Dit protocol beschrijft een reproduceerbare workflow voor het integreren van PIVKA-II, AFP en routinematige klinische variabelen in een logistische regressie-diagnostisch model voor hepatocellulair carcinoom, met validatie bij vroege stadia en AFP-negatieve ziekte.
Onderzoeksartikel
Integratie van abnormaal protrombine (PIVKA-II), alfa-foetoproteïne en routinematige klinische variabelen voor vroege detectie van hepatocellulair carcinoom
In dit artikel
Samenvatting
Samenvatting
Vroege detectie van hepatocellulair carcinoom (HCC) blijft beperkt door de onvolledige sensitiviteit van alfafetoproteïne (AFP), vooral bij tumoren in een vroeg stadium en AFP-negatieve tumoren. Deze studie evalueerde of abnormaal prothrombine/protein induced by vitamin K absence-II (PIVKA-II), AFP en routinematige klinische variabelen konden worden geïntegreerd in een reproduceerbaar diagnostisch model voor HCC. Een retrospectieve trainingscohort van 205 deelnemers, waaronder 112 beeldbevestigde HCC-gevallen en 93 non-HCC controles, werd gebruikt voor de modelontwikkeling. Een onafhankelijke prospectieve validatiecohort van 184 deelnemers, waaronder 58 HCC-gevallen en 126 non-HCC controles, werd gebruikt voor out-of-sample testen zonder heraanpassing van het model. Bloedmonsters vóór beeldvorming werden gebruikt voor de meting van AFP en PIVKA-II, en klinische variabelen werden geëxtraheerd uit hetzelfde diagnostische venster. Het uiteindelijke multivariabele logistische regressiemodel combineerde ln(AFP), ln(PIVKA-II), leeftijd, geslacht, albumine, de international normalized ratio en het aantal bloedplaatjes. Het gecombineerde model behaalde een AUC van 0,93 in de trainingscohort en 0,89 in de validatiecohort. Bij validatie was de sensitiviteit 84,5% en de specificiteit 90,5%. De sensitiviteit bleef 72,7% bij HCC in een vroeg stadium en 73,1% bij AFP-negatief HCC, wat in beide subgroepen hoger was dan bij alleen AFP. Calibratie en bootstrap-validatie ondersteunden een acceptabele modelstabiliteit. Deze resultaten tonen aan hoe PIVKA-II, AFP en routinematig beschikbare klinische variabelen kunnen worden gecombineerd tot een praktisch diagnostisch triage-instrument voor populaties met een hoog risico op leverziekten.
Inleiding
Hepatocellulair carcinoom (HCC) is een belangrijke oorzaak van kankergerelateerde mortaliteit en ontstaat gewoonlijk bij patiënten met chronische leverziekten, waaronder infecties met het hepatitis B-virus, infecties met het hepatitis C-virus, alcoholgerelateerde leverziekten en metabole dysfunctie-geassocieerde steatotische leverziekte1. Vroege detectie is klinisch van groot belang omdat curatieve behandeling het meest effectief is wanneer tumoren worden ontdekt vóór vasculaire invasie, extrahepatische verspreiding of een aanzienlijke verslechtering van de leverreserve. Huidige surveillancestrategieën vertrouwen over het algemeen op een echo van de lever, met of zonder bepaling van serum alfa-foetoproteïne (AFP)2. In de routinepraktijk wordt de prestatie van de surveillance echter beïnvloed door operatorafhankelijkheid, geringe tumorgrootte, heterogene cirrotische noduli, beeldvormingsproblemen als gevolg van obesitas en tumoren die weinig of geen AFP produceren3,4.
AFP wordt nog steeds veelvuldig gebruikt omdat het goedkoop en toegankelijk is en bekend is bij clinici. De diagnostische waarde ervan wordt beperkt door een onvolledige sensitiviteit en een imperfecte specificiteit. Bij de conventionele drempelwaarde van 20 ng/mL kan AFP een aanzienlijk deel van HCC in een vroeg stadium en AFP-negatieve HCC over het hoofd zien. Lagere drempelwaarden kunnen de sensitiviteit verbeteren, maar verhogen het aantal fout-positieve resultaten bij patiënten met actieve hepatitis, cirrose of andere inflammatoire leveraandoeningen5,6. Deze beperkingen maken de interpretatie van een enkele marker onvoldoende voor diagnostische triage bij populaties met een hoog risico op leverziekten.
Abnormaal protrombine, ook bekend als proteïne geïnduceerd door vitamine K-afwezigheid-II (PIVKA-II) of des-γ-carboxy-protrombine, komt vrij wanneer maligne hepatocyten onvolledig gecarboxyleerd protrombine produceren. PIVKA-II weerspiegelt de coagulatie-gerelateerde tumorbiologie in plaats van AFP-secretie en kan informatief blijven wanneer AFP laag is7. Eerdere studies en meta-analyses hebben aangetoond dat PIVKA-II de detectie van HCC verbetert, in het bijzonder in combinatie met AFP, en waarde kan toevoegen bij ziekten in een vroeg stadium of bij AFP-negatieve ziekten8,9. Strategieën die enkel op markers zijn gebaseerd, houden echter geen volledig rekening met de achtergrond van de gastheer, de leverreserve, het aantal bloedplaatjes, de coagulatiestatus of de onderliggende leveraandoening.
Samengestelde diagnostische modellen bieden een praktische manier om tumor-markeerresultaten samen met de klinische context te interpreteren. GALAD, GAAD en aanverwante modellen hebben aangetoond dat demografische variabelen en biomarkers gecombineerd kunnen worden om de detectie van HCC te verbeteren over verschillende etiologieën en populaties heen10,11. Hun prestaties ondersteunen het gebruik van multivariabele risicoschatting in plaats van geïsoleerde biomarker-drempelwaarden. Tegelijkertijd bevatten sommige modellen assays die niet in alle laboratoria beschikbaar zijn, en kan het gedrag van de afkapwaarden variëren per regio, etiologisch profiel, ziektestadium en beoogd klinisch gebruik12. Een model dat is gebouwd op basis van breed beschikbare biomarkers en routineuze laboratoriumvariabelen kan gemakkelijker worden geïmplementeerd in reguliere diagnostische workflows. In tegenstelling tot eerder gepubliceerde modellen, die mogelijk vertrouwen op gespecialiseerde biomarkers of populatiespecifieke afkapstrategieën, evalueerde de huidige studie een multivariabel diagnostisch model gebaseerd op breed beschikbare biomarkers en routineuze klinische variabelen en valideerde de prestaties hiervan in een onafhankelijke prospectieve cohort.
PIVKA-II is geschikt voor dit raamwerk omdat het AFP aanvult en gemeten kan worden op geautomatiseerde immunoassay-platforms die reeds in klinische laboratoria worden gebruikt. Routinematige variabelen zoals leeftijd, geslacht, albumine, bilirubine, aantal bloedplaatjes, internationale genormaliseerde ratio en de achtergrond van de leveraandoening zijn beschikbaar bij hetzelfde klinische consult en kunnen informatie over de leverreserve of stollingsgerelateerde gegevens vastleggen die relevant zijn voor het risico op HCC13. Het combineren van deze variabelen met AFP en PIVKA-II kan de discriminatie verbeteren, terwijl afhankelijkheid van een enkele afkapwaarde wordt vermeden.
PIVKA-II, AFP en routinematige klinische variabelen werden daarom beoordeeld met behulp van een diagnostisch ontwerp met een dubbele cohort. Een multivariabel logistisch regressiemodel werd ontwikkeld in een retrospectieve trainingscohort en getest in een onafhankelijke prospectieve validatiecohort zonder heraanpassing. De diagnostische prestaties werden vergeleken met AFP, PIVKA-II en klinische variabelen afzonderlijk, waarbij vooraf aandacht werd besteed aan HCC in een vroeg stadium, AFP-negatief HCC, interpretatie van de afkapwaarden, kalibratie en bootstrap interne validatie.
Protocol
Deze studie is beoordeeld en goedgekeurd door de Ethiekcommissie van het Affiliated Hangzhou First People's Hospital, School of Medicine, Westlake University. Het goedkeuringsnummer was IIT-20230528-0108-01. Voorafgaand aan de bloedafname werd schriftelijke geïnformeerde toestemming verkregen van prospectief geïncludeerde deelnemers. Voor retrospectief opgenomen klinische dossiers en gearchiveerde restmonsters die tijdens de routinestezorg zijn verzameld, is geïnformeerde toestemming door de ethiekcommissie kwijtgescholden omdat gedeïdentificeerde gegevens werden gebruikt en er geen aanvullende interventie is uitgevoerd.
