteren Nachweisgrenze ersetzt.
Univariate Vergleiche zwischen HCC- und Nicht-HCC-Teilnehmern im Trainingskollektiv erfolgten mittels t-Tests für unabhängige Stichproben bei annähernd normalverteilten Variablen, Mann-Whitney-U-Tests für schief verteilte stetige Variablen sowie χ²- oder exakten Fisher-Tests für kategoriale Variablen. Variablen mit einem P < 0,10 im univariaten Screening wurden für die multivariable Modellierung berücksichtigt. Multikollinearität wurde anhand des Varianzinflationsfaktors (VIF) geprüft; ein VIF >5 galt als Hinweis auf bedenkliche Kollinearität. Wenn zwei Variablen stark miteinander korrelierten, wurde die Variable mit der klareren klinischen Interpretierbarkeit und der besseren inkrementellen Modellleistung beibehalten.
Das endgültige multivariable logistische Regressionsmodell wurde ausschließlich in der Trainingskohorte erstellt. ln(AFP) und ln(PIVKA-II) wurden zwingend in das Modell aufgenommen. Weitere Prädiktoren wurden mittels rückwärtsgerichteter Eliminierung basierend auf dem Akaike-Informationskriterium ausgewählt. Nach der rückwärtsgerichteten Auswahl verblieben die Variablen ln(AFP), ln(PIVKA-II), Alter, Geschlecht, Albumin, INR und Thrombozytenzahl.
Entwicklung des Modells und Berechnung des Risikoscores
Das diagnostische Modell wurde mithilfe einer multivariablen logistischen Regression mit dem HCC-Status als binärem Endpunkt erstellt. Die vorhergesagte Wahrscheinlichkeit für HCC wurde aus dem linearen Prädiktor η anhand der folgenden Gleichung berechnet:
p(HCC)=1/[1+exp(-η)]
η = -4.862+0.247×ln(AFP)+0.712×ln(PIVKA-II)+0.018×Alter+0.331×Geschlecht-0.062×Albumin+0.554×INR-0.004×Thrombozytenzahl
AFP wurde in ng/mL gemessen, PIVKA-II in mAU/mL, das Alter in Jahren; das Geschlecht wurde als weiblich = 0 und männlich = 1 codiert, Albumin wurde in g/L gemessen, INR war dimensionslos, und die Thrombozytenzahl wurde als ×109/L angegeben. Für AFP und PIVKA-II wurden natürliche Logarithmen verwendet. Ein Nomogramm wurde aus denselben geschätzten Koeffizienten erstellt. Für die Analyse der Receiver-Operating-Characteristic (ROC), die Kalibrationsanalyse, die Entscheidungskurvenanalyse und die Validierung wurde die vorhergesagte Wahrscheinlichkeit und nicht die Punkteskala des Nomogramms verwendet.
Schwellenwertdefinitionen und Schwellenwertbehandlung
PIVKA-II-Schwellenwerte wurden gemäß dem analytischen Zweck bezeichnet. Der etablierte klinische Schwellenwert für PIVKA-II betrug 40,0 mAU/mL. Der Youden-Schwellenwert für PIVKA-II in der Trainingskohorte lag bei 45,0 mAU/mL. Der festgelegte Spezifitätsschwellenwert wurde ermittelt, indem der Schwellenwert ausgewählt wurde, der in der Trainingskohorte einer Spezifität von 90 % am nächsten kam; dies ergab einen Wert von 38,0 mAU/mL für PIVKA-II. Ein ausschließlich für die Validierung bestimmter, scheinbarer Schwellenwert von 37,5 mAU/mL wurde als explorativ behandelt und nicht als primärer Validierungsschwellenwert verwendet.
Für das kombinierte Modell wurde die primäre binäre Cutoff-Grenze anhand der Trainingskohorte unter Verwendung des Youden-Index ermittelt und unverändert auf die Validierungskohorte angewandt. Für AFP wurde die etablierte klinische Cutoff-Grenze von 20,0 ng/mL zur Definition der AFP-negativen Untergruppe und zum Vergleich mit der routinemäßigen Praxis verwendet. Die für die ROC-Analyse optimierten AFP-Cutoffs wurden separat von der klinischen Schwelle gekennzeichnet. Die Cutoffs wurden daher je nach analytischem Zweck angegeben und nicht als austauschbare Schwellenwerte behandelt.
Modellleistung, Kalibrierung und Validierung
Die Diskriminierung wurde mithilfe von Receiver-Operating-Characteristic-Kurven und der Fläche unter der Kurve beurteilt. Die AUCs wurden mit 95 % Konfidenzintervallen angegeben. Zum Vergleich der AUCs wurde der DeLong-Test verwendet. Die Klassifikationsleistung wurde als Sensitivität, Spezifität, positiver Vorhersagewert, negativer Vorhersagewert und Genauigkeit bei vorgegebenen Cutoffs berichtet.
Die Kalibrierung wurde anhand des Kalibrierungsachsenabschnitts, der Kalibrierungssteigung, der Brier-Score und des Hosmer-Lemeshow-Anpassungstests beurteilt. Kalibrierungsdiagramme verglichen die vorhergesagten und beobachteten HCC-Wahrscheinlichkeiten über Risikogruppen hinweg. Zur internen Validierung wurden im Trainingskollektiv 1.000 Bootstrap-Stichproben verwendet, um die optimistisch-korrigierte AUC und die optimistisch-korrigierte Kalibrierungssteigung zu schätzen. Das Validierungskollektiv diente ausschließlich der externen Leistungsbewertung. Im Validierungskollektiv wurde keine Koeffizientenaktualisierung, Modellnachoptimierung, Schwellenwertneuoptimierung oder subgruppenbasierte Rekalibrierung durchgeführt.
Die klinische Anwendbarkeit wurde mittels Entscheidungskurvenanalyse über Schwellenwahrscheinlichkeiten von 0,05 bis 0,50 bewertet. Der Nettovorteil wurde für AFP allein, PIVKA-II allein, das Modell mit klinischen Variablen und das kombinierte Modell verglichen.
Umgang mit fehlenden Daten und Sensitivitätsanalyse
Die primäre Analyse verwendete eine Modellierung mit vollständigen Fällen für Teilnehmer, bei denen alle Variablen im endgültigen Modell beibehalten wurden. Fehlende Werte wurden für jeden potenziellen Prädiktor zusammengefasst. Wenn der Anteil fehlender Werte für irgendeinen beibehaltenen Prädiktor 5 % überstieg, wurde als Sensitivitätsanalyse eine multiple Imputation mittels verketteter Gleichungen durchgeführt, wobei das Ergebnis, alle beibehaltenen Prädiktoren und der Kohortenindikator im Imputationsmodell berücksichtigt wurden. Variablen mit einem Anteil fehlender Werte von mehr als 20 % kamen nicht für die multivariable Modellierung in Frage. Die Modellkoeffizienten, die AUC, die Kalibrierungssteigung sowie Klassifizierungsmetriken aus der Imputationsanalyse wurden mit den Ergebnissen aus der Analyse der vollständigen Fälle verglichen.
