В данном протоколе описан воспроизводимый рабочий процесс интеграции PIVKA-II, AFP и стандартных клинических переменных в диагностическую модель логистической регрессии для выявления гепатоцеллюлярной карциномы с валидацией при заболеваниях на ранней стадии и AFP-отрицательных формах.
Исследовательская статья
Интеграция показателей аномального протромбина (PIVKA-II), альфа-фетопротеина и рутинных клинических переменных для раннего выявления гепатоцеллюлярной карциномы
В этой статье
Краткое содержание
Аннотация
Раннее выявление гепатоцеллюлярной карциномы (ГЦК) по-прежнему ограничено недостаточной чувствительностью альфа-фетопротеина (AFP), особенно при опухолях на ранних стадиях и AFP-отрицательных опухолях. В данном исследовании оценивалась возможность интеграции аномального уровня протромбина/белка, индуцированного отсутствием витамина K-II (PIVKA-II), AFP и рутинных клинических переменных в воспроизводимую диагностическую модель ГЦК. Для разработки модели использовалась ретроспективная обучающая когорта из 205 участников, включая 112 случаев ГЦК, подтвержденных методами визуализации, и 93 контрольных случая без ГЦК. Независимая проспективная валидационная когорта из 184 участников, включающая 58 случаев ГЦК и 126 контрольных случаев без ГЦК, была использована для тестирования на выборке вне обучающего набора без перенастройки модели. Образцы крови, взятые до проведения визуализации, использовались для измерения уровней AFP и PIVKA-II, а клинические переменные извлекались из того же диагностического окна. Итоговая многофакторная модель логистической регрессии объединяла ln(AFP), ln(PIVKA-II), возраст, пол, уровень альбумина, международное нормализованное отношение (INR) и количество тромбоцитов. Комбинированная модель достигла AUC 0,93 в обучающей когорте и 0,89 в валидационной когорте. При валидации чувствительность составила 84,5%, а специфичность — 90,5%. Чувствительность оставалась на уровне 72,7% при ГЦК на ранней стадии и 73,1% при AFP-отрицательной ГЦК, что в обеих подгруппах превышало показатели одного только AFP. Калибровка и бутстрэп-валидация подтвердили приемлемую стабильность модели. Эти результаты демонстрируют, как PIVKA-II, AFP и общедоступные клинические переменные могут быть объединены в практический инструмент диагностической сортировки для групп пациентов с высоким риском заболеваний печени.
Введение
Гепатоцеллюлярная карцинома (ГЦК) является ведущей причиной смертности от рака и обычно развивается у пациентов с хроническими заболеваниями печени, включая инфекции вирусами гепатита B, вирусом гепатита C, алкогольную болезнь печени и стеатотическую болезнь печени, связанную с метаболической дисфункцией1. Раннее обнаружение имеет важное клиническое значение, поскольку радикальное лечение наиболее эффективно, когда опухоли выявляются до развития сосудистой инвазии, экстрагепатического распространения или выраженного снижения функционального резерва печени. Современные стратегии скрининга обычно основаны на ультразвуковом исследовании печени с определением или без определения уровня сывороточного альфа-фетопротеина (АФП)2. Однако в рутинной практике на эффективность скрининга влияют зависимость от квалификации оператора, малый размер опухолей, наличие гетерогенных цирротических узлов, трудности визуализации при ожирении, а также наличие опухолей, вырабатывающих мало АФП или не вырабатывающих его вовсе3,4.
АФП остается широко используемым маркером, так как он недорог, доступен и знаком клиницистам. Его диагностическая ценность ограничена неполной чувствительностью и несовершенной специфичностью. При общепринятом пороге 20 ng/mL АФП может не выявить значительную часть случаев ГЦК на ранних стадиях или АФП-отрицательного ГЦК. Более низкие пороги могут повысить чувствительность, но увеличивают количество ложноположительных результатов у пациентов с активным гепатитом, циррозом или другими воспалительными заболеваниями печени5,6. Эти ограничения делают интерпретацию одного маркера недостаточной для диагностического отбора в группах пациентов с высоким риском заболеваний печени.
