Niniejszy protokół opisuje powtarzalny schemat postępowania w celu zintegrowania PIVKA-II, AFP oraz rutynowych zmiennych klinicznych w modelu diagnostycznym opartym na regresji logistycznej dla raka hepatokomórkowego, wraz z walidacją w przypadku choroby we wczesnym stadium oraz wyników AFP-ujemnych.
Artykuł badawczy
Integracja nieprawidłowej protrombiny (PIVKA-II), alfa-fetoproteiny i rutynowych zmiennych klinicznych w celu wczesnego wykrywania raka hepatokomórkowego
W tym artykule
Podsumowanie
Streszczenie
Wczesne wykrywanie raka wątrobowokomórkowego (HCC) pozostaje ograniczone przez niepełną czułość alfa-fetoproteiny (AFP), szczególnie w przypadku nowotworów we wczesnym stadium oraz tych z wynikiem AFP-ujemnym. W niniejszym badaniu oceniono, czy nieprawidłowy poziom protrombiny/białka indukowanego brakiem witaminy K-II (PIVKA-II), AFP oraz rutynowe zmienne kliniczne mogą zostać zintegrowane w powtarzalny model diagnostyczny HCC. Do opracowania modelu wykorzystano retrospektywną kohortę treningową składającą się z 205 uczestników, w tym 112 przypadków HCC potwierdzonych obrazowo i 93 osób z grupy kontrolnej (non-HCC). Do testów poza próbą, bez ponownego dopasowania modelu, wykorzystano niezależną prospektywną kohortę walidacyjną obejmującą 184 uczestników, w tym 58 przypadków HCC i 126 osób z grupy kontrolnej (non-HCC). Próbki krwi pobrane przed badaniami obrazowymi posłużyły do pomiaru AFP i PIVKA-II, a zmienne kliniczne wyekstrahowano z tego samego okna diagnostycznego. Końcowy wieloczynnikowy model regresji logistycznej połączył ln(AFP), ln(PIVKA-II), wiek, płeć, albuminy, międzynarodowy wskaźnik skrzepiania (INR) oraz liczbę płytek krwi. Model łączony osiągnął wartość AUC wynoszącą 0,93 w kohorcie treningowej oraz 0,89 w kohorcie walidacyjnej. W walidacji czułość wyniosła 84,5%, a swoistość 90,5%. Czułość utrzymała się na poziomie 72,7% dla HCC we wczesnym stadium oraz 73,1% dla HCC z wynikiem AFP-ujemnym, przewyższając w obu podgrupach wyniki uzyskane przy użyciu wyłącznie AFP. Kalibracja i walidacja metodą bootstrap potwierdziły dopuszczalną stabilność modelu. Wyniki te pokazują, w jaki sposób PIVKA-II, AFP i rutynowo dostępne zmienne kliniczne mogą zostać połączone w praktyczne narzędzie do triage'u diagnostycznego dla populacji z chorobami wątroby o wysokim ryzyku.
Wprowadzenie
Rak wątrobowokomórkowy (HCC) jest główną przyczyną śmiertelności związanej z nowotworami i zazwyczaj rozwija się u pacjentów z przewlekłymi chorobami wątroby, w tym przy zakażeniach wirusem zapalenia wątroby B, zakażeniach wirusem zapalenia wątroby C, alkoholowej chorobie wątroby oraz stłuszczeniowej chorobie wątroby związanej z dysfunkcją metaboliczną1. Wczesne wykrycie ma kluczowe znaczenie kliniczne, ponieważ leczenie przyczynowe jest najskuteczniejsze, gdy guzy zostaną znalezione przed naciekiem naczyniowym, przerzutami pozawątrobowymi lub znacznym pogorszeniem rezerwy wątrobowej. Obecne strategie nadzoru opierają się zazwyczaj na ultrasonografii wątroby z oznaczeniem lub bez oznaczenia poziomu alfa-fetoproteiny (AFP) w surowicy2. W rutynowej praktyce skuteczność nadzoru jest jednak ograniczana przez zależność od operatora, mały rozmiar guzów, heterogeniczne guzki marskie, trudności w obrazowaniu związane z otyłością oraz guzy, które produkują mało lub wcale nie produkują AFP3,4.
AFP pozostaje powszechnie stosowane, ponieważ jest niedrogie, dostępne i znane klinicystom. Jego wartość diagnostyczna jest ograniczona przez niepełną czułość i niedoskonałą swoistość. Przy konwencjonalnym progu 20 ng/mL AFP może nie wykryć znacznej proporcji HCC we wczesnym stadium oraz HCC AFP-ujemnych. Niższe progi mogą poprawić czułość, ale zwiększają liczbę wyników fałszywie dodatnich u pacjentów z aktywnym zapaleniem wątroby, marskością lub innymi zapalnymi schorzeniami wątroby5,6. Ograniczenia te sprawiają, że interpretacja pojedynczego markera jest niewystarczająca do triażu diagnostycznego w populacjach z wysokim ryzykiem chorób wątroby.
Nieprawidłowa protrombina, znana również jako białko indukowane brakiem witaminy K-II (PIVKA-II) lub des-γ-karboksyprotrombina, jest uwalniana, gdy złośliwe hepatocyty produkują niepełnie karboksylowaną protrombinę. PIVKA-II odzwierciedla biologię nowotworu związaną z krzepliwością, a nie wydzielanie AFP, i może pozostać informacyjna w przypadku niskiego poziomu AFP7. Poprzednie badania i metaanalizy wykazały, że PIVKA-II poprawia wykrywalność HCC, szczególnie w połączeniu z AFP, i może wnosić wartość diagnostyczną we wczesnym stadium choroby lub w przypadku choroby AFP-ujemnej8,9. Strategie opierające się wyłącznie na markerach nie uwzględniają jednak w pełni tła gospodarza, rezerwy wątrobowej, liczby płytek krwi, stanu krzepliwości ani podstawowej choroby wątroby.
Złożone modele diagnostyczne stanowią praktyczny sposób interpretacji wyników markerów nowotworowych w połączeniu z kontekstem klinicznym. Modele GALAD, GAAD oraz modele pokrewne wykazały, że zmienne demograficzne i biomarkery mogą być łączone w celu poprawy wykrywalności HCC w różnych etiologiach i populacjach10,11. Ich skuteczność przemawia za stosowaniem wielowymiarowej oceny ryzyka zamiast opierania się na izolowanych progach dla pojedynczych biomarkerów. Jednocześnie niektóre modele obejmują testy, które nie są dostępne we wszystkich laboratoriach, a wartości odcięcia mogą różnić się w zależności od regionu, profilu etiologicznego, stadium choroby oraz zamierzonego zastosowania klinicznego12. Model opracowany na podstawie powszechnie dostępnych biomarkerów i rutynowych zmiennych laboratoryjnych może być łatwiejszy do wdrożenia w standardowych procesach diagnostycznych. W przeciwieństwie do wcześniej publikowanych modeli, które mogą opierać się na specjalistycznych biomarkerach lub strategiach odcięcia specyficznych dla danej populacji, w niniejszym badaniu oceniono wielowymiarowy model diagnostyczny oparty na powszechnie dostępnych biomarkerach i rutynowych zmiennych klinicznych, a następnie zwalidowano jego skuteczność w niezależnej kohorcie prospektywnej.
PIVKA-II nadaje się do tego schematu, ponieważ uzupełnia AFP i może być mierzony na zautomatyzowanych platformach do testów immunoenzymatycznych, które są już wykorzystywane w laboratoriach klinicznych. Zmienne rutynowe, takie jak wiek, płeć, poziom albumin, bilirubiny, liczba płytek krwi, międzynarodowy wskaźnik INR oraz historia choroby wątroby, są dostępne podczas tej samej wizyty klinicznej i mogą dostarczać informacji o rezerwach wątroby lub krzepliwości krwi istotnych dla ryzyka HCC13. Połączenie tych zmiennych z AFP i PIVKA-II może poprawić rozróżnialność, unikając jednocześnie zależności od pojedynczego punktu odcięcia.
W związku z tym oceniono PIVKA-II, AFP oraz rutynowe zmienne kliniczne, stosując diagnostyczny schemat z dwiema kohortami. Wieloczynnikowy model regresji logistycznej opracowano w retrospektywnej kohorcie treningowej, a następnie przetestowano w niezależnej prospektywnej kohorcie walidacyjnej bez ponownego dopasowania modelu. Skuteczność diagnostyczną porównano z wynikami uzyskanymi wyłącznie dla AFP, PIVKA-II oraz zmiennych klinicznych, zwracając szczególną uwagę na HCC we wczesnym stadium, HCC AFP-ujemne, interpretację wartości progowych, kalibrację oraz wewnętrzną walidację metodą bootstrapową.
Protokół
Badanie to zostało przejrzane i zatwierdzone przez Komisję Etyki Affiliated Hangzhou First People's Hospital, School of Medicine, Westlake University. Numer zatwierdzenia wynosił IIT-20230528-0108-01. Przed pobraniem krwi uzyskano pisemną świadomą zgodę od uczestników włączonych do badania prospektywnie. W przypadku retrospektywnie włączonych rekordów klinicznych oraz zarchiwizowanych pozostałości próbek pobranych podczas rutynowej opieki, komisja etyki zrezygnowała z wymogu uzyskania świadomej zgody, ponieważ wykorzystano zanonimizowane dane i nie przeprowadzono żadnych dodatkowych interwencji.