Reproduceerbaarheid, beheersing van bias en gegevensintegriteit
De criteria voor deelname, tijdstippen van bloedafname, regels voor de beoordeling van beeldvorming, definities van subgroepen, potentiële predictoren, definities van afkapwaarden, regels voor ontbrekende gegevens en validatieprocedures waren vooraf vastgesteld vóór de statistische analyse. Bloedmonsters werden verzameld vóór de bevestiging via contrastversterkte beeldvorming en vóór elke anti-tumorbehandeling. Bij de laboratoriumtesten werden geanonimiseerde studie-identificatoren gebruikt, en monsters van de trainings- en validatiecohorten werden in willekeurige volgorde getest. Het laboratoriumpersoneel was blind voor de definitieve diagnose, de toewijzing aan de cohort, het Barcelona Clinic Liver Cancer (BCLC)-stadium en de AFP-negatieve status. De beeldvormingsdiagnose en het stadium werden onafhankelijk van de laboratoriumtesten geëxtraheerd. Gegevensinvoer, eenheidconversie, cohorttoewijzing, codering van exclusies, codering van ontbrekende waarden en statistische datasets werden door twee onderzoekers gecontroleerd vóór het fitten van het model. De trainings- en validatiecohorten werden gedurende de gehele screening van variabelen, het fitten van het model, het afleiden van de afkapwaarden en de validatie gescheiden gehouden.
Studiepopulatie en ontwerp
Deze diagnostische studie met twee cohorten ontwikkelde en valideerde een multivariabel model voor de detectie van HCC met gebruik van abnormaal protrombine/eiwit geïnduceerd door PIVKA-II, AFP en routinematige klinische variabelen. De retrospectief samengestelde trainingscohort omvatte deelnemers die werden beoordeeld tussen 1 januari 2021 en 31 december 2023. Deze cohort werd gebruikt voor variabelscreening, modelpassing, afleiding van afkapwaarden en bootstrap interne validatie. De prospectief ingeschreven validatiecohort omvatte deelnemers die werden beoordeeld tussen 1 januari 2024 en 31 december 2025. Deze cohort werd uitsluitend gebruikt voor out-of-sample testen. Er werd geen herselectie van variabelen, herpassing van het model, bijwerking van coëfficiënten, heroptimalisatie van afkapwaarden of recalibratie op basis van subgroepen uitgevoerd in de validatiecohort. De deelnemersstroom, cohorttoewijzing, bloedafname, plasmaprocessing, biomarkertesten, beoordeling van beeldvorming en de statistische workflow worden weergegeven in Figuur 1.
Deelnemers werden geworven uit een surveillance- of diagnostisch traject voor leverziekten met een hoog risico bij het Affiliated Hangzhou First People's Hospital, School of Medicine, Westlake University. De status van hoog risico werd gedefinieerd als een chronische hepatitis B-infectie, een chronische hepatitis C-infectie, cirrose van elke etiologie, of leververvetting met gedocumenteerde fibrose op basis van klinische beoordeling, laboratoriumgegevens of eerdere beeldvorming. In aanmerking komende deelnemers waren volwassenen van ≥18 jaar die bloedafname voorafgaand aan de beeldvorming hadden ondergaan en een contrastrijk multifasisch computertomografieonderzoek (CT) en/of een dynamische contrastrijk magnetische resonantie-onderzoek (MRI) hadden voltooid binnen 14 dagen na de bloedafname. De exclusiecriteria waren eerdere HCC-behandeling, inclusief resectie, ablatie, transarteriële therapie of systemische therapie; toediening van vitamine K binnen 7 dagen voor de afname; therapie met vitamine K-antagonisten of andere anticoagulantia die de interpretatie van de stolling waarschijnlijk beïnvloeden; acute cholangitis of galwegobstructie bij afname; zwangerschap; ontbrekende AFP, PIVKA-II of definitieve beeldvormingsdiagnose; en onaanvaardbare specimenkwaliteit zonder een geldige herhaalmonster.
De uiteindelijke studiepopulatie bestond uit 389 deelnemers. De trainingscohort omvatte 205 deelnemers, bestaande uit 112 beeldbevestigde HCC-gevallen en 93 non-HCC-controles. De validatiecohort omvatte 184 deelnemers, bestaande uit 58 beeldbevestigde HCC-gevallen en 126 non-HCC-controles. In de trainingscohort bestonden de 93 non-HCC-controles uit 30 gezonde controles en 63 controles met chronische leverziekte. In de validatiecohort bestonden de 126 non-HCC-controles uit 0 gezonde controles en 126 controles met chronische leverziekte.
De symptomatische status werd niet uitsluitend toegewezen op basis van de geschiedenis van hepatitis of gecompenseerde cirrose. Een deelnemer werd alleen als symptomatisch geclassificeerd wanneer uit het dossier voorafgaand aan de beeldvorming bleek dat er sprake was van nieuwe of verergerende pijn in het rechter bovenkwadrant, onverklaarbaar gewichtsverlies, abdominale distensie, geelzucht, donkere urine of klinisch gedocumenteerde decompensatie die niet door een andere bevestigde oorzaak kon worden verklaard. Deelnemers zonder deze bevindingen werden geclassificeerd als asymptomatisch of via surveillance gedetecteerd.
Diagnostische beoordeling en stadiëring
De uiteindelijke HCC-status werd vastgesteld met behulp van contrastversterkte multifasische CT en/of dynamische contrastversterkte MRI die in de reguliere zorg werden uitgevoerd. De beeldvorming moest ten minste een arteriële fase en een portaalveenfase omvatten; bevindingen uit de late fase werden meegenomen indien beschikbaar. Een laesie werd geclassificeerd als HCC wanneer beeldvorming in een risicolever arteriële hyperenhancement vertoonde met washout in de portaalveenfase en/of de late fase, met of zonder een contrastversterkende capsule. Deelnemers zonder beeldvormingskenmerken die consistent waren met HCC en zonder een andere maligne diagnose werden geclassificeerd als non-HCC.
Beeldvormingsinformatie werd geëxtraheerd met een vooraf vastgesteld formulier waarin de beeldvormingsmodaliteit, de verkregen fasen, arteriële fase-hyperenhancement, washout, het uiterlijk van het kapsel, het aantal laesies, de maximale diameter van de laesie, macrovasculaire invasie en extrahepatische verspreiding werden geregistreerd. Twee getrainde beoordelaars extraheerden onafhankelijk de beeldvormingskenmerken uit de definitieve radiologierapporten. Meningsverschillen werden door consensus opgelost met gebruik van dezelfde vooraf gedefinieerde criteria. Indien zowel CT als MRI beschikbaar waren, werd de modaliteit met de meest volledige multifasische karakterisering gebruikt. Wanneer beide modaliteiten volledig waren, werd de modaliteit die als basis voor de definitieve klinische beslissing was gedocumenteerd, gebruikt.
Het BCLC-stadium werd toegewezen nadat de HCC-status was vastgesteld. HCC in een vroeg stadium werd gedefinieerd als BCLC-stadium 0–A. AFP-negatief HCC werd gedefinieerd als AFP <20 ng/mL bij de bloedafname voorafgaand aan de beeldvorming. Deze subgroepslabels werden gebruikt voor de evaluatie van de prestaties per subgroep, niet voor de training van het model of de geschiktheid van deelnemers.
Monstername en plasmaverwerking
Perifeer veneus bloed werd in de ochtend afgenomen na een overnight vasten van ten minste 8 h, voorafgaand aan de bevestiging via contrastversterkte CT/MRI en vóór de antitumortherapie. In totaal werd 10 mL veneus bloed opgevangen in bloedafnamebuizen met K2-EDTA antistollingsmiddel. De buizen werden direct na afname 8–10 keer omgekeerd en bij 4 °C naar het laboratorium getransporteerd. Het interval tussen de venapunctie en de centrifugatie werd beperkt tot 2 h en genoteerd in het monsterlogboek.
Plasma werd gescheiden door centrifugatie bij 1.600 × g gedurende 10 min bij 4 °C met behulp van een gekoelde centrifuge. Het plasmasupernatant werd overgebracht naar nucleasevrije microcentrifugebuisjes van 1,5 mL en verdeeld in aliquots van 0,5–1,0 mL. De aliquots werden bewaard bij -80 °C tot aan de analyse. Voorafgaand aan de biomarkermeting werd één aliquot eenmaal ontdooid bij kamertemperatuur, 20–25 °C, gedurende 20–30 min, voorzichtig gemengd door inversie en getest binnen 2 u na volledige ontdooiing. Monsters met zichtbare stolling, matige tot ernstige hemolyse of uitgesproken lipemie werden afgekeurd volgens vooraf vastgestelde laboratoriumacceptatiecriteria. Voor de prospectieve validatiecohort werd, indien klinisch haalbaar, een herhaalde bloedafname uitgevoerd vóór de bevestiging via beeldvorming.
Meting van AFP en PIVKA-II
AFP en PIVKA-II werden gemeten met elektrochemiluminescentie-immunoassays op een geautomatiseerde immunoassay-analyser. AFP werd geregistreerd in ng/mL en PIVKA-II werd geregistreerd in mAU/mL. De resultaten werden rechtstreeks geëxporteerd vanuit het laboratoriuminformatiesysteem.