Аномальный протромбин, также известный как белок, индуцируемый отсутствием витамина K-II (PIVKA-II) или дес-γ-карбоксипротромбин, высвобождается, когда злокачественные гепатоциты вырабатывают не полностью карбоксилированный протромбин. PIVKA-II отражает биологию опухоли, связанную со свертыванием крови, а не секрецию AFP, и может оставаться информативным при низком уровне AFP7. Предыдущие исследования и метаанализы показали, что PIVKA-II улучшает диагностику ГЦК, особенно в сочетании с AFP, и может представлять дополнительную ценность при заболеваниях на ранней стадии или при AFP-отрицательном статусе8,9. Однако стратегии, основанные только на маркерах, не учитывают в полной мере особенности организма хозяина, функциональный резерв печени, количество тромбоцитов, статус свертываемости крови или основные заболевания печени.
Комбинированные диагностические модели предлагают практический способ интерпретации результатов анализа на опухолевые маркеры с учетом клинического контекста. Модели GALAD, GAAD и родственные им модели показали, что демографические переменные и биомаркеры могут быть объединены для повышения эффективности выявления ГЦК при различных этиологиях и в разных популяциях10,11. Их эффективность подтверждает целесообразность использования многофакторной оценки риска вместо изолированных пороговых значений биомаркеров. В то же время некоторые модели включают анализы, доступные не во всех лабораториях, а значения отсечки могут варьироваться в зависимости от региона, этиологического профиля, стадии заболевания и предполагаемого клинического применения12. Модель, построенная на основе широко доступных биомаркеров и стандартных лабораторных показателей, может быть проще внедрить в обычный диагностический процесс. В отличие от ранее опубликованных моделей, которые могут опираться на специализированные биомаркеры или стратегии отсечки, специфичные для конкретной популяции, в настоящем исследовании оценивалась многофакторная диагностическая модель, основанная на широко доступных биомаркерах и рутинных клинических переменных, и была подтверждена ее эффективность в независимой проспективной когорте.
PIVKA-II подходит для данной структуры, поскольку дополняет AFP и может измеряться на автоматизированных иммуноаналитических платформах, которые уже используются в клинических лабораториях. Рутинные переменные, такие как возраст, пол, уровень альбумина, билирубина, количество тромбоцитов, международное нормализованное отношение и анамнез заболеваний печени, доступны при том же клиническом визите и могут содержать информацию о функциональном резерве печени или свертываемости крови, имеющую значение для риска развития ГЦК13. Сочетание этих переменных с AFP и PIVKA-II может улучшить дискриминационную способность анализа, позволяя избежать зависимости от одного порогового значения.
Таким образом, уровни PIVKA-II, AFP и стандартные клинические показатели были оценены с использованием диагностического дизайна с двумя когортами. Многофакторная модель логистической регрессии была разработана на ретроспективной обучающей когорте и протестирована на независимой проспективной валидационной когорте без повторной подгонки параметров. Диагностическая эффективность сравнивалась с показателями AFP, PIVKA-II и клиническими переменными по отдельности, с заранее определенным вниманием к ГЦК на ранних стадиях, AFP-отрицательному ГЦК, интерпретации пороговых значений, калибровке и внутренней валидации методом бутстрэпа.
Протокол
Данное исследование было рассмотрено и одобрено комитетом по этике при аффилированной первой народной больнице Ханчжоу медицинской школы Университета Уэстлэйк. Номер разрешения — IIT-20230528-0108-01. До забора крови от участников, включенных в исследование проспективно, было получено письменное информированное согласие. Для клинических записей, включенных ретроспективно, и архивных остаточных образцов, собранных в ходе стандартного медицинского обслуживания, комитет по этике освободил исследователей от необходимости получения информированного согласия, так как использовались обезличенные данные и никаких дополнительных вмешательств не проводилось.
Воспроизводимость, контроль систематических ошибок и целостность данных
Критерии соответствия, временные точки забора крови, правила экспертной оценки визуализационных данных, определения подгрупп, потенциальные предикторы, определения пороговых значений, правила обработки пропущенных данных и процедуры валидации были заранее определены до проведения статистического анализа. Образцы крови собирали до подтверждения результатов визуализации с контрастным усилением и до начала любого противоопухолевого лечения. Лабораторные исследования проводились с использованием анонимизированных идентификаторов исследования, а образцы из обучающей и валидационной когорт тестировались в рандомизированном порядке. Лабораторный персонал не был осведомлен о окончательном диагнозе, принадлежности к когорте, стадии по классификации Barcelona Clinic Liver Cancer (BCLC) и статусе AFP-отрицательного анализа. Диагностика по данным визуализации и стадирование проводились независимо от лабораторных исследований. Ввод данных, преобразование единиц измерения, распределение по когортам, кодирование исключений, кодирование пропущенных значений и статистические наборы данных проверялись двумя исследователями перед подбором модели. Обучающая и валидационная когорты оставались разделенными на всех этапах отбора переменных, подбора модели, вывода пороговых значений и валидации.