Software und reproduzierbare Berichterstattung
Alle Analysen wurden mit R-Version 4.3.2 und RStudio-Version 2023.12.1 durchgeführt. Die logistische Regression wurde mit dem Basis-Paket stats durchgeführt. ROC-Analysen und DeLong-Vergleiche wurden mit pROC-Version 1.18.5 durchgeführt. Die Kalibrationsanalyse erfolgte mit rms-Version 6.7-1 und ResourceSelection-Version 0.3-6. Zur Bootstrap-Validierung wurden 1.000 Resamples mit einem festen Zufallsstartwert von 70558 verwendet. Die Entscheidungskurvenanalyse wurde mit rmda-Version 1.6 durchgeführt. Gegebenenfalls wurde die multiple Imputation mit mice-Version 3.16.0 durchgeführt. Das Analyseskript reproduzierte den Teilnehmerfluss, die Modellkoeffizienten, ROC-Kurven, Kalibrierungsmetriken, Bootstrap-Validierung, Entscheidungskurvenanalyse, Analysen basierend auf Schwellenwerten sowie statistische Tabellen.
Ergebnisse
Grundlegende Merkmale
Die endgültige Analyse umfasste 389 Teilnehmer. Der Trainingskohorte gehörten 205 Teilnehmer an, darunter 112 bildgebungsbestätigte HCC-Fälle und 93 Nicht-HCC-Kontrollen. Die Validierungskohorte umfasste 184 Teilnehmer, darunter 58 bildgebungsbestätigte HCC-Fälle und 126 Nicht-HCC-Kontrollen. Die Basischarakteristika sind in Tabelle 1 zusammengefasst.
In der Trainingskohorte umfassten die 93 Nicht-HCC-Kontrollen 30 gesunde Kontrollen und 63 Kontrollen mit chronischer Lebererkrankung. In der Validierungskohorte umfassten die 126 Nicht-HCC-Kontrollen 0 gesunde Kontrollen und 126 Kontrollen mit chronischer Lebererkrankung. Eine Hepatitis-B-Virus-Infektion war die vorherrschende zugrundeliegende Lebererkrankung. BCLC-Stadium 0–A machte 57 von 112 HCC-Fällen in der Trainingskohorte und 30 von 58 HCC-Fällen in der Validierungskohorte aus. Alter, Geschlecht, Anamnese der Lebererkrankung, familiäre Vorgeschichte von HCC, Zirrhosestatus, Child-Pugh-Klasse, Alaninaminotransferase, Aspartataminotransferase, Albumin, Gesamtbilirubin, Thrombozytenzahl, Prothrombinzeit, international normalisiertes Verhältnis, Diabetes und Hypertonie waren über die in Tabelle 1 berichteten Kohortenstrata hinweg ausgeglichen.
Der mediane AFP-Wert betrug bei den HCC-Fällen der Trainingskohorte 57,3 ng/mL und bei den nicht-HCC-Kontrollen der Trainingskohorte 22,4 ng/mL. Der mediane PIVKA-II-Wert lag jeweils bei 197,6 mAU/mL und 86,3 mAU/mL. In der Validierungskohorte betrug der mediane AFP-Wert bei HCC-Fällen 60,2 ng/mL und bei nicht-HCC-Kontrollen 21,5 ng/mL. Der mediane PIVKA-II-Wert betrug jeweils 191,5 mAU/mL und 84,1 mAU/mL.
Diagnostische Leistung in der Trainingskohorte
Die Diskriminierung in der Trainingskohorte ist in Abbildung 2(A) dargestellt, und der entsprechende Vergleich von Sensitivität und Spezifität ist in Abbildung 2(B) dargestellt. Die Betriebskennlinien sind in Tabelle 2 zusammengefasst. AFP wies eine AUC von 0,78, eine Sensitivität von 62,50 % und eine Spezifität von 78,49 % bei der etablierten klinischen Schwelle von 20,0 ng/mL auf. PIVKA-II wies eine AUC von 0,85, eine Sensitivität von 78,57 % und eine Spezifität von 82,80 % bei der Youden-Schwelle der Trainingskohorte von 45,0 mAU/mL auf. Das Modell der klinischen Variablen hatte eine AUC von 0,81, eine Sensitivität von 69,64 % und eine Spezifität von 80,65 % bei einer Vorhersagewahrscheinlichkeitsschwelle von 0,40. Das kombinierte Modell zeigte die höchste Diskriminierung in der Trainingskohorte mit einer AUC von 0,93, einer Sensitivität von 88,39 % und einer Spezifität von 89,25 % bei einer Vorhersagewahrscheinlichkeitsschwelle von 0,50.
Leistungsanalyse nach Krankheitsstadium
Die stadiengestaffelten Verteilungen der Biomarker sind in Abbildung 3(A), die Nachweisraten in Abbildung 3(B) und die stadienspezifischen AUCs in Abbildung 3(C) dargestellt. AFP, PIVKA-II und der kombinierte Modell-Score stiegen über die BCLC-Stadien 0–A, B und C an. Bei AFP zeigte sich eine Überlappung zwischen frühem HCC und Nicht-HCC-Kontrollen. PIVKA-II wies eine stärkere Trennung über die Stadiengruppen auf. Das kombinierte Modell erzielte die höchste stadiengestaffelte Diskriminierung, auch bei BCLC 0–A HCC.
Komplementarität zwischen AFP und PIVKA-II
Korrelationen zwischen Markern und Scores werden gezeigt in Abbildung 4(A)–(C)und die Marker-Kreuzklassifizierung ist dargestellt in Abbildung 4(D)AFP und PIVKA-II zeigten eine teilweise Nicht-Überlappung. Sowohl AFP-positive/PIVKA-II-negative als auch AFP-negative/PIVKA-II-positive HCC-Fälle wurden beobachtet. Das kombinierte Modell stufte zusätzliche HCC-Fälle mit nur einem negativen Marker als hohes Risiko ein, was die Verwendung des integrierten Scores gegenüber jedem einzelnen Biomarker allein unterstützt.
Externe Validierung
Die ROC-Kurven für die Validierungs-Kohorte sind in Abbildung 5(A) dargestellt, die Kalibrierung in Abbildung 5(B) und die Muster der Sensitivität und Spezifität in den Subgruppen in Abbildung 5(C). Die entsprechenden Validierungsmetriken sind in Tabelle 3 zusammengefasst. Bei allen validierten HCC-Fällen wies AFP eine AUC von 0,75, eine Sensitivität von 62,1 % und eine Spezifität von 88,9 % bei 18,5 ng/mL auf. PIVKA-II wies eine AUC von 0,78, eine Sensitivität von 72,4 % und eine Spezifität von 91,3 % bei 38,0 mAU/mL auf. Das kombinierte Modell erreichte eine AUC von 0,89, eine Sensitivität von 84,5 %, eine Spezifität von 90,5 %, einen positiven Vorhersagewert von 78,8 % und einen negativen Vorhersagewert von 94,1 % bei einer prognostizierten Wahrscheinlichkeitsschwelle von 0,56.
In HCC des Frühstadiums betrug die Sensitivität von AFP 45,5 % und die Spezifität 88,9 %, die Sensitivität von PIVKA-II betrug 59,1 % und die Spezifität 91,3 %, und das kombinierte Modell wies eine Sensitivität von 72,7 % und eine Spezifität von 90,5 % auf. Bei AFP-negativem HCC betrug die Sensitivität von AFP 23,1 %, die Sensitivität von PIVKA-II 61,5 % und die Sensitivität des kombinierten Modells 73,1 %. Bei viralem HCC hatte das kombinierte Modell eine Sensitivität von 85,3 % und eine Spezifität von 91,3 %. Bei nicht-viralem HCC wies das kombinierte Modell eine Sensitivität von 83,3 % und eine Spezifität von 89,7 % auf. Der Kalibrierungs-Intercept der Validierungskohorte betrug -0,08, die Kalibrierungs-Steigung 0,91, der Brier-Score 0,118 und der Hosmer–Lemeshow-P-Wert 0,64.