Elke analytische batch bevatte assay-specifieke kalibratoren en ten minste twee interne kwaliteitscontrolleniveaus. Voor de acceptatie van de batch was het vereist dat alle kwaliteitscontroleresultaten binnen het vooraf gedefinieerde laboratoriumcontrolespectrum vielen. De doelen voor analytische precisie waren een intra-run variatiecoëfficiënt ≤10% en een inter-run variatiecoëfficiënt ≤15% voor zowel AFP als PIVKA-II. Indien de kwaliteitscontrole mislukte of er batchdrift werd gedetecteerd, werd de batch afgekeurd, werd de analyzer opnieuw gekalibreerd en werd de batch herhaald wanneer er voldoende monstervolume over was. Bij een onwaarschijnlijk of buiten bereik liggend resultaat van een enkel monster werden, indien mogelijk, twee herhaalde metingen uitgevoerd vanuit hetzelfde ontdooide aliquot, waarbij het gemiddelde van de twee geaccepteerde herhaalwaarden werd gebruikt. Als herhaald testen mislukte of het monstervolume onvoldoende was, werd het resultaat als ongeldig gemarkeerd en behandeld volgens de regel voor ontbrekende gegevens.
Routine extractie van klinische variabelen
Routine klinische variabelen werden geëxtraheerd uit hetzelfde klinische consult als de AFP/PIVKA-II bloedafname voorafgaand aan de beeldvorming. Kandidaatvariabelen waren leeftijd, geslacht, alanine-aminotransferase, aspartaat-aminotransferase, albumine, totaal bilirubine, internationale genormaliseerde ratio (INR), protrombinetijd en aantal bloedplaatjes. Wanneer meerdere waarden beschikbaar waren binnen het tijdvenster voorafgaand aan de beeldvorming, werd de waarde geselecteerd die het dichtst bij het tijdstip van de AFP/PIVKA-II bemonstering lag. Eenheden werden gestandaardiseerd vóór de analyse. Leeftijd werd genoteerd in jaren; geslacht werd gecodeerd als vrouw = 0 en man = 1; het aantal bloedplaatjes werd genoteerd als ×10⁹/L; albumine werd genoteerd als g/L; totaal bilirubine werd genoteerd als μmol/L; AFP werd genoteerd als ng/mL; en PIVKA-II werd genoteerd als mAU/mL.
Na de extractie werden controles van het bereik, de eenheden en onwaarschijnlijke waarden uitgevoerd. Gemarkeerde waarden werden geverifieerd aan de hand van de brongegevens. Een waarde werd alleen uitgesloten wanneer de brongegevens een probleem met de monsterkwaliteit, een fout bij de eenheidsconversie of een afwijking in de verwerking bevestigden. Geverifieerde extreme waarden werden behouden. Het variabelenwoordenboek definieerde de datasetstructuur, variabelenamen, eenheden, coderingsregels, transformatieregels en codes voor ontbrekende waarden.
Definitie van predictoren en selectie van variabelen
Kandidaat-predictoren werden gedefinieerd vóór de ontwikkeling van het model. De kernbiomarkers waren AFP en PIVKA-II. Routineklinische kandidaten waren leeftijd, geslacht, alanine aminotransferase, aspartaat aminotransferase, albumine, totaal bilirubine, INR of protrombinetijd en het aantal bloedplaatjes. AFP en PIVKA-II werden natuurlogaritmisch getransformeerd. Waarden onder de rapportagelimiet van de assay werden vóór de transformatie vervangen door de helft van de onderste rapportagelimiet.
Univariate vergelijkingen tussen HCC- en non-HCC-deelnemers in de trainingscohort werden uitgevoerd met onafhankelijke t-toetsen voor bijna normaal verdeelde variabelen, Mann-Whitney U-toetsen voor scheve continue variabelen en χ2- of Fisher's exact tests voor categorische variabelen. Variabelen met P < 0,10 bij de univariate screening werden overwogen voor multivariabele modellering. Multicollineariteit werd beoordeeld aan de hand van de variantie-opblastfactor (VIF), waarbij een VIF > 5 werd beschouwd als een teken van collineariteit. Wanneer twee variabelen sterk collinear waren, werd de variabele met de duidelijkere klinische interpreteerbaarheid en betere incrementele modelprestaties behouden.
Het uiteindelijke multivariabele logistische regressiemodel werd uitsluitend ontwikkeld in de trainingscohort. ln(AFP) en ln(PIVKA-II) werden geforceerd in het model. Aanvullende predictoren werden geselecteerd via backward eliminatie op basis van het Akaike-informatiecriterium. Na de backward selectie waren de behouden variabelen ln(AFP), ln(PIVKA-II), leeftijd, geslacht, albumine, INR en het aantal bloedplaatjes.
Modelontwikkeling en berekening van de risicoscore
Het diagnostische model werd gefit met behulp van multivariabele logistische regressie, waarbij de HCC-status als binaire uitkomst diende. De voorspelde kans op HCC werd berekend uit de lineaire voorspeller η met behulp van de volgende vergelijking:
p(HCC)=1/[1+exp(-η)]
η = -4.862+0.247×ln(AFP)+0.712×ln(PIVKA-II)+0.018×age+0.331×sex-0.062×albumin+0.554×INR-0.004×plateletcount
AFP werd gemeten in ng/mL, PIVKA-II in mAU/mL, leeftijd in jaren, geslacht werd gecodeerd als vrouw = 0 en man = 1, albumine werd gemeten in g/L, INR was dimensieloos en het aantal bloedplaatjes werd gemeten als ×109/L. Natuurlijke logaritmen werden gebruikt voor AFP en PIVKA-II. Er werd een nomogram gegenereerd op basis van dezelfde gefitte coëfficiënten. Voor de receiver operating characteristic (ROC)-analyse, kalibratieanalyse, decision curve-analyse en validatie werd de voorspelde waarschijnlijkheid gebruikt, en niet de puntenschaal van het nomogram.
Definities van afkapwaarden en omgang met drempelwaarden
PIVKA-II-drempelwaarden werden gelabeld op basis van het analytische doel. De vastgestelde klinische afkapwaarde voor PIVKA-II was 40,0 mAU/mL. De Youden-afkapwaarde van de trainingscohort voor PIVKA-II was 45,0 mAU/mL. De afkapwaarde met vaste specificiteit werd bepaald door de drempelwaarde te selecteren die het dichtst bij een specificiteit van 90% lag in de trainingscohort; dit resulteerde in 38,0 mAU/mL voor PIVKA-II. Een schijnbare drempelwaarde van 37,5 mAU/mL, uitsluitend voor validatie, werd als verkennend beschouwd en werd niet gebruikt als de primaire validatie-afkapwaarde.
Voor het gecombineerde model werd de primaire binaire afkapwaarde afgeleid van de trainingscohort met behulp van de Youden-index en ongewijzigd toegepast op de validatiecohort. Voor AFP werd de vastgestelde klinische afkapwaarde van 20,0 ng/mL gebruikt voor de definitie van de AFP-negatieve subgroep en voor vergelijking met de routinepraktijk. Geoptimaliseerde AFP-afkapwaarden die in de ROC-analyse zijn gebruikt, werden apart gelabeld van de klinische drempelwaarde. Afkapwaarden werden daarom gerapporteerd op basis van het analytische doel in plaats van als uitwisselbare drempelwaarden te worden beschouwd.
Modelprestaties, kalibratie en validatie
De discriminatie werd geëvalueerd met behulp van receiver operating characteristic-curves en de oppervlakte onder de curve (AUC). AUC's werden gerapporteerd met 95% betrouwbaarheidsintervallen. Voor de vergelijkingen van AUC's werd de DeLong-test gebruikt. De classificatieprestaties werden gerapporteerd als sensitiviteit, specificiteit, positieve voorspellende waarde, negatieve voorspellende waarde en nauwkeurigheid bij vooraf vastgestelde afkapwaarden.
De kalibratie werd geëvalueerd aan de hand van het kalibratie-intercept, de kalibratieshelling, de Brier-score en de Hosmer–Lemeshow goodness-of-fit test. Kalibratieplots werden gebruikt om de voorspelde en geobserveerde HCC-waarschijnlijkheden over de risicogroepen te vergelijken. Voor de interne validatie werden 1.000 bootstrap-resamples in de trainingscohort gebruikt om de optimisme-gecorrigeerde AUC en de optimisme-gecorrigeerde kalibratieshelling te schatten. De validatiecohort werd uitsluitend gebruikt voor een externe prestatiebeoordeling. In de validatiecohort werden geen updates van coëfficiënten, modelaanpassingen, heroptimalisaties van drempelwaarden of recalibraties op basis van subgroepen uitgevoerd.