Популяция и дизайн исследования
В данном диагностическом исследовании с двумя когортами была разработана и валидирована многофакторная модель для выявления ГЦК с использованием показателей аномального протромбина/белка, индуцированного PIVKA-II, АФП и стандартных клинических переменных. Ретроспективно сформированная обучающая когорта включала участников, обследованных в период с 1 января 2021 г. по 31 декабря 2023 г. Эта когорта использовалась для скрининга переменных, подбора модели, определения пороговых значений и внутренней валидации методом бутстрепа. Проспективно набранная валидационная когорта включала участников, обследованных с 1 января 2024 г. по 31 декабря 2025 г. Эта когорта использовалась только для тестирования на независимой выборке. В валидационной когорте не проводилось повторного отбора переменных, переподбора модели, обновления коэффициентов, повторной оптимизации пороговых значений или перекалибровки на основе подгрупп. Поток участников, распределение по когортам, забор крови, обработка плазмы, тестирование биомаркеров, экспертная оценка снимков и статистический рабочий процесс показаны на рисунке 1.
Участники были набраны из группы наблюдения или диагностики заболеваний печени с высоким риском в Первой народной больнице города Ханчжоу, при медицинском факультете Университета Уэстлейк. Статус высокого риска определялся как хроническая инфекция гепатита B, хроническая инфекция гепатита C, цирроз любой этиологии или жировая болезнь печени с подтвержденным фиброзом на основании клинической оценки, лабораторных данных или результатов предшествующей визуализации. Критериями включения были взрослые пациенты в возрасте ≥18 лет, которые прошли забор крови перед визуализацией, а также мультифазную компьютерную томографию (КТ) с контрастным усилением и/или динамическую магнитно-резонансную томографию (МРТ) с контрастным усилением в течение 14 дней после забора крови. Критериями исключения были: предшествующее лечение ГЦК, включая резекцию, абляцию, трансартериальную или системную терапию; введение витамина K в течение 7 дней до забора проб; терапия антагонистами витамина K или другими антикоагулянтными препаратами, которые могли повлиять на интерпретацию коагуляции; острый холангит или обструкция желчных путей на момент забора проб; беременность; отсутствие данных по AFP, PIVKA-II или окончательного диагноза по результатам визуализации; а также неприемлемое качество образцов при отсутствии возможности повторного забора.
Итоговая исследуемая популяция включала 389 участников. Обучающая когорта состояла из 205 участников, включая 112 случаев ГЦК, подтвержденных методами визуализации, и 93 контроля без ГЦК. Валидационная когорта включала 184 участников, включая 58 случаев ГЦК, подтвержденных методами визуализации, и 126 контролей без ГЦК. В обучающей когорте 93 контроля без ГЦК включали 30 здоровых добровольцев и 63 пациента с хроническими заболеваниями печени. В валидационной когорте 126 контролей без ГЦК включали 0 здоровых добровольцев и 126 пациентов с хроническими заболеваниями печени.
Симптоматический статус не определялся только на основании истории заболевания гепатитом или компенсированного цирроза. Участник классифицировался как симптоматический только в том случае, если в записи перед проведением визуализации были задокументированы новые или усиливающиеся боли в правом верхнем квадранте живота, необъяснимая потеря веса, вздутие живота, желтуха, темная моча или клинически подтвержденная декомпенсация, не объясненная другой установленной причиной. Участники без этих признаков классифицировались как бессимптомные или выявленные в ходе скрининга.
Диагностическое заключение и стадирование
Окончательный статус ГЦК определяли с помощью мультифазной КТ с контрастным усилением и/или динамической МРТ с контрастным усилением, выполненных в рамках стандартного медицинского обслуживания. Визуализация должна была включать как минимум артериальную и портальную венозную фазы; данные отсроченной фазы учитывались при их наличии. Очаговое образование классифицировалось как ГЦК, если при визуализации печени в группе риска наблюдалось гиперусиление в артериальную фазу с последующим «вымыванием» контраста в портальную венозную и/или отсроченную фазы, с наличием или отсутствием контрастируемой капсулы. Участники, у которых отсутствовали признаки ГЦК по данным визуализации и не было других злокачественных диагнозов, классифицировались как группа без ГЦК.