Multi-variable Regression und interne Validierung
Die Ergebnisse der multivariablen Regression sind in Tabelle 4 dargestellt. Im adjustierten Modell blieb der logarithmisch transformierte PIVKA-II der stärkste unabhängige Prädiktor mit einer adjustierten Odds Ratio von 2,05, 95 % KI: 1,48–2,89, und P < 0,001. Auch der logarithmisch transformierte AFP war unabhängig mit HCC assoziiert, mit einer adjustierten Odds Ratio von 1,28, 95 % KI: 1,05–1,62, und P = 0,021. Das internationale normalisierte Verhältnis behielt eine unabhängige prädiktive Aussagekraft bei, mit einer adjustierten Odds Ratio von 1,74, 95 % KI: 1,12–2,78, und P = 0,015. Das endgültige Modell nach rückwärtsgerichteter Selektion enthielt ln(AFP), ln(PIVKA-II), Alter, Geschlecht, Albumin, internationales normalisiertes Verhältnis und Thrombozytenanzahl.
Bootstrap-basierte interne Validierungsmetriken werden ebenfalls in Tabelle 4 angegeben. Die scheinbare AUC des Trainings betrug 0,93, die mittlere Optimismusschätzung lag bei 0,018 und die optimistisch-korrigierte AUC bei 0,91. Die scheinbare Kalibrierungssteigung betrug 1,00, die optimistisch-korrigierte Kalibrierungssteigung war 0,94, die Brier-Score des Trainingskohorte betrug 0,104 und der Hosmer–Lemeshow-P-Wert lag bei 0,72.
Abschneidepunkt-Prüfung und schwellenwertspezifische Leistung
Da die PIVKA-II-Schwellenwerte je nach analytischem Zweck unterschiedlich waren, wurden die Ergebnisse basierend auf den jeweiligen Cutoffs separat angegeben, anstatt sie als austauschbar zu betrachten. Die leistungsoptimierte Cutoff-Bestimmung nach Youden ist in Tabelle 5 dargestellt. AFP wies einen nach Youden optimierten Cutoff von 19,0 ng/mL auf, mit einer Sensitivität von 67,9 %, einer Spezifität von 89,1 %, einem positiven Vorhersagewert von 71,3 %, einem negativen Vorhersagewert von 87,3 %, einer Genauigkeit von 81,2 % und einer AUC von 0,78. PIVKA-II hatte einen nach Youden optimierten Cutoff von 37,5 mAU/mL, mit einer Sensitivität von 75,4 %, einer Spezifität von 92,0 %, einem positiven Vorhersagewert von 79,8 %, einem negativen Vorhersagewert von 89,7 %, einer Genauigkeit von 85,9 % und einer AUC von 0,82. Das kombinierte Modell wies einen nach Youden optimierten prognostizierten Wahrscheinlichkeits-Cutoff von 0,57 auf, mit einer Sensitivität von 86,2 %, einer Spezifität von 90,6 %, einem positiven Vorhersagewert von 82,7 %, einem negativen Vorhersagewert von 92,4 %, einer Genauigkeit von 89,8 % und einer AUC von 0,90.
Die Leistung unter Verwendung etablierter klinischer Cut-offs ist in Tabelle 6 dargestellt. Bei dem etablierten AFP-Cut-off von 20,0 ng/mL wies AFP eine Sensitivität von 65,2 %, eine Spezifität von 88,5 %, einen positiven Vorhersagewert von 70,1 %, einen negativen Vorhersagewert von 86,0 %, eine Genauigkeit von 80,3 % und eine AUC von 0,77 auf. Bei dem etablierten PIVKA-II-Cut-off von 40,0 mAU/mL hatte PIVKA-II eine Sensitivität von 73,0 %, eine Spezifität von 93,1 %, einen positiven Vorhersagewert von 81,8 %, einen negativen Vorhersagewert von 89,0 %, eine Genauigkeit von 85,6 % und eine AUC von 0,82. Bei einer Vorhersagewahrscheinlichkeitsschwelle von 0,60 ergab das kombinierte Modell eine Sensitivität von 83,5 %, eine Spezifität von 92,0 %, einen positiven Vorhersagewert von 84,7 %, einen negativen Vorhersagewert von 91,2 %, eine Genauigkeit von 88,9 % und eine AUC von 0,89.
Die Leistung bei der Schwelle, die einer Spezifität von 90 % am nächsten kommt, ist in Tabelle 7 dargestellt. Für AFP wurde eine Schwelle von 19,0 ng/mL verwendet, mit einer Sensitivität von 67,9 % und einer Spezifität von 89,1 %. Für PIVKA-II betrug die Schwelle 37,5 mAU/mL, mit einer Sensitivität von 75,4 % und einer Spezifität von 92,0 %. Für das kombinierte Modell wurde eine vorhergesagte Wahrscheinlichkeitsschwelle von 0,57 verwendet, mit einer Sensitivität von 86,2 % und einer Spezifität von 90,6 %. Diese Ergebnisse der Schwellenwert-Prüfung erklären die numerischen Unterschiede zwischen den PIVKA-II-Schwellenwerten von 37,5, 38,0, 40,0 und 45,0 mAU/mL: 45,0 mAU/mL war der Youden-Schwellenwert in der Trainingskohorte, der für den primären Trainingsvergleich verwendet wurde; 38,0 mAU/mL wurde für die Validierung bei fester Spezifität berichtet; 40,0 mAU/mL war der etablierte klinische Schwellenwert; und 37,5 mAU/mL war der nachträglich Youden-optimierte Schwellenwert in der Schwellenwert-Prüftabelle.
Verteilungen nach Krankheitsuntergruppen
Die Verteilungen der Krankheitsuntergruppen für AFP, PIVKA-II und den kombinierten Modell-Score sind in Abbildung 6(A)-(C) dargestellt. AFP, PIVKA-II und der kombinierte Modell-Score waren bei chronischen Lebererkrankungen am niedrigsten und stiegen in den HCC-Gruppen an. Bei AFP zeigte sich eine Überlappung zwischen Kontrollen mit chronischer Lebererkrankung und HCC im Frühstadium. PIVKA-II und der kombinierte Modell-Score wiesen eine deutlichere Trennung zwischen Kontrollen mit chronischer Lebererkrankung, HCC im Frühstadium und HCC in allen Stadien auf.
VERFÜGBARKEIT VON DATEN:
Der Datensatz, der die Ergebnisse dieser Studie unterstützt, ist im Figshare unter https://doi.org/10.6084/m9.figshare.33048095.v1 öffentlich zugänglich.
Abbildung 1: Teilnehmerfluss, Kohortenzuordnung, Prozessierung der Proben und diagnostische Bewertung. Flussdiagramm zur Darstellung der Teilnehmer-Screening, Zuweisung zu den Kohorten, Blutentnahme vor der Bildgebung, Plasmaaufbereitung, Messung von AFP/PIVKA-II, Beurteilung mittels kontrastverstärkter CT/MRT sowie abschließender bildgebungsbasierter HCC-Bewertung in den Trainings- und Validierungskohorten. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.
Abbildung 2: Diagnostische Leistung im Trainingskollektiv für AFP, PIVKA-II, das Modell basierend auf klinischen Variablen und das kombinierte Modell. (A) ROC-Kurven (Receiver Operating Characteristic) zum Vergleich von AFP, PIVKA-II, dem Modell basierend auf klinischen Variablen und dem multivariablen kombinierten Modell im Trainingskollektiv. (B) Sensitivität und Spezifität der einzelnen diagnostischen Methoden an der im Trainingskollektiv angegebenen Schwellenwertgrenze. Bitte klicken Sie hier, um eine vergrößerte Darstellung dieser Abbildung anzusehen.