De klinische bruikbaarheid werd beoordeeld met behulp van decision curve-analyse over drempelwaarschijnlijkheden van 0,05 tot 0,50. Het netto voordeel werd vergeleken voor AFP alleen, PIVKA-II alleen, het klinische-variabelenmodel en het gecombineerde model.
Omgang met ontbrekende gegevens en sensitiviteitsanalyse
Voor de primaire analyse werd gebruikgemaakt van complete-case modellering voor deelnemers waarbij alle variabelen in het uiteindelijke model waren behouden. Ontbrekende waarden werden samengevat voor elke kandidaat-predictor. Indien het percentage ontbrekende gegevens voor een behouden predictor 5% overschreed, werd als sensitiviteitsanalyse multiple imputatie via chained equations uitgevoerd, waarbij de uitkomst, alle behouden predictoren en de cohortindicator in het imputatiemodel waren opgenomen. Variabelen met meer dan 20% ontbrekende gegevens kwamen niet in aanmerking voor multivariabele modellering. Modelcoëfficiënten, AUC, de kalibratierichting en classificatiemetrics van de geïmputeerde analyse werden vergeleken met de complete-case resultaten.
Software en reproduceerbare rapportage
Alle analyses werden uitgevoerd met R versie 4.3.2 en RStudio versie 2023.12.1. Logistische regressie werd uitgevoerd met het basis stats-pakket. ROC-analyse en DeLong-vergelijkingen werden uitgevoerd met pROC versie 1.18.5. Calibratieanalyse werd uitgevoerd met rms versie 6.7-1 en ResourceSelection versie 0.3-6. Voor de bootstrap-validatie werden 1.000 resamples gebruikt met een vaste random seed van 70558. Decision curve-analyse werd uitgevoerd met rmda versie 1.6. Indien nodig werd multiple imputatie uitgevoerd met mice versie 3.16.0. Het analysescript reproduceerde de deelnemersstroom, modelcoëfficiënten, ROC-curves, calibratiemetrics, bootstrap-validatie, decision curve-analyse, analyses op basis van afkapwaarden en statistische tabellen.
Resultaten
Basiskenmerken
De definitieve analyse omvatte 389 deelnemers. De trainingscohort bestond uit 205 deelnemers, waaronder 112 via beeldvorming bevestigde HCC-gevallen en 93 non-HCC-controles. De validatiecohort omvatte 184 deelnemers, bestaande uit 58 via beeldvorming bevestigde HCC-gevallen en 126 non-HCC-controles. De basiskenmerken zijn samengevat in Tabel 1.
In de trainingscohort omvatten de 93 non-HCC-controles 30 gezonde controles en 63 controles met chronische leverziekten. In de validatiecohort omvatten de 126 non-HCC-controles 0 gezonde controles en 126 controles met chronische leverziekten. Infectie met het hepatitis B-virus was de dominante onderliggende leverziekte. Ziekte in stadium BCLC 0–A was verantwoordelijk voor 57 van de 12 HCC-gevallen in de trainingscohort en 30 van de 58 HCC-gevallen in de validatiecohort. Leeftijd, geslacht, voorgeschiedenis van leverziekten, familiegeschiedenis van HCC, cirrose-status, Child-Pugh-klasse, alanine aminotransferase, aspartaat aminotransferase, albumine, totaal bilirubine, aantal bloedplaatjes, protrombinetijd, internationale genormaliseerde ratio, diabetes en hypertensie waren in evenwicht over de cohortstrata die in Tabel 1 worden gerapporteerd.
De mediane AFP was 57,3 ng/mL in de HCC-gevallen van de trainingsset en 2,4 ng/mL in de non-HCC-controles van de trainingsset. De mediane PIVKA-II was respectievelijk 197,6 mAU/mL en 86,3 mAU/mL. In de validatiecohort was de mediane AFP 60,2 ng/mL in de HCC-gevallen en 21,5 ng/mL in de non-HCC-controles. De mediane PIVKA-II was respectievelijk 191,5 mAU/mL en 84,1 mAU/mL.
Diagnostische prestaties van de trainingscohort
De discriminatie van de trainingscohort wordt weergegeven in Figuur 2(A), en de overeenkomstige vergelijking van sensitiviteit en specificiteit wordt weergegeven in Figuur 2(B). De operationele kenmerken zijn samengevat in Tabel 2. AFP had een AUC van 0,78, een sensitiviteit van 62,50% en een specificiteit van 78,49% bij de vastgestelde klinische afkapwaarde van 20,0 ng/mL. PIVKA-II had een AUC van 0,85, een sensitiviteit van 78,57% en een specificiteit van 82,80% bij de Youden-afkapwaarde van de trainingscohort van 45,0 mAU/mL. Het klinische variabelenmodel had een AUC van 0,81, een sensitiviteit van 69,64% en een specificiteit van 80,65% bij een voorspelde kansdrempel van 0,40. Het gecombineerde model vertoonde de hoogste discriminatie in de trainingscohort, met een AUC van 0,93, een sensitiviteit van 8,39% en een specificiteit van 89,25% bij een voorspelde kansdrempel van 0,50.
Stadium-gestratificeerde prestaties
Stadiuminverdeelde biomarkerdistributies worden getoond in Figuur 3(A), detectiesnelheden in Figuur 3(B), en stadiumspecifieke AUC's in Figuur 3(C). AFP, PIVKA-II en de gecombineerde modelscore namen toe over BCLC 0–A, B en C ziektebeelden. AFP vertoonde overlap tussen HCC in een vroeg stadium en non-HCC controles. PIVKA-II vertoonde een sterkere scheiding tussen de stadiumstrata. Het gecombineerde model zorgde voor de hoogste stadiuminverdeelde discriminatie, ook bij BCLC 0–A HCC.
Complementariteit tussen AFP en PIVKA-II
Correlaties van marker-scores worden getoond in Figuur 4(A)-(C), en de kruisclassificatie van markers wordt getoond in Figuur 4(D). AFP en PIVKA-II vertoonden een gedeeltelijke overlap. Er werden zowel AFP-positieve/PIVKA-II-negatieve als AFP-negatieve/PIVKA-II-positieve HCC-gevallen waargenomen. Het gecombineerde model classificeerde aanvullende HCC-gevallen die voor een enkele marker negatief waren als hoog risico, wat het gebruik van de geïntegreerde score ondersteunt boven het gebruik van elke individuele biomarker.
Externe validatie
ROC-curves van de validatiecohort worden getoond in Figuur 5(A), de kalibratie wordt getoond in Figuur 5(B), en de sensitiviteit-specificiteitspatronen van de subgroepen worden getoond in Figuur 5(C). De overeenkomstige validatiemetrieken zijn samengevat in Tabel 3. In alle validatiegevallen van HCC had AFP een AUC van 0,75, een sensitiviteit van 62,1% en een specificiteit van 8,9% bij 18,5 ng/mL. PIVKA-II had een AUC van 0,78, een sensitiviteit van 72,4% en een specificiteit van 91,3% bij 38,0 mAU/mL. Het gecombineerde model had een AUC van 0,89, een sensitiviteit van 84,5%, een specificiteit van 90,5%, een positief voorspellende waarde van 78,8% en een negatief voorspellende waarde van 94,1% bij een voorspelde-waarschijnlijkheidsdrempel van 0,56.
Bij HCC in een vroeg stadium had AFP een sensitiviteit van 45,5% en een specificiteit van 8,9%, had PIVKA-II een sensitiviteit van 59,1% en een specificiteit van 91,3%, en had het gecombineerde model een sensitiviteit van 72,7% en een specificiteit van 90,5%. Bij AFP-negatief HCC was de sensitiviteit van AFP 23,1%, de sensitiviteit van PIVKA-II 61,5% en de sensitiviteit van het gecombineerde model 73,1%. Bij viraal HCC had het gecombineerde model een sensitiviteit van 85,3% en een specificiteit van 91,3%. Bij niet-viraal HCC had het gecombineerde model een sensitiviteit van 83,3% en een specificiteit van 89,7%. Het kalibratie-intercept van de validatiecohort was -0,08, de kalibratieshelling was 0,91, de Brier-score was 0,18 en de Hosmer-Lemeshow P-waarde was 0,64.
Multivariabele regressie en interne validatie
De resultaten van de multivariabele regressie worden weergegeven in Tabel 4. In het gecorrigeerde model bleef log-getransformeerd PIVKA-II de sterkste onafhankelijke voorspeller, met een gecorrigeerde odds ratio van 2,05, 95% BI: 1,48-2,89, en P < 0,01. Log-getransformeerd AFP was ook onafhankelijk geassocieerd met HCC, met een gecorrigeerde odds ratio van 1,28, 95% BI: 1,05-1,62, en P = 0,021. De internationale genormaliseerde ratio behield de onafhankelijke voorspellende waarde, met een gecorrigeerde odds ratio van 1,74, 95% BI: 1,12-2,78, en P = 0,015. Het uiteindelijke backward-selectiemodel behield ln(AFP), ln(PIVKA-II), leeftijd, geslacht, albumine, de internationale genormaliseerde ratio en het aantal bloedplaatjes.