Powtarzalność, kontrola błędów systematycznych i integralność danych
Kryteria kwalifikacji, punkty czasowe pobierania krwi, zasady oceny obrazowania, definicje podgrup, potencjalne predyktory, definicje wartości odcięcia, zasady postępowania z brakującymi danymi oraz procedury walidacyjne zostały określone przed przeprowadzeniem analizy statystycznej. Próbki krwi pobrano przed potwierdzeniem obrazowym z użyciem kontrastu oraz przed rozpoczęciem jakiegokolwiek leczenia przeciwnowotworowego. W badaniach laboratoryjnych zastosowano zanonimizowane identyfikatory badania, a próbki z kohorty treningowej i walidacyjnej badano w kolejności randomizowanej. Personel laboratoryjny nie posiadał informacji o ostatecznej diagnozie, przydziale do kohorty, stopniu zaawansowania według klasyfikacji BCLC (Barcelona Clinic Liver Cancer) oraz statusie AFP-ujemnym. Diagnoza obrazowa i stopień zaawansowania zostały określone niezależnie od badań laboratoryjnych. Wprowadzenie danych, konwersja jednostek, przydział do kohorty, kodowanie wykluczeń, kodowanie brakujących wartości oraz zbiory danych statystycznych zostały sprawdzone przez dwóch badaczy przed dopasowaniem modelu. Kohorta treningowa i walidacyjna pozostawały oddzielone podczas przesiewania zmiennych, dopasowywania modelu, wyznaczania wartości odcięcia oraz walidacji.
Populacja i projekt badania
W niniejszym diagnostycznym badaniu z dwiema kohortami opracowano i zwalidowano wieloczynnikowy model wykrywania HCC z wykorzystaniem nieprawidłowego poziomu protrombiny/białka indukowanego przez PIVKA-II, AFP oraz rutynowych zmiennych klinicznych. Retrospektycznie sformowana kohorta treningowa obejmowała uczestników badanych między 1 stycznia 2021 r. a 31 grudnia 2023 r. Kohorta ta została wykorzystana do przesiewu zmiennych, dopasowania modelu, wyznaczenia wartości odcięcia oraz wewnętrznej walidacji metodą bootstrap. Prospektywnie zrekrutowana kohorta walidacyjna obejmowała uczestników badanych między 1 stycznia 2024 r. a 31 grudnia 2025 r. Kohorta ta służyła wyłącznie do testowania poza próbką. W kohorcie walidacyjnej nie przeprowadzono ponownego wyboru zmiennych, ponownego dopasowania modelu, aktualizacji współczynników, ponownej optymalizacji wartości odcięcia ani rekalibracji w oparciu o podgrupy. Przepływ uczestników, przydział do kohort, pobieranie krwi, przetwarzanie osocza, testowanie biomarkerów, ocena obrazowa oraz schemat analizy statystycznej przedstawione są na Ryc. 1.
Uczestników zrekrutowano z grupy pacjentów objętych nadzorem nad chorobami wątroby wysokiego ryzyka lub ścieżki diagnostycznej w Affiliated Hangzhou First People's Hospital, School of Medicine, Westlake University. Status wysokiego ryzyka określono jako przewlekłe zakażenie wirusem zapalenia wątroby B, przewlekłe zakażenie wirusem zapalenia wątroby C, marskość wątroby o dowolnej etiologii lub stłuszczeniową chorobę wątroby z udokumentowaną włóknicą na podstawie oceny klinicznej, dokumentacji laboratoryjnej lub wcześniejszych badań obrazowych. Kryteria włączenia obejmowały osoby dorosłe w wieku ≥18 lat, które poddały się pobraniu krwi przed badaniem obrazowym oraz wielofazowej tomografii komputerowej (CT) z kontrastem i/lub dynamicznemu rezonansowi magnetycznemu (MRI) z kontrastem w ciągu 14 dni po pobraniu krwi. Kryteria wykluczenia obejmowały wcześniejsze leczenie HCC, w tym resekcję, ablację, terapię przezcewnikową lub terapię systemową; podanie witaminy K w ciągu 7 dni przed pobraniem próbki; terapię antagonistami witaminy K lub inną terapię przeciwzakrzepową, która mogłaby wpłynąć na interpretację krzepliwości; ostre zapalenie dróg żółciowych lub niedrożność dróg żółciowych w momencie pobrania próbki; ciążę; brak wyników AFP, PIVKA-II lub ostatecznej diagnozy obrazowej; oraz nieakceptowalną jakość próbki przy braku możliwości pobrania prawidłowej próbki powtórnej.
Ostateczna populacja badawcza obejmowała 389 uczestników. Kohorta treningowa składała się z 205 uczestników, w tym z 112 przypadków HCC potwierdzonych obrazowo oraz 93 kontroli nie-HCC. Kohorta walidacyjna obejmowała 184 uczestników, w tym 58 przypadków HCC potwierdzonych obrazowo oraz 126 kontroli nie-HCC. W kohorcie treningowej grupa 93 kontroli nie-HCC obejmowała 30 zdrowych kontroli oraz 63 kontroli z przewlekłą chorobą wątroby. W kohorcie walidacyjnej grupa 126 kontroli nie-HCC obejmowała 0 zdrowych kontroli oraz 126 kontroli z przewlekłą chorobą wątroby.
Status objawowego przebiegu choroby nie przypisywano wyłącznie na podstawie historii zapaleń wątroby lub zrekompensowanej marskości. Uczestnika klasyfikowano jako objawowego tylko wtedy, gdy w dokumentacji sprzed obrazowania odnotowano nowy lub nasilający się ból w prawym górnym kwadrancie brzucha, niewyjaśnioną utratę masy ciała, wzdęcie brzucha, żółtaczkę, ciemny mocz lub klinicznie udokumentowaną dekompensację, której nie wyjaśniono inną potwierdzoną przyczyną. Uczestników bez tych objawów klasyfikowano jako bezobjawowych lub wykrytych w ramach nadzoru.
Rozstrzyganie diagnostyczne i stopniowanie
Ostateczny status HCC ustalono w drodze oceny z wykorzystaniem wielofazowej tomografii komputerowej (CT) z kontrastem i/lub dynamicznego rezonansu magnetycznego (MRI) z kontrastem, wykonanych w ramach rutynowej opieki. Obrazowanie musiało obejmować co najmniej fazę tętniczą oraz fazę żylną wrotnej; w przypadku dostępności uwzględniano również wyniki z fazy opóźnionej. Zmianę klasyfikowano jako HCC, gdy obrazowanie wątroby osób z grup ryzyka wykazało hiperwzmocnienie w fazie tętniczej z wypłukiwaniem kontrastu w fazie żylnej wrotnej i/lub fazie opóźnionej, z obecnością lub bez obecności wzmacniającej się torebki. Uczestników bez cech obrazowych zgodnych z HCC i bez innej diagnozy nowotworowej złośliwego zakwalifikowano do grupy non-HCC.
Informacje obrazowe zostały wyodrębnione za pomocą uprzednio określonego formularza, w którym odnotowano modalność obrazowania, uzyskane fazy, hiperwzmocnienie w fazie tętniczej, wypłukiwanie (washout), wygląd torebki, liczbę zmian, maksymalną średnicę zmiany, naciekanie makronaczyniowe oraz rozsiew pozawątrobowy. Dwóch przeszkolonych badaczy niezależnie wyodrębniło cechy obrazowe z końcowych raportów radiologicznych. Rozbieżności rozstrzygano na drodze konsensusu, stosując te same zdefiniowane kryteria. W przypadku dostępności zarówno tomografii komputerowej (CT), jak i rezonansu magnetycznego (MRI), zastosowano modalność z najbardziej kompletną charakterystyką wielofazową. Jeśli obie modalności były kompletne, wykorzystano tę, która została udokumentowana jako podstawa końcowej decyzji klinicznej.
Stopień wg klasyfikacji BCLC przypisano po ostatecznym potwierdzeniu stanu HCC. Wczesne stadium HCC zdefiniowano jako stopień BCLC 0–A. HCC AFP-ujemne zdefiniowano jako AFP <20 ng/mL podczas pobrania krwi przed obrazowaniem. Etykiety te zostały użyte do oceny wydajności w podgrupach, a nie do trenowania modelu lub określenia kwalifikowalności uczestników.
Pobieranie próbek i przetwarzanie osocza
Krew żylną obwodową pobierano rano, po co najmniej 8 h postu nocnego, przed potwierdzeniem rozpoznania w badaniu CT/MRI z kontrastem oraz przed rozpoczęciem terapii przeciwnowotworowej. Łącznie pobrano 10 mL krwi żylnej do probówek z antykoagulantem K2-EDTA. Bezpośrednio po pobraniu probówki odwracano 8–10 razy, a następnie transportowano do laboratorium w temperaturze 4 °C. Odstęp czasowy od nakłucia żyły do wirowania utrzymywano w granicach 2 h i odnotowywano w dzienniku próbek.