Die entsprechenden Betriebsmerkmale sind in Tabelle 2 zusammengefasst.
Abbildung 3: Stadiengewichtete diagnostische Leistungsfähigkeit über die BCLC-Stadien hinweg. (A) Verteilungen von AFP, PIVKA-II und dem Score des kombinierten Modells bei nicht-HCC-Kontrollen und BCLC-Stadiengruppen. (B) Detektionsraten von AFP, PIVKA-II und dem kombinierten Modell über die BCLC-Stadien hinweg. (C) Stadienspezifische AUCs für AFP, PIVKA-II und das kombinierte Modell, einschließlich BCLC 0–A HCC. Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.
Abbildung 4: Korrelation und Komplementarität zwischen AFP, PIVKA-II und dem kombinierten Modell-Score. (A) Korrelation zwischen AFP und dem kombinierten Modell-Score. (B) Korrelation zwischen PIVKA-II und dem kombinierten Modell-Score. (C) Korrelation zwischen AFP und PIVKA-II. (D) Kreuzklassifizierung von HCC-Fällen nach AFP-Status, PIVKA-II-Status und Risikoklassifizierung des kombinierten Modells. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.
Abbildung 5: Externe Validierung der diagnostischen Leistung in der unabhängigen Validierungskohorte. (A) ROC-Kurven (Receiver Operating Characteristic) der Validierungskohorte für AFP, PIVKA-II und das kombinierte Modell. (B) Kalibrierungsdiagramm des kombinierten Modells in der Validierungskohorte. (C) Vergleichende Sensitivität und Spezifität von AFP, PIVKA-II und dem kombinierten Modell bei allen HCC-Fällen, frühen HCC-Stadien und AFP-negativen HCC-Fällen. Die entsprechenden Validierungsmetriken sind in Tabelle 3 zusammengefasst. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.
Abbildung 6: Verteilung nach Krankheitsuntergruppen von AFP, PIVKA-II und der Punktzahl des kombinierten Modells. (A) Verteilung von AFP bei Patienten mit chronischer Lebererkrankung als Kontrollgruppe, BCLC 0–A HCC und HCC sämtlicher Stadien. (B) Verteilung von PIVKA-II bei Patienten mit chronischer Lebererkrankung als Kontrollgruppe, BCLC 0–A HCC und HCC sämtlicher Stadien. (C) Verteilung der Punktzahl des kombinierten Modells bei Patienten mit chronischer Lebererkrankung als Kontrollgruppe, BCLC 0–A HCC und HCC sämtlicher Stadien. Klicken Sie hier, um eine vergrößerte Darstellung dieser Abbildung anzusehen.
| Faktor | Kategorie / Zusammenfassung | Trainings-HCC n = 112 | Trainings-Nicht-HCC-Kontrollen n = 93 | Validierungs-HCC n = 58 | Validierungs-Nicht-HCC-Kontrollen n = 126 | P-Wert |
| Geschlecht, n (%) | Männlich | 76 (67,9 %) | 59 (63,4 %) | 39 (67,2 %) | 76 (60,3 %) | 0,374 |
| Weiblich | 36 (32,1 %) | 34 (36,6 %) | 19 (32,8 %) | 50 (39,7 %) | — | |
| Alter, Jahre | Mittelwert ± SD | 58,9 ± 9,3 | 58,1 ± 10,4 | 59,4 ± 8,8 | 57,6 ± 9,7 | 0,281 |
| Anamnese einer Lebererkrankung, n (%) | HBV | 84 (75,0 %) | 64 (68,8 %) | 42 (72,4 %) | 83 (65,9 %) | 0,332 |
| HCV | 6 (5,4 %) | 5 (5,4 %) | 3 (5,2 %) | 7 (5,6 %) | 0,914 | |
| Alkoholische Lebererkrankung | 13 (11,6 %) | 10 (10,8 %) | 6 (10,3 %) | 12 (9,5 %) | 0,825 | |
| Familiäre Anamnese von HCC, n (%) | Ja | 9 (8,0 %) | 7 (7,5 %) | 4 (6,9 %) | 8 (6,3 %) | 0,887 |
| Leberzirrhose, n (%) | Ja | 80 (71,4 %) | 61 (65,6 %) | 42 (72,4 %) | 88 (69,8 %) | 0,468 |
| HCC-Stadium (BCLC), n (%) | 0–A | 57 (50,9 %) | — | 30 (51,7 %) | — | — |
| B | 33 (29,5 %) | — | 17 (29,3 %) | — | — | |
| C | 22 (19,6 %) | — | 11 (19,0 %) | — | — | |
| Child–Pugh-Klasse, n (%) | A | 85 (75,9 %) | 77 (82,8 %) | 43 (74,1 %) | 101 (80,2 %) | 0,341 |
| B | 27 (24,1 %) | 16 (17,2 %) | 15 (25,9 %) | 25 (19,8 %) | — | |
| ALT, U/L | Mittelwert ± SD | 48,6 ± 22,1 | 47,1 ± 20,6 | 47,9 ± 22,4 | 45,2 ± 20,1 | 0,517 |
| AST, U/L | Mittelwert ± SD | 60,3 ± 28,5 | 58,0 ± 27,8 | 58,7 ± 29,4 | 56,2 ± 26,9 | 0,488 |
| Albumin, g/L | Mittelwert ± SD | 39,0 ± 4,7 | 39,5 ± 4,6 | 38,7 ± 5,1 | 39,6 ± 4,5 | 0,554 |
| Gesamtbilirubin, μmol/L | Mittelwert ± SD | 20,1 ± 11,3 | 18,6 ± 10,8 | 20,4 ± 11,6 | 18,1 ± 10,9 | 0,321 |
| Thrombozytenzahl, ×10⁹/L | Mittelwert ± SD | 137 ± 61 | 146 ± 59 | 134 ± 60 | 149 ± 57 | 0,437 |
| Prothrombinzeit, s | Mittelwert ± SD | 13,7 ± 1,4 | 13,5 ± 1,3 | 13,8 ± 1,5 | 13,5 ± 1,2 | 0,411 |
| INR | Mittelwert ± SD | 1,18 ± 0,12 | 1,16 ± 0,11 | 1,19 ± 0,13 | 1,15 ± 0,10 | 0,334 |
| AFP, ng/mL | Median (IQR) | 57,3 (19,8–135,1) | 22,4 (10,4–46,0) | 60,2 (20,6–131,7) | 21,5 (9,8–48,1) | 0,071 |
| PIVKA-II, mAU/mL | Median (IQR) | 197,6 (83,1–438,2) | 86,3 (38,6–131,2) | 191,5 (81,4–422,5) | 84,1 (37,1–129,4) | 0,064 |
| Verlängerte PT, n (%) | Ja | 30 (26,8 %) | 20 (21,5 %) | 15 (25,9 %) | 24 (19,0 %) | 0,372 |
| Diabetes, n (%) | Ja | 19 (17,0 %) | 14 (15,1 %) | 10 (17,2 %) | 19 (15,1 %) | 0,764 |
| Hypertonie, n (%) | Ja | 33 (29,5 %) | 26 (28,0 %) | 18 (31,0 %) | 36 (28,6 %) | 0,824 |
| Art der Kontrolle unter den Nicht-HCC-Kontrollen, n (%) | Gesunde Kontrollen | — | 30 (32,3 %) | — | 0 (0,0 %) | — |
| Kontrollen mit chronischer Lebererkrankung | — | 63 (67,7 %) | — | 126 (100,0 %) | — | |
| Hinweis: HCC, hepatozelluläres Karzinom; BCLC, Barcelona Clinic Liver Cancer; ALT, Alaninaminotransferase; AST, Aspartataminotransferase; INR, international normalisiertes Verhältnis; AFP, Alpha-Fetoprotein; PIVKA-II, Protein, induziert durch Vitamin-K-Mangel-II; PT, Prothrombinzeit; IQR, Interquartilsabstand. P-Werte werden für Vergleiche der Basisliniendaten über die angegebenen Kohorten-/Statusgruppen, wo zutreffend, angezeigt. Das HCC-Stadium wurde nur für HCC-Fälle angegeben. Die Art der Kontrolle wurde nur für Nicht-HCC-Kontrollen angegeben. | ||||||
Tabelle 1: Basischarakteristika der Trainings- und Validierungskohorten. Demografische Merkmale, Lebererkrankungshintergrund, HCC-Stadium, Child-Pugh-Klasse, routinemäßige Laborparameter, AFP und PIVKA-II werden nach Kohorte und HCC-Status dargestellt.