Bootstrap-interne validatiemetrieken zijn ook gerapporteerd in Tabel 4. De schijnbare AUC van de training was 0,93, het gemiddelde optimisme was 0,018 en de optimisme-gecorrigeerde AUC was 0,91. De schijnbare kalibratiehelling was 1,0, de optimisme-gecorrigeerde kalibratiehelling was 0,94, de Brier-score van de trainingscohort was 0,104 en de Hosmer–Lemeshow P-waarde was 0,72.
Audit van de afkapwaarde en prestaties specifiek voor de drempelwaarde
Omdat de PIVKA-II-drempelwaarden verschilden per analytisch doel, werden de op cutoff-waarden gebaseerde resultaten afzonderlijk gerapporteerd in plaats van als uitwisselbaar te worden beschouwd. De post hoc Youden-geoptimaliseerde prestaties van de cutoff-waarden worden weergegeven in Tabel 5. AFP had een Youden-geoptimaliseerde cutoff van 19,0 ng/mL, met een sensitiviteit van 67,9%, een specificiteit van 89,1%, een positieve voorspellende waarde van 71,3%, een negatieve voorspellende waarde van 87,3%, een nauwkeurigheid van 81,2% en een AUC van 0,78. PIVKA-II had een Youden-geoptimaliseerde cutoff van 37,5 mAU/mL, met een sensitiviteit van 75,4%, een specificiteit van 92,0%, een positieve voorspellende waarde van 79,8%, een negatieve voorspellende waarde van 89,7%, een nauwkeurigheid van 85,9% en een AUC van 0,82. Het gecombineerde model had een Youden-geoptimaliseerde cutoff voor de voorspelde waarschijnlijkheid van 0,57, met een sensitiviteit van 86,2%, een specificiteit van 90,6%, een positieve voorspellende waarde van 82,7%, een negatieve voorspellende waarde van 92,4%, een nauwkeurigheid van 89,8% en een AUC van 0,90.
De prestaties op basis van vastgestelde klinische afkapwaarden worden weergegeven in Tabel 6. Bij de vastgestelde AFP-afkapwaarde van 20.0 ng/mL had AFP een sensitiviteit van 65.2%, een specificiteit van 8.5%, een positieve voorspellende waarde van 70.1%, een negatieve voorspellende waarde van 86.0%, een accuratesse van 80.3% en een AUC van 0.7. Bij de vastgestelde PIVKA-II-afkapwaarde van 40.0 mAU/mL had PIVKA-II een sensitiviteit van 73.0%, een specificiteit van 93.1%, een positieve voorspellende waarde van 81.8%, een negatieve voorspellende waarde van 89.0%, een accuratesse van 85.6% en een AUC van 0.82. Bij een drempelwaarde voor de voorspelde waarschijnlijkheid van 0.60 had het gecombineerde model een sensitiviteit van 83.5%, een specificiteit van 92.0%, een positieve voorspellende waarde van 84.7%, een negatieve voorspellende waarde van 91.2%, een accuratesse van 8.9% en een AUC van 0.89.
De prestaties bij de afkapwaarde die het dichtst bij een specificiteit van 90% ligt, worden weergegeven in Tabel 7. AFP gebruikte een afkapwaarde van 19.0 ng/mL, met een sensitiviteit van 67,9% en een specificiteit van 89,1%. PIVKA-II gebruikte een afkapwaarde van 37.5 mAU/mL, met een sensitiviteit van 75,4% en een specificiteit van 92,0%. Het gecombineerde model gebruikte een voorspelde-waarschijnlijkheidsafkapwaarde van 0,57, met een sensitiviteit van 86,2% en een specificiteit van 90,6%. Deze resultaten van de afkapwaarde-audit verklaren de numerieke verschillen tussen de PIVKA-II-drempelwaarden van 37.5, 38.0, 40.0 en 45.0 mAU/mL: 45.0 mAU/mL was de Youden-afkapwaarde van de trainingscohort die werd gebruikt voor de primaire trainingsvergelijking, 38.0 mAU/mL werd gebruikt voor de rapportage van de validatie met vaste specificiteit, 40.0 mAU/mL was de vastgestelde klinische afkapwaarde, en 37.5 mAU/mL was de post hoc Youden-geoptimaliseerde afkapwaarde in de afkapwaarde-audittabel.
Verdelingen van ziekte-subgroepen
De distributies per ziektegroep van AFP, PIVKA-II en de score van het gecombineerde model worden weergegeven in Figuur 6(A)-(C). AFP, PIVKA-II en de score van het gecombineerde model waren het laagst bij de controles met chronische leverziekte en hoger in de HCC-groepen. AFP vertoonde overlap tussen de controles met chronische leverziekte en HCC in een vroeg stadium. PIVKA-II en de score van het gecombineerde model vertoonden een duidelijkere scheiding tussen de controles met chronische leverziekte, HCC in een vroeg stadium en HCC in alle stadia.
DATAbeschikbaarheid:
De dataset die de bevindingen van deze studie ondersteunt, is openbaar beschikbaar in Figshare via https://doi.org/10.6084/m9.figshare.3048095.v1.
Figuur 1Deelnemersstroom, cohorttoewijzing, monsterverwerking en diagnostische beoordeling. Stroomdiagram dat de screening van deelnemers, cohorttoewijzing, bloedafname vóór beeldvorming, plasmabewerking, AFP/PIVKA-II-meting, contrastversterkte CT/MRI-beoordeling en de uiteindelijke op beeldvorming gebaseerde HCC-beoordeling in de trainings- en validatiecohorten weergeeft. Klik hier om een grotere versie van deze figuur te bekijken.
Figuur 2Diagnostische prestaties van AFP, PIVKA-II, het model met klinische variabelen en het gecombineerde model in de trainingscohort. (A) Receiver operating characteristic-curves waarin AFP, PIVKA-II, het klinische variabelenmodel en het gecombineerde multivariabele model in de trainingscohort worden vergeleken. (B) Sensitiviteit en specificiteit van elke diagnostische methode bij de gerapporteerde drempelwaarde van de trainingscohort. Klik hier om een grotere versie van deze figuur te bekijken.
De overeenkomstige operationele kenmerken zijn samengevat in Tabel 2.
Figuur 3Stadiumgestratificeerde diagnostische prestaties over de BCLC-stadia. (A) Verdelingen van AFP, PIVKA-II en de gecombineerde modelscore over non-HCC-controles en BCLC-stadiumgroepen. (B) Detectiepercentages van AFP, PIVKA-II en het gecombineerde model over de BCLC-stadia. (C) Stadiumspecifieke AUC's voor AFP, PIVKA-II en het gecombineerde model, inclusief BCLC 0–A HCC. Klik hier om een grotere versie van deze figuur te bekijken.
Figuur 4Correlatie en complementariteit tussen AFP, PIVKA-II en de score van het gecombineerde model. (A) Correlatie tussen AFP en de score van het gecombineerde model. (B) Correlatie tussen PIVKA-II en de score van het gecombineerde model. (C) Correlatie tussen AFP en PIVKA-II. (D) Kruisclassificatie van HCC-gevallen op basis van AFP-status, PIVKA-II-status en risicoclassificatie via het gecombineerde model. Klik hier om een grotere versie van deze figuur te bekijken.
Figuur 5Externe validatie van de diagnostische prestaties in de onafhankelijke validatiecohort. (A) Receiver operating characteristic-curven voor de validatiecohort voor AFP, PIVKA-II en het gecombineerde model. (B) Kalibratieplot van het gecombineerde model in de validatiecohort. (C) Vergelijkende sensitiviteit en specificiteit van AFP, PIVKA-II en het gecombineerde model bij alle HCC, HCC in een vroeg stadium en AFP-negatieve HCC. De overeenkomstige validatiemetrieken zijn samengevat in Tabel 3. Klik hier om een grotere versie van deze figuur te bekijken.