Plazmę oddzielono poprzez wirowanie przy 1,600 × g przez 10 min w temperaturze 4 °C przy użyciu wirówki chłodzącej. Nadkład plazmy przeniesiono do 1,5 mL probówek mikrowirówkowych wolnych od nukleaz i podzielono na porcje 0,5–1,0 mL. Alikwoty przechowywano w temperaturze -80 °C do czasu przeprowadzenia analiz. Przed pomiarem biomarkerów jedną alikwotę odmrożono raz w temperaturze pokojowej, 20–25 °C, przez 20–30 min, wymieszano delikatnie poprzez odwracanie i przebadano w ciągu 2 h od całkowitego rozmrożenia. Próbki z widocznymi skrzepami, umiarkowaną lub silną hemolizą bądź wyraźną lipemią odrzucono zgodnie z zdefiniowanymi kryteriami akceptacji laboratoryjnej. W przypadku prospektywnej kohorty walidacyjnej, jeśli było to klinicznie możliwe, przed potwierdzeniem obrazowym wykonano powtórne pobranie krwi.
Pomiar AFP i PIVKA-II
Poziomy AFP i PIVKA-II zmierzono za pomocą immunochemicznych testów elektrochemiluminescencyjnych na automatycznym analizatorze immunoologicznym. Wartości AFP zapisano w ng/mL, a PIVKA-II w mAU/mL. Wyniki wyeksportowano bezpośrednio z laboratoryjnego systemu informatycznego.
Każda seria analityczna zawierała kalibratory specyficzne dla danego testu oraz co najmniej dwa poziomy wewnętrznej kontroli jakości. Warunkiem zaakceptowania serii było uzyskanie wszystkich wyników kontroli jakości w predefined laboratory control range (predefiniowanym zakresie kontrolnym laboratorium). Cele precyzji analitycznej wynosiły: współczynnik zmienności wewnątrz serii ≤10% oraz współczynnik zmienności między seriami ≤15% zarówno dla AFP, jak i PIVKA-II. W przypadku niepowodzenia kontroli jakości lub wykrycia dryfu serii, seria była odrzucana, analizator był ponownie kalibrowany, a seria powtarzana, o ile pozostała wystarczająca objętość próbki. W przypadku uzyskania niewiarygodnego lub wykraczającego poza zakres pojedynczego wyniku próbki, w miarę możliwości przeprowadzano dwa pomiary powtórne z tej samej rozmrożonej aliquoty, a następnie wykorzystywano średnią z dwóch zaakceptowanych wartości powtórnych. Jeśli powtórne badanie nie przyniosło rezultatu lub objętość próbki była niewystarczająca, wynik oznaczano jako nieważny i traktowano zgodnie z zasadą postępowania z brakującymi danymi.
Rutynowe wyodrębnianie zmiennych klinicznych
Rutynowe zmienne kliniczne pobrano z tej samej wizyty klinicznej, podczas której wykonano pobranie krwi na oznaczenie AFP/PIVKA-II przed badaniem obrazowym. Zmienne kandydackie obejmowały wiek, płeć, aminotransferazę alaninową, aminotransferazę asparaginianową, albuminy, bilirubinę całkowitą, międzynarodowy wskaźnik zakrzepowatości (INR), czas protrombinowy oraz liczbę płytek krwi. W przypadku dostępności wielu wartości w oknie przed badaniem obrazowym, wybrano wartość najbliższą czasowi pobrania próbek AFP/PIVKA-II. Jednostki zostały ustandaryzowane przed analizą. Wiek zapisano w latach; płeć zakodowano jako kobieta = 0 i mężczyzna = 1; liczbę płytek krwi zapisano jako ×10⁹/L; albuminy zapisano jako g/L; bilirubinę całkowitą zapisano jako μmol/L; AFP zapisano jako ng/mL; a PIVKA-II zapisano jako mAU/mL.
Po ekstrakcji przeprowadzono kontrolę zakresów, jednostek oraz weryfikację wartości nieprawdopodobnych. Oznaczone wartości sprawdzono w odniesieniu do rekordów źródłowych. Wartość była wykluczana tylko wtedy, gdy rekord źródłowy potwierdzał problem z jakością próbki, błąd konwersji jednostek lub odchylenie w przetwarzaniu. Zweryfikowane wartości ekstremalne zostały zachowane. Słownik zmiennych definiował strukturę zbioru danych, nazwy zmiennych, jednostki, reguły kodowania, reguły transformacji oraz kody wartości brakujących.
Definicja predyktorów i wybór zmiennych
Kandydaci na predyktory zostali określeni przed opracowaniem modelu. Głównymi biomarkerami były AFP oraz PIVKA-II. Rutynowymi kandydatami klinicznymi były: wiek, płeć, aminotransferaza alaninowa, aminotransferaza asparaginianowa, albuminy, bilirubina całkowita, INR lub czas protrombinowy oraz liczba płytek krwi. Wartości AFP i PIVKA-II poddano transformacji logarytmicznej w naturalnej podstawie. Wartości poniżej granicy raportowania analizy zostały zastąpione połową dolnej granicy raportowania przed przeprowadzeniem transformacji.
Porównania jednowymiarowe między uczestnikami z HCC i bez HCC w kohorcie treningowej przeprowadzono za pomocą testów t dla próbek niezależnych w przypadku zmiennych o rozkładzie zbliżonym do normalnego, testów U Manna-Whitneya dla skośnych zmiennych ciągłych oraz testów χ2 lub dokładnych testów Fishera dla zmiennych kategorycznych. Zmienne z P < 0,10 w przesiewie jednowymiarowym zostały zakwalifikowane do modelowania wielowymiarowego. Multikolinearność oceniano za pomocą czynnika inflacji wariancji (VIF), przyjmując, że VIF > 5 świadczy o niepokojącej kolinearności. W przypadku silnej kolinearności dwóch zmiennych, zachowano tę, która charakteryzowała się bardziej przejrzystą interpretacją kliniczną i lepszym przyrostowymi wynikiem modelu.
Końcowy wieloczynnikowy model regresji logistycznej opracowano wyłącznie w kohorcie treningowej. Do modelu wymuszono wprowadzenie ln(AFP) oraz ln(PIVKA-II). Dodatkowe predyktory wybrano metodą eliminacji wstecznej w oparciu o kryterium informacyjne Akaike. Po selekcji wstecznej w modelu pozostały zmienne: ln(AFP), ln(PIVKA-II), wiek, płeć, albuminy, INR oraz liczba płytek krwi.
Opracowanie modelu i obliczanie wyniku ryzyka
Model diagnostyczny dopasowano za pomocą wieloczynnikowej regresji logistycznej, przyjmując status HCC jako binarny wynik. Przewidywane prawdopodobieństwo wystąpienia HCC obliczono z predyktora liniowego η przy użyciu następującego równania:
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
Poziom AFP mierzono w ng/mL, PIVKA-II w mAU/mL, wiek w latach, płeć zakodowano jako kobieta = 0 i mężczyzna = 1, albuminy mierzono w g/L, INR był bezwymiarowy, a liczbę płytek krwi mierzono jako ×109/L. W przypadku AFP i PIVKA-II zastosowano logarytmy naturalne. Na podstawie tych samych dopasowanych współczynników opracowano nomogram. Do analizy charakterystyki operacyjnej odbiornika (ROC), analizy kalibracji, analizy krzywej decyzyjnej oraz walidacji wykorzystano prawdopodobieństwo przewidywane, a nie skalę punktową nomogramu.
Definicje punktów odcięcia i obsługa progów
Progi PIVKA-II zostały określone zgodnie z celem analitycznym. Ustanowiony kliniczny punkt odcięcia dla PIVKA-II wynosił 40,0 mAU/mL. Punkt odcięcia Youdena dla PIVKA-II w kohorcie treningowej wynosił 45,0 mAU/mL. Punkt odcięcia o stałej swoistości wyznaczono poprzez wybór progu najbliższego 90% swoistości w kohorcie treningowej; w przypadku PIVKA-II wyniosło on 38,0 mAU/mL. Pozorny próg wynoszący 37,5 mAU/mL, uzyskany wyłącznie w procesie walidacji, potraktowano jako eksploracyjny i nie stosowano go jako głównego punktu odcięcia w walidacji.
W przypadku modelu łączonego podstawowy punkt odcięcia binarny został wyznaczony dla kohorty treningowej przy użyciu indeksu Youdena i zastosowany bez zmian do kohorty walidacyjnej. W celu zdefiniowania podgrupy AFP-ujemnej oraz do porównania z rutynową praktyką kliniczną wykorzystano ustalony kliniczny punkt odcięcia AFP wynoszący 20.0 ng/mL. Zoptymalizowane punkty odcięcia AFP zastosowane w analizie ROC zostały oznaczone oddzielnie od progu klinicznego. Punkty odcięcia raportowano zatem w zależności od celu analitycznego, zamiast traktować je jako progi zamienne.
Wydajność, kalibracja i walidacja modelu
Dyskryminację oceniano za pomocą krzywych charakterystyki operacyjnej odbiornika (ROC) oraz powierzchni pod krzywą (AUC). Wartości AUC przedstawiono wraz z 95% przedziałami ufności. Do porównania wartości AUC zastosowano test DeLonga. Wydajność klasyfikacji raportowano jako czułość, swoistość, dodatnią wartość prognostyczną, ujemną wartość prognostyczną oraz dokładność przy określonych wcześniej punktach odcięcia.