| Methode | Sensitivität (95 % KI) | Spezifität (95 % KI) | AUC (95 % KI) | Schwellenwert |
| AFP | 62,50 (53,41–71,06) | 78,49 (69,07–86,04) | 0,78 (0,72–0,84) | 20,0 ng/mL |
| PIVKA-II | 78,57 (70,29–85,37) | 82,80 (73,95–89,61) | 0,85 (0,80–0,90) | 45,0 mAU/mL |
| Klinisches Variablenmodell | 69,64 (60,28–77,87) | 80,65 (71,13–88,04) | 0,81 (0,75–0,87) | Vorhergesagte Wahrscheinlichkeit = 0,40 |
| Kombiniertes Modell | 88,39 (81,35–93,36) | 89,25 (81,26–94,65) | 0,93 (0,89–0,96) | Vorhergesagte Wahrscheinlichkeit = 0,50 |
| Hinweis: AFP wurde an der etablierten klinischen Grenze von 20,0 ng/mL bewertet. Der PIVKA-II-Schwellenwert von 45,0 mAU/mL war der Youden-Schwellenwert der Trainingskohorte, der für den primären Trainingsvergleich verwendet wurde. Die klinischen Variablen- und kombinierten Modelle wurden anhand von aus der Trainingskohorte abgeleiteten Vorhersagewahrscheinlichkeiten-Schwellenwerten bewertet. | ||||
Tabelle 2: Diagnostische Leistung in der Trainingskohorte. AUC, Sensitivität, Spezifität und angegebene Schwellenwerte sind für AFP, PIVKA-II, das Modell basierend auf klinischen Variablen und das multivariable kombinierte Modell in der Trainingskohorte dargestellt.
| Untergruppe | Parameter | AFP | PIVKA-II | Kombiniertes Modell |
| Alle HCC | AUC | 0,75 | 0,78 | 0,89 |
| Alle HCC | Primärer Validierungsschwellenwert | 18,5 ng/mL | 38,0 mAU/mL | Vorhergesagte Wahrscheinlichkeit = 0,56 |
| Alle HCC | Sensitivität, % (95 % CI) | 62,1 (48,7–74,2) | 72,4 (59,1–83,5) | 84,5 (72,6–92,6) |
| Alle HCC | Spezifität, % (95 % CI) | 88,9 (82,0–93,4) | 91,3 (85,1–95,3) | 90,5 (84,2–94,8) |
| Alle HCC | PPV, % | 63,8 | 72,7 | 78,8 |
| Alle HCC | NPV, % | 88,1 | 91 | 94,1 |
| HCC im Frühstadium | Explorativer Untergruppenschwellenwert | 15,2 ng/mL | 33,5 mAU/mL | Vorhergesagte Wahrscheinlichkeit = 0,51 |
| HCC im Frühstadium | Sensitivität, % (95 % CI) | 45,5 (25,1–67,3) | 59,1 (38,5–77,7) | 72,7 (52,0–87,6) |
| HCC im Frühstadium | Spezifität, % | 88,9 | 91,3 | 90,5 |
| HCC im Frühstadium | PPV, % | 40 | 54,5 | 66,7 |
| HCC im Frühstadium | NPV, % | 90,1 | 87,5 | 92,3 |
| AFP-negativer HCC | Explorativer Untergruppenschwellenwert | 7,5 ng/mL | 31,2 mAU/mL | Vorhergesagte Wahrscheinlichkeit = 0,48 |
| AFP-negativer HCC | Sensitivität, % (95 % CI) | 23,1 (9,7–42,6) | 61,5 (40,6–79,8) | 73,1 (52,2–88,4) |
| AFP-negativer HCC | Spezifität, % | 88,9 | 91,3 | 90,5 |
| AFP-negativer HCC | PPV, % | 22 | 52 | 64,5 |
| AFP-negativer HCC | NPV, % | 90,2 | 88,3 | 92,7 |
| Viraler HCC | Explorativer Untergruppenschwellenwert | 19,3 ng/mL | 40,7 mAU/mL | Vorhergesagte Wahrscheinlichkeit = 0,59 |
| Viraler HCC | Sensitivität, % (95 % CI) | 64,7 (46,9–79,9) | 73,5 (56,4–86,4) | 85,3 (69,9–94,7) |
| Viraler HCC | Spezifität, % | 88,1 | 90,5 | 91,3 |
| Viraler HCC | PPV, % | 67,3 | 73 | 81,3 |
| Viraler HCC | NPV, % | 87,5 | 90,8 | 94,7 |
| Nicht-viraler HCC | Explorativer Untergruppenschwellenwert | 20,1 ng/mL | 34,5 mAU/mL | Vorhergesagte Wahrscheinlichkeit = 0,53 |
| Nicht-viraler HCC | Sensitivität, % (95 % CI) | 58,3 (36,6–77,9) | 70,8 (48,9–87,4) | 83,3 (62,6–95,3) |
| Nicht-viraler HCC | Spezifität, % | 89,2 | 92,1 | 89,7 |
| Nicht-viraler HCC | PPV, % | 59,2 | 69,7 | 75 |
| Nicht-viraler HCC | NPV, % | 89 | 92 | 93,8 |
| Kalibrierung des kombinierten Modells | Achsenabschnitt | — | — | −0,08 |
| Kalibrierung des kombinierten Modells | Steigung | — | — | 0,91 |
| Kalibrierung des kombinierten Modells | Brier-Score | — | — | 0,118 |
| Kalibrierung des kombinierten Modells | Hosmer–Lemeshow-P-Wert | — | — | 0,64 |
| Hinweis: Die Zeile „Alle HCC“ enthält die Ergebnisse der primären Validierungsanalyse. Die Zeilen für HCC im Frühstadium, AFP-negativen HCC, viralen HCC und nicht-viralen HCC enthalten explorative Untergruppenergebnisse. Die Untergruppenschwellenwerte wurden angegeben, um scheinbare Arbeitspunkte innerhalb der jeweiligen Untergruppen zu beschreiben, und wurden nicht zur erneuten Anpassung oder Kalibrierung des Modells verwendet. AFP-negativer HCC wurde definiert als AFP <20,0 ng/mL. PPV, positiver Vorhersagewert; NPV, negativer Vorhersagewert. | ||||
Tabelle 3: Diagnostische Leistung und Subgruppenanalyse in der Validierungskohorte. AUC, angegebene Schwellenwerte, Sensitivität, Spezifität, positiver Vorhersagewert und negativer Vorhersagewert sind für AFP, PIVKA-II und das kombinierte Modell bei allen HCC-Fällen, frühen HCC-Stadien, AFP-negativen HCC, viralen HCC sowie nicht-viralen HCC dargestellt. Kalibrierungsmetriken für das kombinierte Modell sind ebenfalls enthalten.