Информация о визуализации была извлечена с помощью заранее определенной формы, в которой фиксировались метод визуализации, полученные фазы, гиперусиление в артериальную фазу, вымывание контраста, вид капсулы, количество очагов, максимальный диаметр очага, макрососудистая инвазия и внепеченочное распространение. Два обученных специалиста независимо извлекали характеристики визуализации из окончательных радиологических отчетов. Расхождения разрешались путем консенсуса с использованием тех же предопределенных критериев. Если были доступны и КТ, и МРТ, использовался метод с наиболее полным многофазным описанием. Если оба метода были представлены в полном объеме, использовался тот метод, который был задокументирован как основание для окончательного клинического решения.
Стадия по системе BCLC была определена после окончательного подтверждения статуса ГЦК. ГЦК на ранней стадии определялась как стадия BCLC 0–A. ГЦК с отрицательным уровнем АФП определялась как АФП <20 ng/mL при заборе крови перед визуализацией. Эти метки подгрупп использовались для оценки эффективности в подгруппах, а не для обучения модели или определения соответствия участников критериям включения.
Сбор образцов и обработка плазмы
Периферическую венозную кровь собирали утром после ночного голодания продолжительностью не менее 8 h, до подтверждения диагноза с помощью КТ/МРТ с контрастным усилением и до начала противоопухолевой терапии. Всего 10 mL венозной крови собирали в пробирки с антикоагулянтом K2-EDTA. Сразу после сбора пробирки перемешивали путем переворачивания 8–10 раз и транспортировали в лабораторию при 4 °C. Интервал от венепункции до центрифугирования составлял не более 2 h и фиксировался в журнале образцов.
Плазму отделяли путем центрифугирования при 1,600 × g в течение 10 мин при 4 °C с использованием центрифуги с охлаждением. Супернатант плазмы переносили в микроцентрифужные пробирки объемом 1.5 mL, не содержащие нуклеаз, и разделяли на порции по 0.5–1.0 mL. Аликвоты хранили при -80 °C до проведения анализа. Перед измерением уровня биомаркеров одну аликвоту однократно размораживали при комнатной температуре, 20–25 °C, в течение 20–30 мин, осторожно перемешивали путем переворачивания и тестировали в течение 2 ч после полного размораживания. Образцы с видимым свертыванием, выраженным или умеренным гемолизом или выраженной липемией отбраковывали в соответствии с заранее определенными критериями приемлемости лаборатории. Для когорты проспективной валидации, когда это было клинически возможно, проводили повторный забор крови перед подтверждением данными визуализации.
Измерение уровней AFP и PIVKA-II
Уровни AFP и PIVKA-II измеряли с помощью электрохемилюминесцентного иммуноанализа на автоматическом иммуноанализаторе. AFP регистрировали в ng/mL, а PIVKA-II в mAU/mL. Результаты экспортировали непосредственно из лабораторной информационной системы.
Каждая аналитическая серия включала специфические для данного анализа калибраторы и как минимум два уровня внутреннего контроля качества. Для приемки серии требовалось, чтобы все результаты контроля качества находились в пределах заранее определенного лабораторного контрольного диапазона. Целевые показатели аналитической прецизионности составляли: коэффициент вариации внутри серии ≤10% и коэффициент вариации между сериями ≤15% как для AFP, так и для PIVKA-II. В случае неудовлетворительного контроля качества или обнаружения дрейфа серии, серия отклонялась, анализатор проходил повторную калибровку, и серия повторялась при наличии достаточного объема образца. При получении неправдоподобного или выходящего за пределы диапазона результата для отдельного образца, по возможности выполнялись два повторных измерения из той же размороженной аликвоты, и использовалось среднее значение двух принятых повторов. Если повторное тестирование не дало результата или объем образца был недостаточен, результат помечался как недостоверный и обрабатывался в соответствии с правилом обработки пропущенных данных.