Kalibrację oceniono za pomocą punktu przecięcia kalibracji, nachylenia kalibracji, wyniku Briera oraz testu dobroci dopasowania Hosmera-Lemeshow. Wykresy kalibracyjne pozwoliły porównać przewidywane i obserwowane prawdopodobieństwa HCC w poszczególnych grupach ryzyka. Walidacja wewnętrzna została przeprowadzona z użyciem 1 000 próbek bootstrapowych w kohorcie treningowej w celu oszacowania skorygowanego o optymizm AUC oraz skorygionego o optymizm nachylenia kalibracji. Kohorty walidacyjnej użyto wyłącznie do zewnętrznej oceny wydajności. W kohorcie walidacyjnej nie przeprowadzono aktualizacji współczynników, ponownego dopasowania modelu, ponownej optymalizacji progu ani rekalibracji opartej na podgrupach.
Użyteczność kliniczną oceniono za pomocą analizy krzywej decyzyjnej dla prawdopodobieństw progowych od 0,05 do 0,50. Porównano korzyść netto dla samego AFP, samego PIVKA-II, modelu zmiennych klinicznych oraz modelu połączonego.
Obsługa brakujących danych i analiza wrażliwości
W analizie podstawowej zastosowano modelowanie przypadków kompletnych dla uczestników, u których zachowano wszystkie zmienne w modelu końcowym. Wartości brakujące podsumowano dla każdego kandydata na predyktor. Jeśli odsetek braków przekroczył 5% dla któregokolwiek z zachowanych predyktorów, przeprowadzono wielokrotną imputację za pomocą równań łańcuchowych jako analizę czułości, wykorzystując w modelu imputacyjnym wynik, wszystkie zachowane predyktory oraz wskaźnik kohorty. Zmienne z odsetkiem braków przekraczającym 20% nie kwalifikowały się do modelowania wielowymiarowego. Współczynniki modelu, AUC, nachylenie kalibracji oraz wskaźniki klasyfikacji z analizy po imputacji porównano z wynikami dla przypadków kompletnych.
Oprogramowanie i reprodukowalne raportowanie
Wszystkie analizy przeprowadzono przy użyciu programu R w wersji 4.3.2 oraz RStudio w wersji 2023.12.1. Regresję logistyczną wykonano za pomocą podstawowego pakietu stats. Analizę ROC oraz porównania DeLonga przeprowadzono przy użyciu pROC w wersji 1.18.5. Analizę kalibracji wykonano za pomocą rms w wersji 6.7-1 oraz ResourceSelection w wersji 0.3-6. Walidacja metodą bootstrapu wykorzystała 1 000 prób resamplingu z ustalonym ziarnem losowym 70558. Analizę krzywej decyzyjnej przeprowadzono przy użyciu rmda w wersji 1.6. W razie potrzeby imputację wielokrotną wykonano za pomocą mice w wersji 3.16.0. Skrypt analityczny odtworzył przepływ uczestników, współczynniki modelu, krzywe ROC, miary kalibracji, walidację bootstrapową, analizę krzywej decyzyjnej, analizy oparte na punktach odcięcia oraz tabele statystyczne.
Wyniki
Charakterystyka wyjściowa
Analiza końcowa objęła 389 uczestników. Grupa treningowa składała się z 205 uczestników, w tym 12 przypadków HCC potwierdzonych obrazowo oraz 93 kontroli nie-HCC. Grupa walidacyjna obejmowała 184 uczestników, w tym 58 przypadków HCC potwierdzonych obrazowo oraz 126 kontroli nie-HCC. Charakterystyka wyjściowa została podsumowana w Tabeli 1.
W kohorcie treningowej 93 kontrole bez HCC obejmowały 30 zdrowych kontroli oraz 63 kontrole z przewlekłą chorobą wątroby. W kohorcie walidacyjnej 126 kontroli bez HCC obejmowało 0 zdrowych kontroli oraz 126 kontroli z przewlekłą chorobą wątroby. Przeważającą chorobą wątroby w wywiadzie była infekcja wirusem zapalenia wątroby typu B. Choroba w stadium BCLC 0–A wystąpiła w 57 ze 12 przypadków HCC w kohorcie treningowej oraz w 30 z 58 przypadków HCC w kohorcie walidacyjnej. Wiek, płeć, historia choroby wątroby, wywiad rodzinny w kierunku HCC, status marskości, klasa Child-Pugh, aktywnośćy aminotransferazy alaninowej, aminotransferazy asparaginianowej, poziom albumin, całkowita bilirubina, liczba płytek krwi, czas protrombinowy, międzynarodowy wskaźnik INR, cukrzyca oraz nadciśnienie tętnicze były zrównoważone pomiędzy warstwami kohorty przedstawionymi w Tabeli 1.
Wartość mediana AFP wynosiła 57,3 ng/mL w przypadkach HCC w grupie treningowej oraz 22,4 ng/mL w grupach kontrolnych bez HCC w tej samej grupie. Wartość mediana PIVKA-II wynosiła odpowiednio 197,6 mAU/mL i 86,3 mAU/mL. W kohorcie walidacyjnej mediana AFP wynosiła 60,2 ng/mL w przypadkach HCC i 21,5 ng/mL w grupach kontrolnych bez HCC. Wartość mediana PIVKA-II wynosiła odpowiednio 191,5 mAU/mL i 84,1 mAU/mL.
Wydajność diagnostyczna kohorty treningowej
Rozróżnienie w kohorcie treningowej przedstawiono na Rysunku 2(A), a odpowiadające mu porównanie czułości i swoistości znajduje się na Rysunku 2(B). Charakterystyki operacyjne podsumowano w Tabeli 2. AFP uzyskało AUC wynoszące 0,78, czułość 62,50% oraz swoistość 78,49% przy ustalonym klinicznym punkcie odcięcia 20,0 ng/mL. PIVKA-II uzyskało AUC wynoszące 0,85, czułość 78,57% oraz swoistość 82,80% przy punkcie odcięcia Youdena dla kohorty treningowej wynoszącym 45,0 mAU/mL. Model zmiennych klinicznych uzyskał AUC wynoszące 0,81, czułość 69,64% oraz swoistość 80,65% przy progu prawdopodobieństwa przewidywanego wynoszącym 0,40. Model łączony wykazał najwyższą zdolność rozróżniania w kohorcie treningowej, z AUC wynoszącym 0,93, czułością 8,39% i swoistością 89,25% przy progu prawdopodobieństwa przewidywanego wynoszącym 0,50.
Wydajność w rozstratyfikacji etapowej
Rozkłady biomarkerów w podziale na stadia przedstawiono na Rysunku 3(A), wskaźniki wykrywalności na Rysunku 3(B), a wartości AUC dla poszczególnych stadiów na Rysunku 3(C). Poziomy AFP, PIVKA-II oraz wynik modelu kombinowanego wzrastały w miarę postępu choroby w stadiach BCLC 0–A, B i C. W przypadku AFP zaobserwowano nakładanie się wyników między wczesnym stadium HCC a grupą kontrolną bez HCC. PIVKA-II wykazała silniejszą separację między poszczególnymi warstwami stadiów. Model kombinowany zapewnił najwyższą dyskryminację w podziale na stadia, w tym dla HCC w stadium BCLC 0–A.
Komplementarność między AFP a PIVKA-II
Korelacje wyników markerów przedstawiono na Ryc. 4(A)-(C), a klasyfikację krzyżową markerów przedstawiono na Ryc. 4(D). AFP i PIVKA-II wykazały częściowy brak pokrycia. Zaobserwowano przypadki HCC zarówno AFP-dodatnie/PIVKA-II-ujemne, jak i AFP-ujemne/PIVKA-II-dodatnie. Model łączony zakwalifikował dodatkowe przypadki HCC ujemne dla pojedynczego markera jako wysokiego ryzyka, co potwierdza zasadność stosowania zintegrowanego wyniku zamiast każdego z biomarkerów osobno.
Walidacja zewnętrzna
Krzywe ROC dla kohorty walidacyjnej przedstawiono na Ryc. 5(A), kalibrację na Ryc. 5(B), a wzorce czułości i swoistości dla podgrup na Ryc. 5(C). Odpowiadające im parametry walidacji podsumowano w Tab. 3. We wszystkich zweryfikowanych przypadkach HCC, AFP wykazywał AUC wynoszące 0,75, czułość 62,1% i swoistość 8,9% przy wartości 18,5 ng/mL. PIVKA-II wykazywał AUC wynoszące 0,78, czułość 72,4% i swoistość 91,3% przy wartości 38,0 mAU/mL. Model łączony uzyskał AUC wynoszące 0,89, czułość 84,5%, swoistość 90,5%, wartość predykcyjną dodatnią 78,8% oraz wartość predykcyjną ujemną 94,1% przy progu prawdopodobieństwa przewidywanego wynoszącym 0,56.
W HCC we wczesnym stadium AFP wykazywało czułość na poziomie 45,5% i swoistość 8,9%, PIVKA-II czułość 59,1% i swoistość 91,3%, a model łączony czułość 72,7% i swoistość 90,5%. W przypadku HCC z ujemnym wynikiem AFP, czułość AFP wynosiła 23,1%, czułość PIVKA-II 61,5%, a czułość modelu łączonego 73,1%. W wirusowym HCC model łączony wykazywał czułość 85,3% i swoistość 91,3%. W niewirusowym HCC model łączony wykazywał czułość 83,3% i swoistość 89,7%. Przesunięcie kalibracji (intercept) dla kohorty walidacyjnej wynosiło -0,08, nachylenie kalibracji 0,91, wskaźnik Brier score 0,18, a wartość P testu Hosmera–Lemeshow wynosiła 0,64.