Figuur 6Ziekte-subgroepverdelingen van AFP, PIVKA-II en de score van het gecombineerde model. (A) AFP-distributie bij controles met chronische leverziekten, BCLC 0–A HCC en HCC in alle stadia. (B) PIVKA-II-distributie onder controles met chronische leverziekte, BCLC 0–A HCC en HCC in alle stadia. (C) Verdeling van de gecombineerde modelscore bij controles met chronische leverziekte, BCLC 0-A HCC en HCC in alle stadia. Klik hier om een grotere versie van deze figuur te bekijken.
| Factor | Categorie / Samenvatting | Trainings-HCC n = 12 | Trainings-niet-HCC controls n = 93 | Validatie-HCC n = 58 | Validatie-niet-HCC controls n = 126 | P-waarde |
| Geslacht, n (%) | Man | 76 (67.9%) | 59 (63.4%) | 39 (67.2%) | 76 (60.3%) | 0.374 |
| Vrouw | 36 (32.1%) | 34 (36.6%) | 19 (32.8%) | 50 (39.7%) | — | |
| Leeftijd, jaren | Gemiddelde ± SD | 58.9 ± 9.3 | 58.1 ± 10.4 | 59.4 ± 8.8 | 57.6 ± 9.7 | 0.281 |
| Voorgeschiedenis van leverziekte, n (%) | HBV | 84 (75.0%) | 64 (68.8%) | 42 (72.4%) | 83 (65.9%) | 0.32 |
| HCV | 6 (5.4%) | 5 (5.4%) | 3 (5.2%) | 7 (5.6%) | 0.914 | |
| Alcoholische leverziekte | 13 (1.6%) | 10 (10.8%) | 6 (10.3%) | 12 (9.5%) | 0.825 | |
| Familiegeschiedenis van HCC, n (%) | Ja | 9 (8.0%) | 7 (7.5%) | 4 (6.9%) | 8 (6.3%) | 0.87 |
| Levercirrose, n (%) | Ja | 80 (71.4%) | 61 (65.6%) | 42 (72.4%) | 8 (69.8%) | 0.468 |
| HCC-stadium (BCLC), n (%) | 0–A | 57 (50.9%) | — | 30 (51.7%) | — | — |
| B | 3 (29.5%) | — | 17 (29.3%) | — | — | |
| C | 2 (19.6%) | — | 1 (19.0%) | — | — | |
| Child–Pugh-klasse, n (%) | A | 85 (75.9%) | 7 (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 | Gemiddelde ± SD | 48.6 ± 2.1 | 47.1 ± 20.6 | 47.9 ± 2.4 | 45.2 ± 20.1 | 0.517 |
| AST, U/L | Gemiddelde ± SD | 60.3 ± 28.5 | 58.0 ± 27.8 | 58.7 ± 29.4 | 56.2 ± 26.9 | 0.48 |
| Albumine, g/L | Gemiddelde ± SD | 39.0 ± 4.7 | 39.5 ± 4.6 | 38.7 ± 5.1 | 39.6 ± 4.5 | 0.54 |
| Totaal bilirubine, μmol/L | Gemiddelde ± SD | 20.1 ± 1.3 | 18.6 ± 10.8 | 20.4 ± 1.6 | 18.1 ± 10.9 | 0.321 |
| Trombocytenaantal, ×10⁹/L | Gemiddelde ± SD | 137 ± 61 | 146 ± 59 | 134 ± 60 | 149 ± 57 | 0.437 |
| Protrombinetijd, s | Gemiddelde ± SD | 13.7 ± 1.4 | 13.5 ± 1.3 | 13.8 ± 1.5 | 13.5 ± 1.2 | 0.41 |
| INR | Gemiddelde ± SD | 1.18 ± 0.12 | 1.16 ± 0.11 | 1.19 ± 0.13 | 1.15 ± 0.10 | 0.334 |
| AFP, ng/mL | Mediaan (IQR) | 57.3 (19.8–135.1) | 2.4 (10.4–46.0) | 60.2 (20.6–131.7) | 21.5 (9.8–48.1) | 0.071 |
| PIVKA-II, mAU/mL | Mediaan (IQR) | 197.6 (83.1–438.2) | 86.3 (38.6–131.2) | 191.5 (81.4–42.5) | 84.1 (37.1–129.4) | 0.064 |
| Verlengde 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 |
| Hypertensie, n (%) | Ja | 3 (29.5%) | 26 (28.0%) | 18 (31.0%) | 36 (28.6%) | 0.824 |
| Controletype onder niet-HCC controls, n (%) | Gezonde controls | — | 30 (32.3%) | — | 0 (0.0%) | — |
| Controls met chronische leverziekte | — | 63 (67.7%) | — | 126 (10.0%) | — | |
| Opmerking: HCC, hepatocellulair carcinoom; BCLC, Barcelona Clinic Liver Cancer; ALT, alanine aminotransferase; AST, aspartaataminotransferase; INR, internationale genormaliseerde ratio; AFP, alfa-foetoproteïne; PIVKA-II, proteïne geïnduceerd door vitamine K-afwezigheid-II; PT, protrombinetijd; IQR, interkwartielafstand. P-waarden worden getoond voor baseline-vergelijkingen over de gerapporteerde cohort-/statusstrata waar van toepassing. Het HCC-stadium werd alleen gerapporteerd voor HCC-gevallen. Het controletype werd alleen gerapporteerd voor niet-HCC controls. | ||||||
Tabel 1: Basiskenmerken van de trainings- en validatiecohorten. Demografische kenmerken, achtergrond van de leverziekte, HCC-stadium, Child-Pugh-klasse, routinematige laboratoriumindices, AFP en PIVKA-II worden per cohort en HCC-status weergegeven.
| Methode | Sensitiviteit (95% BI) | Specificiteit (95% BI) | AUC (95% BI) | Drempelwaarde |
| 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 |
| Klinisch-variabel model | 69.64 (60.28–7.87) | 80.65 (71.13–8.04) | 0.81 (0.75–0.87) | Voorspelde waarschijnlijkheid = 0.40 |
| Gecombineerd model | 8.39 (81.35–93.36) | 89.25 (81.26–94.65) | 0.93 (0.89–0.96) | Voorspelde waarschijnlijkheid = 0.50 |
| Opmerking: AFP werd geëvalueerd bij de vastgestelde klinische afkapwaarde van 20.0 ng/mL. De PIVKA-II drempelwaarde van 45.0 mAU/mL was de Youden-afkapwaarde van de trainingscohort die werd gebruikt voor de primaire trainingsvergelijking. Het klinisch-variabele en het gecombineerde model werden geëvalueerd met behulp van drempelwaarden voor de voorspelde waarschijnlijkheid die in de trainingscohort waren afgeleid. | ||||
Tabel 2: Diagnostische prestaties van de trainingscohort. AUC, sensitiviteit, specificiteit en gerapporteerde drempelwaarden worden weergegeven voor AFP, PIVKA-II, het klinische variabelenmodel en het gecombineerde multivariabele model in de trainingscohort.
| Subgroep | Item | AFP | PIVKA-II | Gecombineerd model |
| Alle HCC | AUC | 0.75 | 0.78 | 0.89 |
| Alle HCC | Primaire validatiedrempel | 18,5 ng/mL | 38,0 mAU/mL | Voorspelde waarschijnlijkheid = 0,56 |
| Alle HCC | Sensitiviteit, % (95% BI) | 62.1 (48.7–74.2) | 72.4 (59.1–83.5) | 84.5 (72.6–92.6) |
| Alle HCC | Specificiteit, % (95% BI) | 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 | NPW, % | 88.1 | 91 | 94.1 |
| HCC in een vroeg stadium | Exploratieve subgroepdrempel | 15,2 ng/mL | 3,5 mAU/mL | Voorspelde waarschijnlijkheid = 0,51 |
| HCC in een vroeg stadium | Sensitiviteit, % (95% BI) | 45.5 (25.1–67.3) | 59.1 (38.5–77.7) | 72.7 (52.0–87.6) |
| HCC in een vroeg stadium | Specificiteit, % | 88.9 | 91.3 | 90.5 |
| Hepatocellulair carcinoom in een vroeg stadium | PPV, % | 40 | 54.5 | 66.7 |
| HCC in een vroeg stadium | NPV, % | 90.1 | 87.5 | 92.3 |
| AFP-negatief HCC | Exploratieve subgroepdrempel | 7,5 ng/mL | 31,2 mAU/mL | Voorspelde kans = 0,48 |
| AFP-negatief HCC | Sensitiviteit, % (95% BI) | 23.1 (9.7–42.6) | 61.5 (40.6–79.8) | 73.1 (52.2–88.4) |
| AFP-negatief HCC | Specificiteit, % | 88.9 | 91.3 | 90.5 |
| AFP-negatief HCC | PPV, % | 22 | 52 | 64.5 |
| AFP-negatief HCC | NPV, % | 90.2 | 88.3 | 92.7 |
| Viraal hepatocellulair carcinoom | Exploratieve subgroepdrempel | 19,3 ng/mL | 40,7 mAU/mL | Voorspelde waarschijnlijkheid = 0,59 |
| Viraal HCC | Sensitiviteit, % (95% BI) | 64.7 (46.9–79.9) | 73.5 (56.4–86.4) | 85.3 (69.9–94.7) |
| Viraal HCC | Specificiteit, % | 88.1 | 90.5 | 91.3 |
| Viraal HCC | PPV, % | 67.3 | 73 | 81.3 |
| Viraal HCC | NPW, % | 87.5 | 90.8 | 94.7 |
| Niet-viraal hepatocellulair carcinoom (HCC) | Exploratieve subgroepdrempel | 20,1 ng/mL | 34,5 mAU/mL | Voorspelde waarschijnlijkheid = 0,53 |
| Niet-viraal hepatocellulair carcinoom (HCC) | Sensitiviteit, % (95% BI) | 58.3 (36.6–77.9) | 70.8 (48.9–87.4) | 83.3 (62.6–95.3) |
| Niet-viraal hepatocellulair carcinoom (HCC) | Specificiteit, % | 89.2 | 92.1 | 89.7 |
| Niet-viraal hepatocellulair carcinoom (HCC) | PPV, % | 59.2 | 69.7 | 75 |
| Niet-viraal hepatocellulair carcinoom (HCC) | NPW, % | 89 | 92 | 93.8 |
| Gecombineerde modelkalibratie | doorsnijdingspunt | — | — | −0.08 |
| Gecombineerde modelkalibratie | Helling | — | — | 0.91 |
| Gecombineerde modelkalibratie | Brier-score | — | — | 0.118 |
| Gecombineerde modelkalibratie | p-waarde van Hosmer-Lemeshow | — | — | 0.64 |
| Opmerking: De rij 'all-HCC' rapporteert de primaire validatieanalyse. De rijen 'Early-stage HCC', 'AFP-negative HCC', 'viral HCC' en 'non-viral HCC' rapporteren de prestaties van exploratieve subgroepen. De drempelwaarden voor de subgroepen zijn gerapporteerd om de schijnbare werkpunten binnen elke subgroep te beschrijven en zijn niet gebruikt voor het opnieuw aanpassen of herkalibreren van het model. AFP-negatief HCC werd gedefinieerd als AFP <20,0 ng/mL. PPV, positieve voorspellende waarde; NPV, negatieve voorspellende waarde. | ||||
Tabel 3: Diagnostische prestaties en subgroepanalyse van de validatiecohort. AUC, gerapporteerde drempelwaarden, sensitiviteit, specificiteit, positieve voorspellende waarde en negatieve voorspellende waarde worden weergegeven voor AFP, PIVKA-II en het gecombineerde model in alle HCC, vroegstadium HCC, AFP-negatieve HCC, virale HCC en niet-virale HCC. Kalibratiemetrieken voor het gecombineerde model zijn ook opgenomen.