Рутинное извлечение клинических переменных
Стандартные клинические показатели были извлечены из данных того же клинического визита, во время которого проводился забор крови на AFP/PIVKA-II перед визуализацией. В число рассматриваемых переменных вошли возраст, пол, аланинаминотрансфераза, аспартатаминотрансфераза, альбумин, общий билирубин, международное нормализованное отношение (INR), протромбиновое время и количество тромбоцитов. При наличии нескольких значений в окне перед визуализацией выбиралось значение, ближайшее по времени к моменту забора крови на AFP/PIVKA-II. Перед анализом единицы измерения были стандартизированы. Возраст регистрировался в годах; пол кодировался как женский = 0 и мужской = 1; количество тромбоцитов — в ×10⁹/L; альбумин — в g/L; общий билирубин — в μmol/L; AFP — в ng/mL; PIVKA-II — в mAU/mL.
После извлечения данных были проведены проверки диапазонов, единиц измерения и поиск неправдоподобных значений. Отмеченные значения сверялись с исходными записями. Значение исключалось только в том случае, если в исходной записи подтверждалась проблема с качеством образца, ошибка преобразования единиц или отклонение при обработке. Верифицированные экстремальные значения были сохранены. Словарь переменных определял структуру набора данных, названия переменных, единицы измерения, правила кодирования, правила преобразования и коды отсутствующих значений.
Определение предикторов и выбор переменных
Потенциальные предикторы были определены до разработки модели. Основными биомаркерами были AFP и PIVKA-II. В число стандартных клинических предикторов вошли возраст, пол, аланинаминотрансфераза, аспартатаминотрансфераза, альбумин, общий билирубин, МНО или протромбиновое время, а также количество тромбоцитов. Для AFP и PIVKA-II было выполнено натуральное логарифмическое преобразование. Значения ниже предела отчетности анализа перед преобразованием были заменены на половину нижней границы предела отчетности.
Для одномерного сравнения участников с ГЦК и без ГЦК в обучающей когорте использовались t-критерии для независимых выборок для переменных с приблизительно нормальным распределением, U-критерии Манна-Уитни для непрерывных переменных с асимметричным распределением, а также критерии χ2 или точный критерий Фишера для категориальных переменных. Переменные со значением P < 0.10 при одномерном скрининге рассматривались для включения в многофакторное моделирование. Мультиколлинеарность оценивали с помощью фактора инфляции дисперсии (VIF); значение VIF > 5 считалось признаком значимой коллинеарности. В случае сильной коллинеарности двух переменных сохранялась та, которая имела более четкую клиническую интерпретируемость и обеспечивала лучшую приростную эффективность модели.
Окончательная модель многофакторной логистической регрессии была разработана только для обучающей когорты. В модель были принудительно включены ln(AFP) и ln(PIVKA-II). Дополнительные предикторы отбирались методом обратного исключения на основе информационного критерия Акаике. После обратного отбора в модель вошли следующие переменные: ln(AFP), ln(PIVKA-II), возраст, пол, уровень альбумина, МНО и количество тромбоцитов.
Разработка модели и расчет показателя риска
Диагностическая модель была построена с использованием многофакторной логистической регрессии, где бинарным исходом являлся статус ГЦК. Прогнозируемая вероятность ГЦК рассчитывалась на основе линейного предиктора η по следующему уравнению:
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
Концентрацию AFP измеряли в ng/mL, PIVKA-II в mAU/mL, возраст в годах, пол кодировали как женщина = 0 и мужчина = 1, уровень альбумина измеряли в g/L, INR был безразмерным, а количество тромбоцитов измеряли в ×109/L. Для AFP и PIVKA-II использовались натуральные логарифмы. На основании тех же подогнанных коэффициентов была построена номограмма. Для анализа рабочих характеристик приемника (ROC-анализа), анализа калибровки, анализа кривой принятия решений и валидации использовалась прогнозируемая вероятность, а не балльная шкала номограммы.
Определения пороговых значений и обработка пределов
Пороговые значения PIVKA-II были обозначены в соответствии с аналитической целью. Установленный клинический порог для PIVKA-II составил 40.0 mAU/mL. Порог по индексу Юдена для PIVKA-II в обучающей когорте составил 45.0 mAU/mL. Порог с фиксированной специфичностью был получен путем выбора значения, наиболее близкого к 90% специфичности в обучающей когорте; для PIVKA-II это значение составило 38.0 mAU/mL. Видимый порог только для валидации, равный 37.5 mAU/mL, рассматривался как исследовательский и не использовался в качестве основного порога валидации.