| Faktor / Metrik | Univariater P-Wert | Koeffizient β | Adjustiertes OR / Validierungsmetrik | 95 % KI | P-Wert |
| Achsenabschnitt | — | −4,862 | — | — | — |
| Alter | 0,112 | 0,018 | 1,02 | 0,99–1,05 | 0,186 |
| Geschlecht, männlich | 0,087 | 0,331 | 1,41 | 0,83–2,37 | 0,204 |
| AFP, natürlicher Logarithmus transformiert | 0,004 | 0,247 | 1,28 | 1,05–1,62 | 0,021 |
| PIVKA-II, natürlicher Logarithmus transformiert | <0,001 | 0,712 | 2,05 | 1,48–2,89 | <0,001 |
| Albumin, g/L | 0,008 | −0,062 | 0,94 | 0,89–0,99 | 0,032 |
| INR | 0,012 | 0,554 | 1,74 | 1,12–2,78 | 0,015 |
| Thrombozytenzahl, ×109/L | 0,052 | −0,004 | 0,99 | 0,98–1,00 | 0,044 |
| Scheinbare Trainings-AUC | — | — | 0,93 | 0,89–0,96 | — |
| Mittlere Optimismuskorrektur | — | — | 0,018 | — | — |
| Optimismus-korrigierte AUC | — | — | 0,91 | 0,87–0,95 | — |
| Scheinbare Kalibrierungssteigung | — | — | 1 | — | — |
| Optimismus-korrigierte Kalibrierungssteigung | — | — | 0,94 | — | — |
| Trainings-Brier-Score | — | — | 0,104 | — | — |
| Hosmer–Lemeshow-P-Wert | — | — | 0,72 | — | — |
| Hinweis: Der endgültige lineare Prädiktor war η = −4,862 + 0,247 × ln(AFP) + 0,712 × ln(PIVKA-II) + 0,018 × Alter + 0,331 × Geschlecht − 0,062 × Albumin + 0,554 × INR − 0,004 × Thrombozytenzahl. Die vorhergesagte Wahrscheinlichkeit wurde berechnet als p(HCC) = 1 / [1 + exp(−η)]. AFP wurde in ng/mL gemessen; PIVKA-II in mAU/mL; Alter in Jahren; Geschlecht wurde kodiert als weiblich = 0 und männlich = 1; Albumin in g/L; INR als dimensionslose Größe; und die Thrombozytenzahl als ×10⁹/L. | |||||
Tabelle 4: Multivariable logistische Regression und interne Bootstrap-Validierung. Univariate P-Werte, angepasste Modellkoeffizienten, angepasste Odds Ratios, 95 % Konfidenzintervalle und multivariable P-Werte werden für die im Trainingskollektiv bewerteten Variablen dargestellt. Bootstrap-Optimismus, korrigierte AUC, korrigierte Kalibrierungsspanne, Brier-Score sowie Ergebnisse des Hosmer-Lemeshow-Tests werden angegeben.
Tabelle 5: Diagnostische Leistung unter Verwendung von nach Youden optimierten Cutoff-Werten. Sensitivität, Spezifität, positiver Vorhersagewert, negativer Vorhersagewert, Genauigkeit und AUC werden für AFP, PIVKA-II und das kombinierte Modell unter Verwendung der nach dem Youden-Index bestimmten Cutoff-Werte dargestellt.
| Methode | Etablierte Grenze | Sensitivität, % (95 % KI) | Spezifität, % (95 % KI) | Positiver Vorhersagewert, % (95 % KI) | Negativer Vorhersagewert, % (95 % KI) | Genauigkeit, % (95 % KI) | AUC (95 % KI) |
| AFP | 20,0 ng/mL | 65,2 (57,0–72,7) | 88,5 (83,4–92,3) | 70,1 (61,8–77,4) | 86,0 (80,7–90,3) | 80,3 (75,0–84,8) | 0,77 (0,72–0,82) |
| PIVKA-II | 40,0 mAU/mL | 73,0 (65,2–79,8) | 93,1 (88,8–96,0) | 81,8 (74,2–87,7) | 89,0 (83,9–92,8) | 85,6 (80,9–89,5) | 0,82 (0,78–0,86) |
| Kombiniertes Modell | Vorhergesagte Wahrscheinlichkeit = 0,60 | 83,5 (76,6–89,0) | 92,0 (87,4–95,3) | 84,7 (77,9–90,0) | 91,2 (86,3–94,6) | 88,9 (84,6–92,2) | 0,89 (0,86–0,93) |
| Hinweis: Die etablierten klinischen Grenzwerte betrugen AFP 20,0 ng/mL und PIVKA-II 40,0 mAU/mL. Das kombinierte Modell wurde an der entsprechenden vordefinierten Wahrscheinlichkeitsschwelle angegeben, die für diesen Vergleich der klinischen Grenzwerte verwendet wurde. | |||||||
Tabelle 6: Diagnostische Leistung unter Verwendung etablierter klinischer Grenzwerte. Sensitivität, Spezifität, positiver Vorhersagewert, negativer Vorhersagewert, Genauigkeit und AUC werden unter Verwendung des etablierten AFP-Grenzwerts von 20,0 ng/mL und des etablierten PIVKA-II-Grenzwerts von 40,0 mAU/mL angegeben. Das kombinierte Modell wird an der entsprechenden Wahrscheinlichkeitsschwelle angegeben, die für diesen Grenzwertvergleich verwendet wurde.
| Methode | Grenzwert nahe 90 % Spezifität | Sensitivität, % (95 % KI) | Spezifität, % (95 % KI) | Positiver Vorhersagewert, % (95 % KI) | Negativer Vorhersagewert, % (95 % KI) |
| AFP | 19,0 ng/mL | 67,9 (59,1–75,7) | 89,1 (84,2–92,8) | 71,3 (62,4–79,0) | 87,3 (82,1–91,2) |
| PIVKA-II | 37,5 mAU/mL | 75,4 (67,3–82,2) | 92,0 (87,7–95,1) | 79,8 (71,6–86,3) | 89,7 (84,7–93,3) |
| Kombiniertes Modell | Vorhergesagte Wahrscheinlichkeit = 0,57 | 86,2 (79,3–91,3) | 90,6 (85,8–94,0) | 82,7 (74,8–88,7) | 92,4 (87,9–95,4) |
| Hinweis: Diese Grenzwerte wurden gewählt, um in der Grenzwert-Überprüfung eine Spezifität nahe 90 % zu erreichen. Für PIVKA-II ist 37,5 mAU/mL der Youden-Grenzwert und der Grenzwert mit nahezu 90 % Spezifität in dieser Überprüfung, 38,0 mAU/mL ist der primäre Validierungsschwellenwert aus Tabelle 3, 40,0 mAU/mL ist der etablierte klinische Grenzwert und 45,0 mAU/mL ist der Youden-Grenzwert der Trainingskohorte aus Tabelle 2. | |||||
Tabelle 7: Diagnostische Leistung bei der Schwellenwertnähe zur Spezifität von 90 %. Sensitivität, Spezifität, positiver Vorhersagewert und negativer Vorhersagewert sind für AFP, PIVKA-II und das kombinierte Modell bei Schwellenwerten dargestellt, die so gewählt wurden, dass die Spezifität am nächsten bei 90 % liegt.