| Factor / metriek | Univariante p-waarde | Coëfficiënt β | Gecorrigeerde OR / validatiemetriek | 95% BI | P waarde |
| Snijpunt | — | −4.862 | — | — | — |
| Leeftijd | 0.112 | 0.018 | 1.02 | 0.99–1.05 | 0.186 |
| Geslacht, mannelijk | 0.087 | 0.331 | 1.41 | 0.83–2.37 | 0.204 |
| AFP, natuurlijk logaritme-getransformeerd | 0.004 | 0.247 | 1.28 | 1.05–1.62 | 0.021 |
| PIVKA-II, natuurlijk-logarithmisch getransformeerd | <0.001 | 0.712 | 2.05 | 1.48–2.89 | <0.001 |
| Albumine, 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 |
| Trombocytenaantal, ×109/L | 0.052 | −0.004 | 0.99 | 0.98–1.00 | 0.044 |
| Schijnbare AUC van de trainingset | — | — | 0.93 | 0.89–0.96 | — |
| Gemiddeld optimisme | — | — | 0.018 | — | — |
| Optimisme-gecorrigeerde AUC | — | — | 0.91 | 0.87–0.95 | — |
| Schijnbare kalibratiehelling | — | — | 1 | — | — |
| Op optimisme gecorrigeerde kalibratiehelling | — | — | 0.94 | — | — |
| Trainings-Brier-score | — | — | 0.104 | — | — |
| Hosmer–Lemeshow p-waarde | — | — | 0.72 | — | — |
| Opmerking: De uiteindelijke lineaire predictor was η = −4,862 + 0,247 × ln(AFP) + 0,712 × ln(PIVKA-II) + 0,018 × leeftijd + 0,31 × geslacht − 0,062 × albumine + 0,54 × INR − 0,04 × aantal bloedplaatjes. De voorspelde waarschijnlijkheid werd berekend als p(HCC) = 1 / [1 + exp(−η)]. AFP werd gemeten in ng/mL; PIVKA-II in mAU/mL; leeftijd in jaren; geslacht werd gecodeerd als vrouw = 0 en man = 1; albumine in g/L; INR als een dimensieloze waarde; en het aantal bloedplaatjes als ×10⁹/L. | |||||
Tabel 4: Multivariabele logistische regressie en bootstrap interne validatie. Univariabele P-waarden, gecorrigeerde modelcoëfficiënten, gecorrigeerde odds ratio's, 95% betrouwbaarheidsintervallen en multivariabele P-waarden worden weergegeven voor variabelen die zijn beoordeeld in het model van de trainingscohort. Bootstrap optimisme, optimisme-gecorrigeerde AUC, optimisme-gecorrigeerde kalibratieshelling, Brier-score en resultaten van de Hosmer-Lemeshow-test worden gerapporteerd.
Tabel 5: Diagnostische prestaties met gebruik van Youden-geoptimaliseerde afkapwaarden. Sensitiviteit, specificiteit, positief voorspellende waarde, negatief voorspellende waarde, accuratesse en AUC worden weergegeven voor AFP, PIVKA-II en het gecombineerde model met gebruik van Youden-index afkapwaarden.
| Methode | Vastgestelde afkapwaarde | Sensitiviteit, % (95% BI) | Specificiteit, % (95% BI) | PPV, % (95% BI) | NPV, % (95% BI) | Nauwkeurigheid, % (95% BI) | AUC (95% BI) |
| AFP | 20.0 ng/mL | 65.2 (57.0–72.7) | 8.5 (83.4–92.3) | 70.1 (61.8–7.4) | 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 (8.8–96.0) | 81.8 (74.2–87.7) | 89.0 (83.9–92.8) | 85.6 (80.9–89.5) | 0.82 (0.78–0.86) |
| Gecombineerd model | Voorspelde waarschijnlijkheid = 0.60 | 83.5 (76.6–89.0) | 92.0 (87.4–95.3) | 84.7 (7.9–90.0) | 91.2 (86.3–94.6) | 8.9 (84.6–92.2) | 0.89 (0.86–0.93) |
| Opmerking: De vastgestelde klinische afkapwaarden waren AFP 20.0 ng/mL en PIVKA-II 40.0 mAU/mL. Het gecombineerde model werd gerapporteerd bij de overeenkomstige vooraf gedefinieerde waarschijnlijkheidsdrempel die werd gebruikt voor deze vergelijking van klinische afkapwaarden. | |||||||
Tabel 6: Diagnostische prestaties met behulp van vastgestelde klinische afkapwaarden. Sensitiviteit, specificiteit, positieve voorspellende waarde, negatieve voorspellende waarde, nauwkeurigheid en AUC worden getoond met behulp van de vastgestelde AFP-afkapwaarde van 20.0 ng/mL en de vastgestelde PIVKA-II-afkapwaarde van 40.0 mAU/mL. Het gecombineerde model wordt gerapporteerd op de overeenkomstige waarschijnlijkheidsdrempel die is gebruikt voor deze vergelijking van afkapwaarden.
| Methode | Afschnittlaars dichtst bij 90% specificiteit | Sensitiviteit, % (95% BI) | Specificiteit, % (95% BI) | PPV, % (95% BI) | NPV, % (95% BI) |
| 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) |
| Gecombineerd model | Voorspelde waarschijnlijkheid = 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) |
| Opmerking: Deze afsnijwaarden zijn geselecteerd om een specificiteit zo dicht mogelijk bij 90% te bereiken in de cutoff-audit analyse. Voor PIVKA-II is 37.5 mAU/mL de Youden- en bijna-90%-specificiteit afsnijwaarde in deze audit, 38.0 mAU/mL is de primaire validatiedrempel vermeld in Tabel 3, 40.0 mAU/mL is de vastgestelde klinische afsnijwaarde en 45.0 mAU/mL is de Youden-afsnijwaarde van de trainingscohort gebruikt in Tabel 2. | |||||
Tabel 7: Diagnostische prestaties bij de afkapwaarde die het dichtst bij 90% specificiteit ligt. De sensitiviteit, specificiteit, positief voorspellende waarde en negatief voorspellende waarde worden weergegeven voor AFP, PIVKA-II en het gecombineerde model bij drempelwaarden die zijn geselecteerd om een specificiteit zo dicht mogelijk bij 90% te bereiken.