Для комбинированной модели основной бинарный порог был получен на основе обучающей когорты с использованием индекса Юдена и применен без изменений к валидационной когорте. Для определения подгруппы AFP-отрицательных пациентов и сравнения со стандартной клинической практикой использовался установленный клинический порог AFP, составляющий 20.0 ng/mL. Оптимизированные пороги AFP, использованные при ROC-анализе, обозначались отдельно от клинического порога. Таким образом, значения порогов указывались в зависимости от аналитической цели, а не рассматривались как взаимозаменяемые показатели.
Производительность, калибровка и валидация модели
Дискриминационную способность оценивали с помощью кривых рабочих характеристик приемника (ROC-кривых) и площади под кривой (AUC). Значения AUC приводились с 95% доверительными интервалами. Для сравнения AUC использовали тест Делонга. Эффективность классификации оценивали по чувствительности, специфичности, прогностической значимости положительного результата, прогностической значимости отрицательного результата и точности при заранее заданных значениях отсечки.
Калибровку оценивали по точке пересечения калибровочной кривой, наклону калибровочной кривой, показателю Брайера и критерию согласия Хосмера–Лемешоу. На графиках калибровки сравнивали прогнозируемую и наблюдаемую вероятности ГЦК в различных группах риска. Внутренняя валидация проводилась с использованием 1 000 бутстрэп-ресэмплов в обучающей когорте для оценки скорректированного на оптимизм AUC и скорректированного на оптимизм наклона калибровочной кривой. Валидационная когорта использовалась только для внешней оценки эффективности. В валидационной когорте не проводилось обновление коэффициентов, переподгонка модели, повторная оптимизация порога или рекалибровка на основе подгрупп.
Клиническая значимость была оценена с помощью анализа кривых принятия решений при пороговых вероятностях от 0.05 до 0.50. Сравнение чистой выгоды проводилось для AFP отдельно, PIVKA-II отдельно, модели на основе клинических переменных и комбинированной модели.
Обработка пропущенных данных и анализ чувствительности
Для основного анализа использовалось моделирование на основе полных случаев для участников, по которым были сохранены все переменные в окончательной модели. Для каждого потенциального предиктора был проведен обобщающий анализ пропущенных значений. Если доля пропусков для любого сохраненного предиктора превышала 5%, в качестве анализа чувствительности выполнялась многократная импутация методом итерационных уравнений (MICE), при этом в модель импутации включались исходный показатель, все сохраненные предикторы и индикатор когорты. Переменные, доля пропусков в которых превышала 20%, не допускались к многофакторному моделированию. Коэффициенты модели, AUC, калибровочный наклон и показатели классификации, полученные в результате анализа с импутацией, сравнивались с результатами анализа на основе полных случаев.
Программное обеспечение и воспроизводимая отчетность
Все анализы были выполнены с использованием R версии 4.3.2 и RStudio версии 2023.12.1. Логистическая регрессия была проведена с помощью базового пакета stats. ROC-анализ и сравнения по методу DeLong были выполнены с использованием pROC версии 1.18.5. Анализ калибровки проводился с использованием rms версии 6.7-1 и ResourceSelection версии 0.3-6. Для бутстреп-валидации использовалось 1 000 повторных выборок с фиксированным случайным числом (seed) 70558. Анализ кривых принятия решений был выполнен с помощью rmda версии 1.6. Множественная импутация, если она требовалась, выполнялась с помощью mice версии 3.16.0. Скрипт анализа воспроизводил схему потока участников, коэффициенты моделей, ROC-кривые, показатели калибровки, бутстреп-валидацию, анализ кривых принятия решений, анализы на основе пороговых значений и статистические таблицы.
Результаты
Исходные характеристики
В окончательный анализ было включено 389 участников. Обучающая когорта состояла из 205 участников, включая 112 случаев ГЦК, подтвержденных методами визуализации, и 93 контроля без ГЦК. Валидационная когорта включала 184 участника, в том числе 58 случаев ГЦК, подтвержденных методами визуализации, и 126 контролей без ГЦК. Исходные характеристики обобщены в Таблице 1.