Diskussion
Diese Studie evaluierte eine integrierte diagnostische Strategie für HCC unter Verwendung von PIVKA-II, AFP und routinemäßigen klinischen Variablen, wobei besonderes Augenmerk auf frühen Stadien und AFP-negativen Erkrankungen lag14. In den Trainings- und Validierungskohorten übertraf das kombinierte Modell die Einzelmarkertestung. In der Trainingskohorte erreichte das kombinierte Modell eine AUC von 0,93 im Vergleich zu 0,78 für AFP und 0,85 für PIVKA-II. In der unabhängigen Validierungskohorte behielt das Modell eine starke Diskriminierungsfähigkeit mit einer AUC von 0,89, einer Sensitivität von 84,5 % und einer Spezifität von 90,5 %. Diese Ergebnisse unterstützen einen modellbasierten Ansatz, bei dem komplementäre Biomarker- und klinische Signale gemeinsam interpretiert werden, anstatt diagnostische Entscheidungen an eine einzelne Serum-Schwellenwertgrenze zu binden.
Die Validierungsergebnisse verdeutlichen den zusätzlichen Nutzen von PIVKA-II, insbesondere dort, wo AFP am wenigsten zuverlässig ist. Die Empfindlichkeit von AFP betrug 62,1 % bei allen validierten HCC-Fällen und sank bei AFP-negativem HCC auf 23,1 %. PIVKA-II wies eine höhere Gesamtempfindlichkeit auf und behielt bei AFP-negativer Erkrankung eine Empfindlichkeit von 61,5 % bei. Das kombinierte Modell verbesserte die Empfindlichkeit weiter auf 73,1 % bei AFP-negativem HCC und 72,7 % bei HCC im Frühstadium, während gleichzeitig eine hohe Spezifität erhalten blieb. Dieses Muster stimmt mit früheren Befunden überein, die belegen, dass PIVKA-II diagnostische Informationen erfasst, die teilweise von denen von AFP verschieden sind, insbesondere bei Tumoren mit niedrigem AFP-Spiegel und geringer Tumormasse15,16,17. Auch die Korrelations- und Kreuzklassifizierungsanalysen unterstützen diese Interpretation und zeigen, dass AFP und PIVKA-II nicht austauschbare Marker sind und dass der integrierte Score zusätzliche Fälle erfasst, die bei der Klassifizierung anhand eines einzelnen Markers übersehen wurden.
Die multivariablen Ergebnisse deuten darauf hin, dass der Gewinn aus dem kombinierten Modell nicht allein auf der Addition von AFP und PIVKA-II beruhte. Klinische Variablen trugen zusätzlichen Kontext bezüglich Alter, Geschlecht, Leberreserve, Gerinnungsstatus und Thrombozytenzahl bei. Dieses Design entspricht etablierten multivariablen HCC-Risikomodellen, einschließlich GALAD, GAAD und verwandten, biomarkerbasierten Scores, die demografische und laborchemische Variablen kombinieren, um die diagnostische Leistung in heterogenen Populationen mit Lebererkrankungen zu verbessern18,19,20. Im adjustierten Modell blieb der logarithmisch transformierte PIVKA-II der stärkste unabhängige Prädiktor, der logarithmisch transformierte AFP behielt eine unabhängige Assoziation, und der INR trug ein zusätzliches diagnostisches Signal bei. Aminotransferasen waren nach der Adjustierung weniger aussagekräftig, was darauf hindeutet, dass eine unspezifische hepatische Entzündung nicht der Hauptfaktor für die Differenzierung war, sobald tumorassoziierte und gerinnungsrelevante Marker berücksichtigt wurden.
Die Schnittwertanalysen beziehen sich auf einen wichtigen Punkt, der während der Begutachtung angesprochen wurde. Die verschiedenen PIVKA-II-Schwellenwerte sollten nicht als widersprüchliche primäre Cutoffs interpretiert werden. Der Wert von 45,0 mAU/mL wurde für den ROC-Vergleich in der Trainingskohorte verwendet, 40,0 mAU/mL repräsentierte den etablierten klinischen Schwellenwert, und der Bereich von 37,5–38,0 mAU/mL spiegelte alternative Schwellenwertstrategien wider, die auf der Youden-Optimierung oder einer Analyse mit fester Spezifität basierten. Diese Schwellenwerte beantworten unterschiedliche klinische Fragestellungen: Ein auf Sensitivität ausgerichteter Cutoff kann für die Überwachung von Hochrisikopatienten nützlich sein, während ein auf Spezifität ausgerichteter Cutoff bevorzugt wird, wenn die Reduzierung von Falsch-positiven Ergebnissen im Vordergrund steht. Bei all diesen Strategien zeigte das kombinierte Modell eine höhere Stabilität als AFP oder PIVKA-II allein, was dessen Einsatz als Werkzeug zur Risikostratifizierung – und nicht als Ersatz für die bildgebungsbasierte Diagnose – unterstützt21.
Es verbleiben mehrere Einschränkungen. Der Trainingskohorte stammte aus einer einzigen Zentraleinrichtung, und die prospektive Validierungskohorte war von moderater Größe. Eine multizentrische Validierung ist weiterhin erforderlich, insbesondere in Populationen mit unterschiedlichen ätiologischen Hintergründen, einschließlich NAFLD-bedingtem, alkoholbedingtem und HCV-bedingtem HCC. Der HCC-Status wurde anhand kontrastverstärkter CT und/oder MRT beurteilt, was der routinemäßigen diagnostischen Praxis entspricht, aber möglicherweise extrem frühe oder atypische Läsionen unterrepräsentiert. Einige Subgruppenanalysen, insbesondere bei HCC im Frühstadium und bei AFP-negativem HCC, umfassten weniger Fälle als die Gesamtkohorte. Kalibrierungs- und Bootstrap-Analysen trugen zur Beurteilung der Modellstabilität bei, können jedoch nicht die prospektiven Implementierungsstudien ersetzen, die prüfen, ob eine modellgestützte Überwachung die Effizienz der Überweisung, die Rate der Früherkennung sowie die nachgeschalteten klinischen Ergebnisse verbessert22.
Zusammenfassend verbesserte die Kombination von PIVKA-II, AFP und routinemäßigen klinischen Variablen die Detektion von HCC im Vergleich zu Strategien mit nur einem Biomarker und zeigte dabei eine konsistente Leistung sowohl in der Trainings- als auch in der unabhängigen Validierungsgruppe. Das Modell bewahrte eine klinisch nützliche Sensitivität bei HCC im Frühstadium und bei AFP-negativem HCC, wobei gleichzeitig eine hohe Spezifität erhalten blieb, wodurch zwei häufige Schwachstellen der auf AFP basierenden Überwachung adressiert wurden. Da die benötigten Eingabedaten routinemäßig verfügbar sind, eignet sich dieser Ansatz für weitere Untersuchungen in Populationen mit hohem Lebererkrankungsrisiko. Zukünftige multizentrische Studien sollten das Modell direkt mit Ultraschall plus AFP vergleichen, vorab definierte operationelle Schwellenwerte evaluieren und prüfen, ob eine Integration mit neuartigen Biomarkern oder bildbasierten Merkmalen die Früherkennung von HCC weiter verbessert23,24.