Regresja wielowymiarowa i walidacja wewnętrzna
Wyniki regresji wielorakiej przedstawiono w Tabeli 4. W modelu skorygowanym logarytm PIVKA-II pozostał najsilniejszym niezależnym predyktorem, z oszacowanym ilorazem szans wynoszącym 2,05, 95% CI: 1,48-2,89 oraz P < 0,01. Logarytm AFP był również niezależnie powiązany z HCC, z oszacowanym ilorazem szans wynoszącym 1,28, 95% CI: 1,05-1,62 oraz P = 0,021. Międzynarodowy wskaźnik INR zachował niezależną wartość prognostyczną, z oszacowanym ilorazem szans wynoszącym 1,74, 95% CI: 1,12-2,78 oraz P = 0,015. Końcowy model z zastosowaniem metody eliminacji wstecznej obejmował ln(AFP), ln(PIVKA-II), wiek, płeć, albuminy, międzynarodowy wskaźnik INR oraz liczbę płytek krwi.
W Tabeli 4 przedstawiono również wyniki wewnętrznej walidacji metodą bootstrap. Pozorna wartość AUC dla zbioru treningowego wyniosła 0,93, średni optymizm wyniósł 0,018, a skorygowana o optymizm wartość AUC wyniosła 0,91. Pozorne nachylenie kalibracji wyniosło 1,0, skorygowane o optymizm nachylenie kalibracji wyniosło 0,94, wynik Brier dla kohorty treningowej wyniósł 0,104, a wartość P w teście Hosmera–Lemeshow wyniosła 0,72.
Analiza punktów odcięcia oraz wydajność specyficzna dla progu
Ponieważ progi PIVKA-II różniły się w zależności od celu analitycznego, wyniki oparte na wartościach odcięcia raportowano oddzielnie, zamiast traktować je jako zamienne. Wydajność wartości odcięcia zoptymalizowanych post hoc wskaźnikiem Youdena przedstawiono w Tabeli 5. Dla AFP zoptymalizowana wskaźnikiem Youdena wartość odcięcia wynosiła 19,0 ng/mL, przy czułości 67,9%, swoistości 89,1%, dodatniej wartości prognostycznej 71,3%, ujemnej wartości prognostycznej 87,3%, dokładności 81,2% oraz AUC wynoszącej 0,78. Dla PIVKA-II zoptymalizowana wskaźnikiem Youdena wartość odcięcia wynosiła 37,5 mAU/mL, przy czułości 75,4%, swoistości 92,0%, dodatniej wartości prognostycznej 79,8%, ujemnej wartości prognostycznej 89,7%, dokładności 85,9% oraz AUC wynoszącej 0,82. Model łączony miał zoptymalizowaną wskaźnikiem Youdena wartość odcięcia przewidywanego prawdopodobieństwa wynoszącą 0,57, przy czułości 86,2%, swoistości 90,6%, dodatniej wartości prognostycznej 82,7%, ujemnej wartości prognostycznej 92,4%, dokładności 89,8% oraz AUC wynoszącej 0,90.
Wydajność z zastosowaniem ustalonych punktów odcięcia klinicznego przedstawiono w Tabeli 6. Przy ustalonym punkcie odcięcia AFP wynoszącym 20.0 ng/mL, AFP wykazało czułość 65,2%, swoistość 8,5%, dodatnią wartość predykcyjną 70,1%, ujemną wartość predykcyjną 86,0%, dokładność 80,3% oraz AUC wynoszące 0,7. Przy ustalonym punkcie odcięcia PIVKA-II wynoszącym 40.0 mAU/mL, PIVKA-II wykazało czułość 73,0%, swoistość 93,1%, dodatnią wartość predykcyjną 81,8%, ujemną wartość predykcyjną 89,0%, dokładność 85,6% oraz AUC wynoszące 0,82. Przy progu przewidywanego prawdopodobieństwa wynoszącym 0,60, model łączony wykazał czułość 83,5%, swoistość 92,0%, dodatnią wartość predykcyjną 84,7%, ujemną wartość predykcyjną 91,2%, dokładność 8,9% oraz AUC wynoszące 0,89.
Wydajność przy punkcie odcięcia najbliższym 90% swoistości przedstawiono w Tabeli 7. Dla AFP zastosowano punkt odcięcia 19,0 ng/mL, co dało czułość 67,9% i swoistość 89,1%. Dla PIVKA-II zastosowano punkt odcięcia 37,5 mAU/mL, co dało czułość 75,4% i swoistość 92,0%. W modelu łączonym zastosowano punkt odcięcia prawdopodobieństwa prognozowanego 0,57, co przełożyło się na czułość 86,2% i swoistość 90,6%. Wyniki analizy punktów odcięcia wyjaśniają różnice liczbowe między progami PIVKA-II wynoszącymi 37,5, 38,0, 40,0 i 45,0 mAU/mL: próg 45,0 mAU/mL był punktem odcięcia Youdena dla kohorty treningowej użytym w głównym porównaniu treningowym, 38,0 mAU/mL zastosowano do raportowania stałej swoistości w walidacji, 40,0 mAU/mL był ustalonym punktem odcięcia klinicznego, a 37,5 mAU/mL był zoptymalizowanym post hoc punktem odcięcia Youdena w tabeli analizy punktów odcięcia.
Rozkłady podgrup chorobowych
Rozkłady AFP, PIVKA-II oraz wyniku modelu łączonego w podgrupach chorobowych przedstawiono na Rysunku 6(A)-(C). Poziomy AFP, PIVKA-II oraz wynik modelu łączonego były najniższe w grupie kontrolnej z przewlekłą chorobą wątroby i wyższe w grupach z HCC. W przypadku AFP zaobserwowano nakładanie się wyników między grupą kontrolną z przewlekłą chorobą wątroby a wczesnym stadium HCC. PIVKA-II oraz wynik modelu łączonego wykazały wyraźniejsze rozgraniczenie pomiędzy grupą kontrolną z przewlekłą chorobą wątroby, wczesnym stadium HCC a HCC we wszystkich stadiach.
DOSTĘPNOŚĆ DANYCH:
Zbiór danych wspierający wyniki niniejszego badania jest otwarcie dostępny w serwisie Figshare pod adresem https://doi.org/10.6084/m9.figshare.3048095.v1.
Rysunek 1Przepływ uczestników, przydział do kohort, przetwarzanie próbek oraz rozstrzyganie diagnostyczne. Schemat blokowy przedstawiający przesiew uczestników, przydzielenie do kohort, pobieranie krwi przed obrazowaniem, przetwarzanie osocza, pomiar AFP/PIVKA-II, ocenę w badaniu CT/MRI z kontrastem oraz końcową weryfikację HCC na podstawie obrazowania w kohortach treningowej i walidacyjnej. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.
Rycina 2Wydajność diagnostyczna AFP, PIVKA-II, modelu zmiennych klinicznych oraz modelu połączonego w kohorcie treningowej. (A) Krzywe charakterystyki operacyjnej odbiornika (ROC) porównujące AFP, PIVKA-II, model zmiennych klinicznych oraz połączony model wieloczynnikowy w kohorcie treningowej. (B) Czułość i swoistość każdej metody diagnostycznej przy zgłoszonym progu dla kohorty treningowej. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.
Odpowiednie charakterystyki operacyjne podsumowano w Tabeli 2.
Rysunek 3Wydajność diagnostyczna stratyfikowana według stadiów w poszczególnych stadiach BCLC. (A) Rozkłady AFP, PIVKA-II oraz wyniku modelu łączonego w grupie kontrolnej bez HCC i w grupach stadiów BCLC. (B) Wskaźniki wykrywalności AFP, PIVKA-II oraz modelu łączonego w poszczególnych stadiach BCLC. (C) Wartości AUC dla poszczególnych stadiów dla AFP, PIVKA-II oraz modelu łączonego, z uwzględnieniem HCC w stadiach BCLC 0–A. Prosimy kliknąć tutaj, aby wyświetlić powiększoną wersję tej ryciny.
Rycina 4Korelacja i komplementarność między AFP, PIVKA-II a wynikiem modelu kombinowanego. (A) Korelacja między AFP a wynikiem modelu łączonego. (B) Korelacja pomiędzy PIVKA-II a wynikiem modelu łączonego. (C) Korelacja między AFP a PIVKA-II. (D) Klasyfikacja krzyżowa przypadków HCC według poziomu AFP, poziomu PIVKA-II oraz klasyfikacji ryzyka w modelu łączonym. Proszę kliknąć tutaj, aby wyświetlić powiększoną wersję tej ryciny.
Rysunek 5Zewnętrzna walidacja wydajności diagnostycznej w niezależnej kohorcie walidacyjnej. (A) Krzywe charakterystyki operacyjnej odbiornika dla kohorty walidacyjnej w przypadku AFP, PIVKA-II oraz modelu łączonego. (B) Wykres kalibracyjny modelu łączonego w kohorcie walidacyjnej. (C) Porównawcza czułość i swoistość AFP, PIVKA-II oraz modelu łączonego we wszystkich przypadkach HCC, HCC we wczesnym stadium oraz HCC z wynikiem AFP ujemnym. Odpowiadające im wskaźniki walidacji podsumowano w Tabela 3. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.