В обучающей когорте 93 контрольных образца без ГЦК включали 30 здоровых добровольцев и 63 пациента с хроническими заболеваниями печени. В валидационной когорте 126 контрольных образцов без ГЦК включали 0 здоровых добровольцев и 126 пациентов с хроническими заболеваниями печени. Преобладающим фоновым заболеванием печени была инфекция вируса гепатита B. Заболевания стадии BCLC 0–A составили 57 из 112 случаев ГЦК в обучающей когорте и 30 из 58 случаев ГЦК в валидационной когорте. Возраст, пол, анамнез заболеваний печени, семейный анамнез ГЦК, наличие цирроза, класс по Child-Pugh, уровни аланинаминотрансферазы, аспартатаминотрансферазы, альбумина, общего билирубина, количество тромбоцитов, протромбиновое время, международное нормализованное отношение, сахарный диабет и гипертензия были сбалансированы между стратами когорт, представленными в Таблице 1.
Медиана AFP составила 57,3 ng/mL в обучающей группе случаев ГЦК и 22,4 ng/mL в обучающей группе не-ГЦК контролей. Медиана PIVKA-II составила 197,6 mAU/mL и 86,3 mAU/mL соответственно. В валидационной когорте медиана AFP составила 60,2 ng/mL в случаях ГЦК и 21,5 ng/mL в не-ГЦК контролях. Медиана PIVKA-II составила 191,5 mAU/mL и 84,1 mAU/mL соответственно.
Диагностическая эффективность в обучающей когорте
Дискриминационная способность в обучающей когорте представлена на Рисунке 2(A), а соответствующее сравнение чувствительности и специфичности приведено на Рисунке 2(B). Операционные характеристики обобщены в Таблице 2. AFP имел AUC 0.78, чувствительность 62.50% и специфичность 78.49% при установленном клиническом пороговом значении 20.0 ng/mL. PIVKA-II имел AUC 0.85, чувствительность 78.57% и специфичность 82.80% при пороговом значении индекса Юдена для обучающей когорты 45.0 mAU/mL. Модель на основе клинических переменных имела AUC 0.81, чувствительность 69.64% и специфичность 80.65% при пороге прогнозируемой вероятности 0.40. Комбинированная модель продемонстрировала наивысшую дискриминационную способность в обучающей когорте с AUC 0.93, чувствительностью 88.39% и специфичностью 89.25% при пороге прогнозируемой вероятности 0.50.
Показатели эффективности в зависимости от стадии
Распределения биомаркеров по стадиям показаны на Рисунке 3(A), частота обнаружения — на Рисунке 3(B), а значения AUC для каждой стадии — на Рисунке 3(C). Уровни AFP, PIVKA-II и показатель комбинированной модели повышались при переходе от стадий BCLC 0–A, B к C. Для AFP наблюдалось перекрытие значений между ранними стадиями ГЦК и контрольной группой без ГЦК. PIVKA-II продемонстрировал более выраженное различие между стратами стадий. Комбинированная модель обеспечила наилучшую дискриминацию по стадиям, в том числе для ГЦК на стадиях BCLC 0–A.
Взаимное дополнение AFP и PIVKA-II
Корреляции показателей маркеров представлены на Рисунке 4(A)-(C), а перекрестная классификация маркеров показана на Рисунке 4(D). AFP и PIVKA-II продемонстрировали частичное отсутствие перекрытия. Наблюдались как AFP-положительные/PIVKA-II-отрицательные, так и AFP-отрицательные/PIVKA-II-положительные случаи ГЦК. Комбинированная модель классифицировала дополнительные случаи ГЦК с отрицательным результатом по одному маркеру как группу высокого риска, что подтверждает целесообразность использования интегрального показателя вместо каждого биомаркера по отдельности.
Внешняя валидация
ROC-кривые для валидационной когорты представлены на Рисунке 5(A), калибровка показана на Рисунке 5(B), а паттерны чувствительности и специфичности для подгрупп представлены на Рисунке 5(C). Соответствующие показатели валидации обобщены в Таблице 3. Во всех валидационных случаях ГЦК AFP имел AUC 0,75, чувствительность 62,1% и специфичность 88,9% при значении 18,5 ng/mL. PIVKA-II имел AUC 0,78, чувствительность 72,4% и специфичность 91,3% при значении 38,0 mAU/mL. Комбинированная модель имела AUC 0,89, чувствительность 84,5%, специфичность 90,5%, прогностическую значимость положительного результата 78,8% и прогностическую значимость отрицательного результата 94,1% при пороге прогнозируемой вероятности 0,56.