Offenlegungen
Die Autoren erklären, dass keine konkurrierenden finanziellen oder nicht-finanziellen Interessen bestehen. Kein kommerzieller Geldgeber, Reagenzhersteller, Softwareanbieter oder Diagnoseplattformunternehmen hatte Einfluss auf das Studiendesign, die Datensammlung, die statistische Analyse, die Interpretation der Ergebnisse, die Manuskripterstellung oder die Entscheidung, die Arbeit zur Veröffentlichung einzureichen.
Danksagungen
Die Autoren danken den Studienteilnehmern und dem klinischen Personal, das die Blutentnahme, die klinische Koordination, die Bildüberprüfung und die Datenverifikation für diese Studie unterstützt hat.
Materialien
| Name | Unternehmen | Katalognummer | Kommentare |
|---|---|---|---|
| 1,5-mL nukleasefreie Mikrozentrifugenröhrchen | Eppendorf | 30123328 | Plasma-Aliquotierung und -lagerung |
| AFP-Kalibrator | Roche Diagnostics | AFP CalSet II, 09227261190 | AFP-Kalibrierung |
| AFP-Qualitätskontrollmaterial | Roche Diagnostics | PreciControl Tumor Marker, 11776452160 | AFP-Qualitätskontrolle |
| AFP-Qualitätskontrollmaterial | Roche Diagnostics | PreciControl Universal, 11731416160 | AFP-Qualitätskontrolle |
| AFP-Reagenzkit | Roche Diagnostics | Elecsys AFP, 09015124190 | AFP-Messung |
| Automatisierter elektrochemilumineszenzbasierter Immunoassay-Analysator | Roche Diagnostics | cobas e 801 | AFP- und PIVKA-II-Messung |
| Kalibrierungspaket | R-Paket | rms 6.7–1 | Kalibrierungsanalyse |
| Paket für die Entscheidungskurvenanalyse | R-Paket | rmda 1.6 | Entscheidungskurvenanalyse |
| Hosmer–Lemeshow-Testpaket | R-Paket | ResourceSelection 0.3–6 | Hosmer–Lemeshow-Test |
| K2-EDTA-Blutentnahmeröhrchen, 10 mL | BD | 367525 | Entnahme von peripherem venösem Blut |
| Paket für multiple Imputation | R-Paket | mice 3.16.0 | Multiple Imputation |
| PIVKA-II-Reagenzkit | Roche Diagnostics | Elecsys PIVKA-II, 08333629190/08333629500 | PIVKA-II-Messung |
| Kühlzentrifuge | Eppendorf | Centrifuge 5425 R | Plasmatrennung |
| Paket für ROC-Analyse | R-Paket | pROC 1.18.5 | ROC-Analyse und DeLong-Test |
| Statistische Software | R Foundation | R 4.3.2 | Statistische Analyse |
| Benutzeroberfläche für statistische Software | Posit Software | RStudio 2023.12.1 | Statistische Analyse |
Referenzen
- Oh JH, Jun DW. The latest global burden of liver cancer: A past and present threat. Clin Mol Hepatol. 2023;29(2):355-357.
- Heimbach JK et al. AASLD guidelines for the treatment of hepatocellular carcinoma. Hepatology. 2018;67(1):358-380.
- Singal AG et al. Meta-analysis: Surveillance with ultrasound for early-stage hepatocellular carcinoma in patients with cirrhosis. Aliment Pharmacol Ther. 2009;30(1):37-47.
- Tzartzeva K et al. Surveillance imaging and alpha fetoprotein for early detection of hepatocellular carcinoma in patients with cirrhosis: A meta-analysis. Gastroenterology. 2018;154(6):1706-1718.e1.
- Parikh ND et al. Biomarkers for the early detection of hepatocellular carcinoma. Cancer Epidemiol Biomarkers Prev. 2020;29(12):2495-2503.
- Gopal P et al. Factors that affect accuracy of alpha-fetoprotein test in detection of hepatocellular carcinoma in patients with cirrhosis. Clin Gastroenterol Hepatol. 2014;12(5):870-877.
- Hanif H et al. Update on the applications and limitations of alpha-fetoprotein for hepatocellular carcinoma. World J Gastroenterol. 2022;28(2):216-229.
- Norman JS, Mehta N. The role of AFP-L3 and DCP biomarkers in the diagnosis and management of hepatocellular carcinoma. Curr Hepatol Rep. 2025;24(1):16.
- Suttichaimongkol T et al. PIVKA-II or AFP has better diagnostic properties for hepatocellular carcinoma diagnosis in high-risk patients. J Circ Biomark. 2023;12:12-16.
- Piratvisuth T et al. Development and clinical validation of a novel algorithmic score (GAAD) for detecting HCC in prospective cohort studies. Hepatol Commun. 2023;7(11):e0317.
- Jarrah M et al. Performance of GALAD, GAAD, and ASAP for early HCC detection in chronic liver disease: A systematic review and meta-analysis. Liver Cancer. 2026;15(2):285-299.
- Zhou JM, Wang T, Zhang KH. AFP-L3 for the diagnosis of early hepatocellular carcinoma: A meta-analysis. Medicine (Baltimore). 2021;100(43):e27673.
- Singal AG et al. AASLD practice guidance on prevention, diagnosis, and treatment of hepatocellular carcinoma. Hepatology. 2023;78(6):1922-1965.
- Best J et al. The GALAD scoring algorithm based on AFP, AFP-L3, and DCP significantly improves detection of BCLC early-stage hepatocellular carcinoma. Z Gastroenterol. 2016;54(12):1296-1305.
- Poté N et al. Performance of PIVKA-II for early hepatocellular carcinoma diagnosis and prediction of microvascular invasion. J Hepatol. 2015;62(4):848-854.
- Xu F et al. The diagnostic value of serum PIVKA-II alone or in combination with AFP in Chinese hepatocellular carcinoma patients. Dis Markers. 2021;2021:8868370.
- Liu M et al. Validation of the GALAD model and establishment of GAAP model for diagnosis of hepatocellular carcinoma in Chinese patients. J Hepatocell Carcinoma. 2020;7:219-232.
- Aralica M et al. GALAD, or des-gamma-carboxy prothrombin compared with alpha-foetoprotein for the diagnosis of hepatocellular carcinoma in people with chronic liver disease. Cochrane Database Syst Rev. 2024;12(12):CD015826.
- Zhang S et al. Evaluating the combined diagnostic power of alpha-fetoprotein and protein induced by vitamin K absence or antagonist-II for hepatocellular carcinoma. J Gastrointest Oncol. 2025;16(3):1157-1175.
- Pham TTT, Ho DT, Nguyen TB, Phan HT. Clinical performance of GAAD score, alpha-fetoprotein, and PIVKA-II in diagnosing hepatocellular carcinoma in the Vietnamese cohort. Discov Oncol. 2025;16:1813.
- Youden WJ. Index for rating diagnostic tests. Cancer. 1950;3(1):32-35.
- Tarao K et al. Real impact of tumor marker AFP and PIVKA-II in detecting very small hepatocellular carcinoma (≤2 cm, Barcelona stage 0): Assessment with a large number of cases. World J Hepatol. 2020;12(11):1046-1054.
- Kim DY et al. Utility of combining PIVKA-II and AFP in the surveillance and monitoring of hepatocellular carcinoma in the Asia-Pacific region. Clin Mol Hepatol. 2023;29(2):277-292.
- Kao SYZ et al. Cost-effectiveness of a precision hepatocellular carcinoma surveillance strategy in patients with cirrhosis. EClinicalMedicine. 2024;75:102755.