Rysunek 6Rozkłady AFP, PIVKA-II oraz wyniku z modelu łączonego w podgrupach chorobowych. (A) Rozkład AFP w grupie kontrolnej z przewlekłą chorobą wątroby, w grupie z HCC w stadium BCLC 0–A oraz w grupie z HCC we wszystkich stadiach. (B) Rozkład PIVKA-II w grupie kontrolnej z przewlekłą chorobą wątroby, w grupie z HCC w stadium BCLC 0–A oraz w grupie z HCC we wszystkich stadiach. (C) Rozkład wyników modelu kombinowanego w grupach kontrolnych z przewlekłymi chorobami wątroby, HCC w stadium BCLC 0-A oraz HCC we wszystkich stadiach. Prosimy kliknąć tutaj, aby wyświetlić powiększoną wersję tej figury.
| czynnik | Kategoria / Podsumowanie | Szkolenie z zakresu HCC n = 112 | Szkolenie kontroli nie-HCC n = 93 | Walidacja HCC n = 58 | Walidacja grup kontrolnych bez HCC n = 126 | P wartość |
| Płeć, n (%) | Samiec | 76 (67.9%) | 59 (63.4%) | 39 (67.2%) | 76 (60.3%) | 0.374 |
| Kobieta | 36 (32.1%) | 34 (36.6%) | 19 (32.8%) | 50 (39.7%) | — | |
| Wiek, lata | Średnia ± SD | 58.9 ± 9.3 | 58.1 ± 10.4 | 59.4 ± 8.8 | 57.6 ± 9.7 | 0.281 |
| Historia chorób wątroby, 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 | |
| Alkoholowa choroba wątroby | 13 (11.6%) | 10 (10.8%) | 6 (10.3%) | 12 (9.5%) | 0.825 | |
| Wywiad rodzinny w kierunku HCC, n (%) | Tak | 9 (8.0%) | 7 (7.5%) | 4 (6.9%) | 8 (6.3%) | 0.887 |
| Marskość wątroby, n (%) | Tak | 80 (71.4%) | 61 (65.6%) | 42 (72.4%) | 88 (69.8%) | 0.468 |
| stopień zaawansowania HCC (BCLC), n (%) | 0–A | 57 (50.9%) | — | 30 (51.7%) | — | — |
| B | 33 (29.5%) | — | 17 (29.3%) | — | — | |
| C | 22 (19.6%) | — | 11 (19.0%) | — | — | |
| klasa Child-Pugh, 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 | Średnia ± SD | 48.6 ± 22.1 | 47.1 ± 20.6 | 47.9 ± 22.4 | 45.2 ± 20.1 | 0.517 |
| AST, U/L | Średnia ± SD | 60.3 ± 28.5 | 58.0 ± 27.8 | 58.7 ± 29.4 | 56.2 ± 26.9 | 0.488 |
| Albumin, g/L | Średnia ± SD | 39.0 ± 4.7 | 39.5 ± 4.6 | 38.7 ± 5.1 | 39.6 ± 4.5 | 0.554 |
| całkowita bilirubina, μmol/L | Średnia ± SD | 20.1 ± 11.3 | 18.6 ± 10.8 | 20.4 ± 11.6 | 18.1 ± 10.9 | 0.321 |
| Liczba płytek krwi, ×10⁹/L | Średnia ± SD | 137 ± 61 | 146 ± 59 | 134 ± 60 | 149 ± 57 | 0.437 |
| Czas protrombinowy, s | Średnia ± SD | 13.7 ± 1.4 | 13.5 ± 1.3 | 13.8 ± 1.5 | 13.5 ± 1.2 | 0.411 |
| INR | Średnia ± SD | 1.18 ± 0.12 | 1.16 ± 0.11 | 1.19 ± 0.13 | 1.15 ± 0.10 | 0.334 |
| AFP, ng/ml | Mediana (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 | Mediana (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 |
| Wydłużony czas protrombinowy (PT), n (%) | Tak | 30 (26.8%) | 20 (21.5%) | 15 (25.9%) | 24 (19.0%) | 0.372 |
| Cukrzyca, n (%) | Tak | 19 (17.0%) | 14 (15.1%) | 10 (17.2%) | 19 (15.1%) | 0.764 |
| Nadciśnienie tętnicze, n (%) | Tak | 33 (29.5%) | 26 (28.0%) | 18 (31.0%) | 36 (28.6%) | 0.824 |
| Typ kontroli wśród kontroli nie-HCC, n (%) | Zdrowe grupy kontrolne | — | 30 (32.3%) | — | 0 (0.0%) | — |
| Kontrole chorób przewlekłych wątroby | — | 63 (67.7%) | — | 126 (100.0%) | — | |
| Uwaga: HCC – rakowłókniak hepatokomórkowy; BCLC – skala Barcelona Clinic Liver Cancer; ALT – aminotransferaza alaninowa; AST – aminotransferaza asparaginianowa; INR – międzynarodowy współczynnik znormalizowany; AFP – alfa-fetoproteina; PIVKA-II – białko indukowane brakiem witaminy K-II; PT – czas protrombinowy; IQR – rozstęp międzykwartylowy. Wartości p przedstawiono dla porównań wyjściowych między raportowanymi warstwami kohorty/statusu, jeśli dotyczy. Stopień zaawansowania HCC podano wyłącznie w przypadku raków wątrobowokomórkowych. Typ grupy kontrolnej podano wyłącznie dla kontroli bez HCC. | ||||||
Tabela 1: Podstawowe charakterystyki kohort treningowej i walidacyjnej. Przedstawiono cechy demograficzne, historię chorób wątroby, stopień zaawansowania HCC, klasę Child-Pugh, rutynowe wskaźniki laboratoryjne, AFP oraz PIVKA-II w podziale na kohortę i status HCC.
| Metoda | Czułość (95% CI) | Swoistość (95% CI) | AUC (95% CI) | Próg |
| 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 |
| Model zmiennych klinicznych | 69.64 (60.28–77.87) | 80.65 (71.13–88.04) | 0.81 (0.75–0.87) | Prawdopodobieństwo przewidywane = 0,40 |
| Model łączony | 88.39 (81.35–93.36) | 89.25 (81.26–94.65) | 0.93 (0.89–0.96) | Przewidywane prawdopodobieństwo = 0,50 |
| Uwaga: Poziom AFP oceniano przy ustalonym klinicznym punkcie odcięcia wynoszącym 20,0 ng/mL. Próg PIVKA-II na poziomie 45,0 mAU/mL stanowił punkt odcięcia Youdena wyznaczony w kohorcie treningowej i wykorzystany do głównego porównania treningowego. Modele oparte na zmiennych klinicznych oraz modele łączone oceniano przy użyciu progów prawdopodobieństwa przewidywanego wyznaczonych w kohorcie treningowej. | ||||
Tabela 2: Wyniki diagnostyczne kohorty treningowej. Przedstawiono AUC, czułość, swoistość oraz zgłoszone progi odcięcia dla AFP, PIVKA-II, modelu zmiennych klinicznych oraz połączonego modelu wielowymiarowego w kohorcie treningowej.