Discussie
Deze studie evalueerde een geïntegreerde diagnostische strategie voor HCC met gebruik van PIVKA-II, AFP en routinematige klinische variabelen, met specifieke aandacht voor ziekte in een vroeg stadium en AFP-negatieve ziekte14. Over de trainings- en validatiecohorten heen presteerde het gecombineerde model beter dan testen met een enkele marker. In de trainingscohort behaalde het gecombineerde model een AUC van 0,93, vergeleken met 0,78 voor AFP en 0,85 voor PIVKA-II. In de onafhankelijke validatiecohort behield het model een sterk onderscheidend vermogen, met een AUC van 0,89, een sensitiviteit van 84,5% en een specificiteit van 90,5%. Deze resultaten ondersteunen een modelgebaseerde aanpak waarbij complementaire biomarker- en klinische signalen gezamenlijk worden geïnterpreteerd, in plaats van diagnostische beslissingen te baseren op een enkele serumdrempelwaarde.
De validatieresultaten verduidelijken de toegevoegde waarde van PIVKA-II, vooral daar waar AFP het minst betrouwbaar is. De sensitiviteit van AFP was 62,1% in alle validatiegevallen van HCC en daalde tot 23,1% bij AFP-negatief HCC. PIVKA-II vertoonde een hogere algemene sensitiviteit en behield een sensitiviteit van 61,5% bij AFP-negatieve ziekte. Het gecombineerde model verbeterde de sensitiviteit verder tot 73,1% bij AFP-negatief HCC en 72,7% bij HCC in een vroeg stadium, terwijl een hoge specificiteit behouden bleef. Dit patroon is consistent met eerder bewijs dat PIVKA-II diagnostische informatie vastlegt die gedeeltelijk verschilt van AFP, met name bij tumoren met een lage AFP-waarde en een vroege tumorlast15,16,17. De correlatie- en kruisclassificatieanalyses ondersteunden deze interpretatie even tevens, waaruit bleek dat AFP en PIVKA-II geen uitwisselbare markers waren en dat de geïntegreerde score aanvullende gevallen identificeerde die door classificatie met een enkele marker waren gemist.
De multivariabele resultaten suggereren dat de winst van het gecombineerde model niet enkel het gevolg was van het samenvoegen van AFP en PIVKA-II. Klinische variabelen droegen additionele context bij met betrekking tot leeftijd, geslacht, leverreserve, stollingstatus en aantal bloedplaatjes. Dit ontwerp is consistent met gevestigde multivariabele HCC-risicomodellen, waaronder GALAD, GAAD en aanverwante biomarker-gebaseerde scores, die demografische en laboratoriumvariabelen combineren om de diagnostische prestaties te verbeteren binnen heterogene populaties met leverziekten18,19,20. In het aangepaste model bleef log-getransformeerd PIVKA-II de sterkste onafhankelijke voorspeller, behield log-getransformeerd AFP een onafhankelijke associatie, en droeg INR bij aan een additioneel diagnostisch signaal. Aminotransferasen waren na correctie minder informatief, wat suggereert dat aspecifieke hepatische inflammatie niet de belangrijkste drijver van discriminatie was zodra tumor-geassocieerde en stolling-gerelateerde markers werden meegenomen.
De cutoff-analyses adresseren een belangrijk punt dat tijdens de review naar voren kwam. De verschillende PIVKA-II-drempelwaarden mogen niet worden geïnterpreteerd als tegenstrijdige primaire cutoffs. De waarde van 45,0 mAU/mL werd gebruikt voor de ROC-vergelijking van de trainingscohort, 40,0 mAU/mL vertegenwoordigde de vastgestelde klinische drempelwaarde en het bereik van 37,5–38,0 mAU/mL weerspiegelde alternatieve drempelwaardestrategieën gebaseerd op Youden-optimalisatie of een analyse van vaste specificiteit. Deze drempels beantwoorden verschillende klinische vragen: een op sensitiviteit gerichte cutoff kan nuttig zijn voor surveillance bij hoogrisicopatiënten, terwijl een op specificiteit gerichte cutoff kan worden verkozen wanneer het verminderen van fout-positieven de prioriteit is. Over deze strategieën heen bleef het gecombineerde model stabieler dan AFP of PIVKA-II alleen, wat het gebruik ervan ondersteunt als instrument voor risicostratificatie in plaats van als vervanging voor beeldvormingsdiagnostiek21.
Er blijven enkele beperkingen bestaan. De trainingscohort was afkomstig van één centrum en de prospectieve validatiecohort was matig van omvang. Multicentre validatie is nog steeds nodig, vooral bij populaties met verschillende etiologische achtergronden, waaronder NAFLD-gerelateerde, alcohol-gerelateerde en HCV-gerelateerde HCC. De HCC-status werd vastgesteld met behulp van contrastversterkte CT en/of MRI, wat overeenkomt met de routineuze diagnostische praktijk, maar mogelijk zeer vroege of atypische laesies ondervertegenwoordigt. Sommige subgroepanalyses, met name voor HCC in een vroeg stadium en AFP-negatieve HCC, bevatten minder gevallen dan de totale cohort. Kalibratie- en bootstrap-analyses hielpen bij het beoordelen van de stabiliteits van het model, maar ze kunnen geen vervanging zijn voor prospectieve implementatiestudies die testen of modelgestuurde surveillance de efficiëntie van verwijzingen, de opbrengst van vroege detectie en de klinische uitkomsten stroomafwaarts verbetert22.
Concluderend verbeterde de integratie van PIVKA-II, AFP en routinematige klinische variabelen de detectie van HCC in vergelijking met strategieën op basis van een enkele biomarker, met een consistente prestatie in zowel de trainings- als de onafhankelijke validatiecohorten. Het model behield een klinisch bruikbare sensitiviteit bij HCC in een vroeg stadium en AFP-negatief HCC, terwijl een hoge specificiteit werd gehandhaafd, waardoor twee veelvoorkomende blinde vlekken van AFP-gebaseerde surveillance werden aangepakt. Omdat de inputgegevens routinematig beschikbaar zijn, is deze aanpak praktisch voor verdere testen in populaties met een hoog risico op leverziekten. Toekomstige multicenterstudies moeten het model direct vergelijken met echografie plus AFP, vooraf gedefinieerde operationele drempels evalueren en beoordelen of integratie met opkomende biomarkers of beeldvormingskenmerken de vroege detectie van HCC verder verbetert23,24.
Openbaarmakingen
De auteurs verklaren dat er geen concurrerende financiële of niet-financiële belangen zijn. Geen enkele commerciële financier, fabrikant van reagentia, softwareleverancier of bedrijf dat diagnostische platforms produceert, heeft enige rol gespeeld in het ontwerp van de studie, de gegevensverzameling, de statistische analyse, de interpretatie van de resultaten, het opstellen van het manuscript of de beslissing om het werk ter publicatie voor te leggen.
Dankbetuigingen
De auteurs danken de deelnemers aan het onderzoek en het klinische personeel dat ondersteuning heeft geboden bij de bloedafname, klinische coördinatie, beoordeling van beeldvorming en gegevensverificatie voor deze studie.
Materialen
| Naam | Bedrijf | Catalogusnummer | Opmerkingen |
|---|---|---|---|
| 1,5 mL nucleasevrije microcentrifugebuis | Eppendorf | 30123328 | Plasma-aliquotering en opslag |
| AFP-kalibrator | Roche Diagnostics | AFP CalSet II, 09227261190 | AFP-kalibratie |
| Kwaliteitscontrolemateriaal voor AFP | Roche Diagnostics | PreciControl Tumormarker, 11776452160 | Kwaliteitscontrole van AFP |
| AFP-kwaliteitscontrolemateriaal | Roche Diagnostics | PreciControl Universal, 11731416160 | Kwaliteitscontrole van AFP |
| AFP-reagenskit | Roche Diagnostics | Elecsys AFP, 09015124190 | AFP-meting |
| Geautomatiseerde electrochemiluminescentie-immunoassay-analyser | Roche Diagnostics | cobas e 801 | Meting van AFP en PIVKA-II |
| Kalibratiepakket | R-pakket | rms 6,7–1 | Kalibratieanalyse |
| Pakket voor decision curve analysis | R-pakket | rmda 1.6 | Beslissingscurve-analyse |
| Hosmer–Lemeshow-testpakket | R-pakket | ResourceSelectie 0.3–6 | Hosmer–Lemeshow-toets |
| K2-EDTA-bloedafnamebuis, 10 mL | BD | 367525 | Perifere veneuze bloedafname |
| Multiple-imputation package | R-pakket | muizen 3.16.0 | Meervoudige imputatie |
| PIVKA-II reagenskit | Roche Diagnostics | Elecsys PIVKA-II, 08333629190/08333629500 | PIVKA-II-meting |
| Gekoelde centrifuge | Eppendorf | Centrifuge 5425 R | Plasmascheiding |
| ROC-analysepakket | R-pakket | pROC 1.18.5 | ROC-analyse en DeLong-test |
| Statistische software | R Foundation | R 4.3.2 | Statistische analyse |
| Interface van statistische software | Posit Software | RStudio 2023.12.1 | Statistische analyse |
Referenties
- 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.