| Podgrupa | Element | AFP | PIVKA-II | Model łączony |
| Wszystkie HCC | AUC (pole powierzchni pod krzywą) | 0.75 | 0.78 | 0.89 |
| Wszystkie HCC | Podstawowy próg walidacji | 18,5 ng/mL | 38,0 mAU/mL | Przewidywane prawdopodobieństwo = 0,56 |
| Wszystkie HCC | Czułość, % (95% CI) | 62.1 (48.7–74.2) | 72.4 (59.1–83.5) | 84.5 (72.6–92.6) |
| Wszystkie HCC | Swoistość, % (95% CI) | 88.9 (82.0–93.4) | 91.3 (85.1–95.3) | 90.5 (84.2–94.8) |
| Wszystkie HCC | PPV, % | 63.8 | 72.7 | 78.8 |
| Wszystkie HCC | NPV, % | 88.1 | 91 | 94.1 |
| Wczesne stadium HCC | Eksploracyjny próg dla podgrup | 15,2 ng/mL | 3,5 mAU/mL | Przewidywane prawdopodobieństwo = 0,51 |
| HCC we wczesnym stadium | Czułość, % (95% CI) | 45.5 (25.1–67.3) | 59.1 (38.5–77.7) | 72.7 (52.0–87.6) |
| HCC we wczesnym stadium | Swoistość, % | 88.9 | 91.3 | 90.5 |
| Wczesne stadium HCC | PPV, % | 40 | 54.5 | 66.7 |
| HCC we wczesnym stadium | NPV, % | 90.1 | 87.5 | 92.3 |
| HCC z ujemnym wynikiem AFP | Eksploracyjny próg podgrupy | 7,5 ng/ml | 31,2 mAU/ml | Przewidywane prawdopodobieństwo = 0,48 |
| HCC z ujemnym wynikiem AFP | Czułość, % (95% CI) | 23.1 (9.7–42.6) | 61.5 (40.6–79.8) | 73.1 (52.2–88.4) |
| HCC z ujemnym poziomem AFP | Swoistość, % | 88.9 | 91.3 | 90.5 |
| HCC z wynikiem ujemnym dla AFP | PPV, % | 22 | 52 | 64.5 |
| HCC z ujemnym wynikiem AFP | NPV, % | 90.2 | 88.3 | 92.7 |
| Wirusowe HCC | Eksploracyjny próg dla podgrupy | 19,3 ng/ml | 40,7 mAU/ml | Przewidywane prawdopodobieństwo = 0,59 |
| Wirusowy HCC | Czułość, % (95% CI) | 64.7 (46.9–79.9) | 73.5 (56.4–86.4) | 85.3 (69.9–94.7) |
| Wirusowe HCC | Swoistość, % | 88.1 | 90.5 | 91.3 |
| Wirusowy HCC | PPV, % | 67.3 | 73 | 81.3 |
| Wirusowe HCC | NPV, % | 87.5 | 90.8 | 94.7 |
| Nie wirusowe HCC | Eksploracyjny próg podgrupy | 20,1 ng/ml | 34,5 mAU/ml | Przewidywane prawdopodobieństwo = 0,53 |
| Nie-wirusowy rak wątrobowokomórkowy (HCC) | Czułość, % (95% CI) | 58.3 (36.6–77.9) | 70.8 (48.9–87.4) | 83.3 (62.6–95.3) |
| Nie wirusowy HCC | Swoistość, % | 89.2 | 92.1 | 89.7 |
| Niewirusowy HCC | PPV, % | 59.2 | 69.7 | 75 |
| Niewirusowy HCC | NPW, % | 89 | 92 | 93.8 |
| Kombinowana kalibracja modelu | Przecięcie | — | — | −0.08 |
| Kalibracja modelu łączonego | Nachylenie | — | — | 0.91 |
| Kombinowana kalibracja modelu | Wynik Briera | — | — | 0.118 |
| Kalibracja modelu kombinowanego | wartość p testu Hosmera–Lemeshow | — | — | 0.64 |
| Uwaga: wiersz all-HCC przedstawia główną analizę walidacyjną. Wiersze Early-stage HCC, AFP-negative HCC, viral HCC oraz non-viral HCC przedstawiają wyniki analizy eksploracyjnej podgrup. Progi dla podgrup zostały podane w celu opisania pozornych punktów pracy w obrębie każdej podgrupy i nie były wykorzystywane do ponownego dopasowania ani rekalibracji modelu. Rak wątrobowokomórkowy AFP-ujemny (AFP-negative HCC) zdefiniowano jako AFP <20,0 ng/mL. PPV, dodatnia wartość predykcyjna; NPV, ujemna wartość predykcyjna. | ||||
Tabela 3: Wydajność diagnostyczna i analiza podgrup w kohorcie walidacyjnej. Przedstawiono AUC, raportowane progi odcięcia, czułość, swoistość, dodatnią wartość predykcyjną oraz ujemną wartość predykcyjną dla AFP, PIVKA-II oraz modelu łączonego we wszystkich przypadkach HCC, HCC we wczesnym stadium, HCC z ujemnym wynikiem AFP, HCC wirusowego oraz HCC niewirusowego. Uwzględniono również mierniki kalibracji dla modelu łączonego.
| Czynnik / miernik | Jednowymiarowa wartość p | Współczynnik β | Skorygowany współczynnik szans (OR) / wskaźnik walidacji | 95% CI (przedział ufności) | P wartość |
| Przechwycenie | — | −4.862 | — | — | — |
| Wiek | 0.112 | 0.018 | 1.02 | 0.99–1.05 | 0.186 |
| Płeć, męska | 0.087 | 0.331 | 1.41 | 0.83–2.37 | 0.204 |
| AFP, przekształcone logarytmicznie (logarytm naturalny) | 0.004 | 0.247 | 1.28 | 1.05–1.62 | 0.021 |
| PIVKA-II, po transformacji logarytmicznej naturalnej | <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 |
| Liczba płytek krwi, ×109/L | 0.052 | −0.004 | 0.99 | 0.98–1.00 | 0.044 |
| Pozorna AUC zbioru treningowego | — | — | 0.93 | 0.89–0.96 | — |
| Średni poziom optymizmu | — | — | 0.018 | — | — |
| AUC skorygowane o optymizm | — | — | 0.91 | 0.87–0.95 | — |
| Pozorna nachylenie krzywej kalibracyjnej | — | — | 1 | — | — |
| Nachylenie krzywej kalibracyjnej skorygowane o optymizm | — | — | 0.94 | — | — |
| Wynik Briera dla zbioru treningowego | — | — | 0.104 | — | — |
| wartość p testu Hosmera-Lemeshow | — | — | 0.72 | — | — |
| Uwaga: Końcowy predyktor liniowy wynosił η = −4,862 + 0,247 × ln(AFP) + 0,712 × ln(PIVKA-II) + 0,018 × wiek + 0,31 × płeć − 0,062 × albuminy + 0,54 × INR − 0,04 × liczba płytek krwi. Prawdopodobieństwo przewidywane obliczono jako p(HCC) = 1 / [1 + exp(−η)]. AFP mierzono w ng/mL; PIVKA-II w mAU/mL; wiek w latach; płeć zakodowano jako kobieta = 0 i mężczyzna = 1; albuminy w g/L; INR jako wartość bezwymiarowa; a liczbę płytek krwi jako ×10⁹/L. | |||||
Tabela 4: Wielowymiarowa regresja logistyczna i wewnętrzna walidacja metodą bootstrapową. Przedstawiono jednoczynnikowe wartości P, współczynniki modelu skorygowanego, skorygowane ilorazy szans, 95% przedziały ufności oraz wielowymiarowe wartości P dla zmiennych ocenianych w modelu kohorty treningowej. Raportowano optymizm bootstrapowy, skorygowane o optymizm AUC, skorygowany o optymizm nachylenie kalibracji, wynik Briera oraz wyniki testu Hosmera–Lemeshow.
Tabela 5: Wyniki diagnostyczne z zastosowaniem punktów odcięcia zoptymalizowanych indeksem Youdena. Przedstawiono czułość, swoistość, dodatnią wartość predykcyjną, ujemną wartość predykcyjną, dokładność oraz AUC dla AFP, PIVKA-II oraz modelu łączonego z zastosowaniem punktów odcięcia wyznaczonych na podstawie indeksu Youdena.
| Metoda | Ustalony punkt odcięcia | Czułość, % (95% CI) | Swoistość, % (95% CI) | PPV, % (95% CI) | NPV, % (95% CI) | Dokładność, % (95% CI) | AUC (95% CI) |
| 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) | 0.7 (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) |
| Model łączony | Przewidywane prawdopodobieństwo = 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) |
| Uwaga: Ustalone kliniczne punkty odcięcia wynosiły 20.0 ng/mL dla AFP oraz 40.0 mAU/mL dla PIVKA-II. W przypadku modelu łączonego podano wartość odpowiadającą zdefiniowanemu progowi prawdopodobieństwa użytemu do porównania z klinicznym punktem odcięcia. | |||||||
Tabela 6: Wydajność diagnostyczna z zastosowaniem ustalonych klinicznych wartości odcięcia. Czułość, swoistość, dodatnia wartość predykcyjna, ujemna wartość predykcyjna, dokładność oraz AUC przedstawiono dla ustalonej wartości odcięcia AFP wynoszącej 20.0 ng/mL i ustalonej wartości odcięcia PIVKA-II wynoszącej 40.0 mAU/mL. W przypadku modelu kombinowanego wyniki podano dla odpowiadającego progu prawdopodobieństwa zastosowanego do porównania tych wartości odcięcia.
| Metoda | Wartość odcięcia najbliższa 90% swoistości | Czułość, % (95% CI) | Swoistość, % (95% CI) | PPV, % (95% CI) | NPW, % (95% CI) |
| 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) |
| Model łączony | Przewidywane prawdopodobieństwo = 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) |
| Uwaga: Wartości odcięcia te wybrano w celu uzyskania specyficzności najbliższej 90% w analizie weryfikacyjnej punktów odcięcia. Dla PIVKA-II wartość 37,5 mAU/mL stanowi punkt odcięcia Youdena i punkt odcięcia o specyficzności bliskiej 90% w niniejszej weryfikacji, 38,0 mAU/mL jest głównym progiem walidacyjnym przedstawionym w Tabeli 3, 40,0 mAU/mL to ustalony punkt odcięcia klinicznego, a 45,0 mAU/mL to punkt odcięcia Youdena dla kohorty treningowej, zastosowany w Tabeli 2. | |||||
Tabela 7: Wydajność diagnostyczna przy punkcie odcięcia najbliższym 90% swoistości. Przedstawiono czułość, swoistość, wartość predykcyjną dodatnią i wartość predykcyjną ujemną dla AFP, PIVKA-II oraz modelu łączonego przy progach dobranych w celu osiągnięcia swoistości najbliższej 90%.
Dyskusja
W niniejszym badaniu oceniono zintegrowaną strategię diagnostyczną HCC z wykorzystaniem PIVKA-II, AFP oraz rutynowych zmiennych klinicznych, zwracając szczególną uwagę na wczesne stadia choroby oraz przypadki AFP-ujemne14. W kohortach treningowej i walidacyjnej model łączony okazał się skuteczniejszy niż testowanie pojedynczych markerów. W kohorcie treningowej model łączony osiągnął wartość AUC wynoszącą 0,93, w porównaniu do 0,78 dla AFP i 0,85 dla PIVKA-II. W niezależnej kohorcie walidacyjnej model zachował wysoką zdolność dyskryminacyjną, z AUC na poziomie 0,89, czułością 84,5% i swoistością 90,5%. Wyniki te wspierają podejście oparte na modelu, w którym komplementarne sygnały z biomarkerów i danych klinicznych są interpretowane wspólnie, zamiast opierać decyzje diagnostyczne na pojedynczym progu stężenia w surowicy.
Wyniki walidacji wyjaśniają wartość dodaną PIVKA-II, szczególnie w przypadkach, gdy AFP jest najmniej wiarygodne. Czułość AFP wyniosła 62,1% we wszystkich walidacyjnych przypadkach HCC i spadła do 23,1% w HCC AFP-ujemnym. PIVKA-II wykazała wyższą czułość ogólną i zachowała czułość na poziomie 61,5% w chorobie AFP-ujemnej. Model łączony dodatkowo poprawił czułość do 73,1% w HCC AFP-ujemnym i 72,7% w HCC we wczesnym stadium, przy zachowaniu wysokiej swoistości. Wzorzec ten jest zgodny z wcześniejszymi dowodami wskazującymi, że PIVKA-II dostarcza informacji diagnostycznych częściowo odrębnych od AFP, szczególnie w przypadku guzów z niskim poziomem AFP oraz wczesnego obciążenia nowotworowego15,16,17. Analizy korelacji i klasyfikacji krzyżowej również wsparły tę interpretację, wykazując, że AFP i PIVKA-II nie są markerami zamiennymi, a zintegrowany wynik pozwolił na wykrycie dodatkowych przypadków pominiętych w klasyfikacji opartej na pojedynczym markerze.
Wyniki wielowymiarowe sugerują, że zysk z modelu łączonego nie wynikał jedynie z jednoczesnego uwzględnienia AFP oraz PIVKA-II. Zmienne kliniczne dostarczyły dodatkowych informacji dotyczących wieku, płci, rezerwy wątrobowej, stanu krzepliwości oraz liczby płytek krwi. Taki projekt jest zgodny z uznanymi wielowymiarowymi modelami oceny ryzyka HCC, takimi jak GALAD, GAAD oraz pokrewne wskaźniki oparte na biomarkerach, które łączą zmienne demograficzne i laboratoryjne w celu poprawy wydajności diagnostycznej w heterogenicznych populacjach pacjentów z chorobami wątroby18,19,20. W modelu skorygowanym logarytm PIVKA-II pozostał najsilniejszym niezależnym predyktorem, logarytm AFP zachował niezależną korelację, a INR dostarczył dodatkowego sygnału diagnostycznego. Aminotransferazy okazały się mniej informacyjne po korekcie, co sugeruje, że nieswoiste zapalenie wątroby nie było głównym czynnikiem różnicującym po uwzględnieniu markerów związanych z nowotworem i krzepliwością.
Analizy wartości odcięcia odnoszą się do istotnej kwestii podniesionej podczas recenzji. Różne progi PIVKA-II nie powinny być interpretowane jako sprzeczne pierwotne wartości odcięcia. Wartość 45,0 mAU/mL została zastosowana w porównaniu ROC dla kohorty treningowej, 40,0 mAU/mL reprezentowała ustalony próg kliniczny, a zakres 37,5–38,0 mAU/mL odzwierciedlał alternatywne strategie progowe oparte na optymalizacji wskaźnika Youdena lub analizie stałej swoistości. Progi te odpowiadają na różne pytania kliniczne: próg zorientowany na czułość może być przydatny w nadzorze grup wysokiego ryzyka, podczas gdy próg zorientowany na swoistość może być preferowany w sytuacjach, gdy priorytetem jest redukcja wyników fałszywie dodatnich. We wszystkich tych strategiach model łączony pozostał bardziej stabilny niż samo AFP lub PIVKA-II, co potwierdza jego użyteczność jako narzędzia do stratyfikacji ryzyka, a nie jako zamiennika dla diagnostyki opartej na obrazowaniu21.
Pozostaje kilka ograniczeń. Kohorta treningowa pochodziła z jednego ośrodka, a prospektywna kohorta walidacyjna była umiarkowanej wielkości. Nadal wymagana jest walidacja wieloośrodkowa, szczególnie w populacjach o różnym podłożu etiologicznym, w tym w przypadku HCC związanych z NAFLD, alkoholem oraz HCV. Status HCC oceniano za pomocą tomografii komputerowej (CT) z kontrastem i/lub rezonansu magnetycznego (MRI), co odzwierciedla rutynową praktykę diagnostyczną, ale może nie uwzględniać zmian na bardzo wczesnym etapie lub zmian atypowych. Niektóre analizy podgrup, w szczególności wczesne stadia HCC oraz HCC AFP-ujemne, obejmowały mniej przypadków niż kohorta ogólna. Analizy kalibracji i metoda bootstrap pomogły ocenić stabilność modelu, jednak nie mogą one zastąpić prospektywnych badań implementacyjnych, które sprawdzałyby, czy nadzór kierowany przez model poprawia efektywność skierowań, wydajność wczesnego wykrywania oraz końcowe wyniki kliniczne22.
Podsumowując, integracja PIVKA-II, AFP oraz rutynowych zmiennych klinicznych poprawiła wykrywalność HCC w porównaniu ze strategiami opartymi na pojedynczym biomarkerze, wykazując spójną skuteczność zarówno w kohorcie treningowej, jak i w niezależnej kohorcie walidacyjnej. Model zachował klinicznie przydatną czułość w przypadku HCC we wczesnym stadium oraz HCC z ujemnym wynikiem AFP, przy jednoczesnym utrzymaniu wysokiej swoistości, co pozwala wyeliminować dwa powszechne słabe punkty nadzoru opartego na AFP. Ponieważ dane wejściowe są rutynowo dostępne, podejście to jest praktyczne do dalszych testów w populacjach pacjentów z chorobami wątroby wysokiego ryzyka. Przyszłe badania wieloośrodkowe powinny bezpośrednio porównać ten model z badaniem USG oraz AFP, ocenić zdefiniowane progi operacyjne oraz sprawdzić, czy integracja z nowymi biomarkerami lub cechami pochodzącymi z obrazowania dodatkowo poprawi wczesne wykrywanie HCC23,24.
Oświadczenia
Autorzy deklarują brak konfliktów interesów o charakterze finansowym lub niefinansowym. Żaden komercyjny fundator, producent odczynników, dostawca oprogramowania ani firma zajmująca się platformami diagnostycznymi nie brał udziału w projektowaniu badania, gromadzeniu danych, analizie statystycznej, interpretacji wyników, przygotowaniu rękopisu ani w decyzji o przedłożeniu pracy do publikacji.
Podziękowania
Autorzy dziękują uczestnikom badania oraz personelowi klinicznemu, który wspierał pobieranie krwi, koordynację kliniczną, przegląd obrazowy oraz weryfikację danych w niniejszym badaniu.
Materiały
| Nazwa | Firma | Numer katalogowy | Komentarze |
|---|---|---|---|
| Probówka do mikrocentryfugi 1,5 mL wolna od nukleaz | Eppendorf | 30123328 | Aliquotowanie i przechowywanie osocza |
| Kalibrator AFP | Roche Diagnostics | AFP CalSet II, 09227261190 | Kalibracja AFP |
| Materiał do kontroli jakości AFP | Roche Diagnostics | PreciControl Tumor Marker, 11776452160 | Kontrola jakości AFP |
| Materiał do kontroli jakości AFP | Roche Diagnostics | PreciControl Universal, 11731416160 | Kontrola jakości AFP |
| Zestaw odczynników AFP | Roche Diagnostics | Elecsys AFP, 09015124190 | Pomiar AFP |
| Zautomatyzowany analizator do elektrochemiluminescencyjnych testów immunoanalitycznych | Roche Diagnostics | cobas e 801 | Pomiar AFP i PIVKA-II |
| Pakiet do kalibracji | R package | rms 6.7–1 | Analiza kalibracyjna |
| Pakiet do analizy krzywych decyzyjnych | R package | rmda 1.6 | Analiza krzywych decyzyjnych |
| Pakiet do testu Hosmera–Lemeshow | R package | ResourceSelection 0.3–6 | Test Hosmera–Lemeshow |
| Probówka do pobierania krwi z K2-EDTA, 10 mL | BD | 367525 | Pobieranie krwi z żyły obwodowej |
| Pakiet do wielokrotnej imputacji | R package | mice 3.16.0 | Wielokrotna imputacja |
| Zestaw odczynników PIVKA-II | Roche Diagnostics | Elecsys PIVKA-II, 08333629190/08333629500 | Pomiar PIVKA-II |
| Wirówka chłodząca | Eppendorf | Centrifuge 5425 R | Separacja osocza |
| Pakiet do analizy ROC | R package | pROC 1.18.5 | Analiza ROC i test DeLonga |
| Oprogramowanie statystyczne | R Foundation | R 4.3.2 | Analiza statystyczna |
| Interfejs oprogramowania statystycznego | Posit Software | RStudio 2023.12.1 | Analiza statystyczna |
Bibliografia
- 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.