При ГЦК на ранней стадии чувствительность AFP составила 45,5%, а специфичность — 88,9%; чувствительность PIVKA-II составила 59,1%, а специфичность — 91,3%; чувствительность комбинированной модели составила 72,7%, а специфичность — 90,5%. При AFP-отрицательной ГЦК чувствительность AFP составила 23,1%, чувствительность PIVKA-II — 61,5%, а чувствительность комбинированной модели — 73,1%. При вирусной ГЦК комбинированная модель имела чувствительность 85,3% и специфичность 91,3%. При невирусной ГЦК комбинированная модель имела чувствительность 83,3% и специфичность 89,7%. Интерцепт калибровки когорты валидации составил -0,08, наклон калибровки — 0,91, показатель Брайера — 0,118, а значение P теста Хосмера–Лемешоу составило 0,64.
Многофакторный регрессионный анализ и внутренняя валидация
Результаты многофакторного регрессионного анализа представлены в Таблице 4. В скорректированной модели логарифмированный PIVKA-II остался наиболее сильным независимым предиктором с соответствующим скорректированным отношением шансов 2,05 (95% ДИ: 1,48–2,89; P < 0,001). Логарифмированный AFP также был независимо связан с ГЦК, при этом скорректированное отношение шансов составило 1,28 (95% ДИ: 1,05–1,62; P = 0,021). Международное нормализованное отношение (МНО) сохранило независимую прогностическую ценность со скорректированным отношением шансов 1,74 (95% ДИ: 1,12–2,78; P = 0,015). В итоговой модели с обратным отбором были сохранены ln(AFP), ln(PIVKA-II), возраст, пол, уровень альбумина, международное нормализованное отношение и количество тромбоцитов.
Метрики внутренней валидации методом бутстрэпа также представлены в Таблице 4. Видимая AUC на обучающей выборке составила 0.93, средний оптимизм — 0.018, а скорректированная с учетом оптимизма AUC — 0.91. Видимый наклон калибровки составил 1.00, скорректированный с учетом оптимизма наклон калибровки — 0.94, показатель Брайера для обучающей когорты — 0.104, а значение P теста Хосмера–Лемешоу составило 0.72.
Аудит порогового значения и эффективность при конкретном пороге
Поскольку пороговые значения PIVKA-II различались в зависимости от аналитической цели, результаты, основанные на пороговых значениях, представлялись отдельно, а не рассматривались как взаимозаменяемые. Показатели эффективности пороговых значений, оптимизированных по индексу Юдена post hoc, представлены в Таблице 5. Для AFP оптимизированное по Юдену пороговое значение составило 19.0 ng/mL при чувствительности 67.9%, специфичности 89.1%, прогностической ценности положительного результата 71.3%, прогностической ценности отрицательного результата 87.3%, точности 81.2% и AUC 0.78. Для PIVKA-II оптимизированное по Юдену пороговое значение составило 37.5 mAU/mL при чувствительности 75.4%, специфичности 92.0%, прогностической ценности положительного результата 79.8%, прогностической ценности отрицательного результата 89.7%, точности 85.9% и AUC 0.82. Комбинированная модель имела оптимизированное по Юдену пороговое значение прогнозируемой вероятности 0.57 при чувствительности 86.2%, специфичности 90.6%, прогностической ценности положительного результата 82.7%, прогностической ценности отрицательного результата 92.4%, точности 89.8% и AUC 0.90.
Показатели эффективности с использованием установленных клинических пороговых значений представлены в Таблице 6. При установленном пороговом значении АФП 20.0 ng/mL чувствительность АФП составила 65.2%, специфичность — 88.5%, прогностическая значимость положительного результата — 70.1%, прогностическая значимость отрицательного результата — 86.0%, точность — 80.3%, а AUC — 0.77. При установленном пороговом значении PIVKA-II 40.0 mAU/mL чувствительность PIVKA-II составила 73.0%, специфичность — 93.1%, прогностическая значимость положительного результата — 81.8%, прогностическая значимость отрицательного результата — 89.0%, точность — 85.6%, а AUC — 0.82. При пороге прогнозируемой вероятности 0.60 комбинированная модель показала чувствительность 83.5%, специфичность 92.0%, прогностическую значимость положительного результата 84.7%, прогностическую значимость отрицательного результата 91.2%, точность 88.9% и AUC 0.89.
Показатели эффективности при значении отсечки, ближайшем к 90% специфичности, представлены в Таблице 7. Для AFP использовалось значение отсечки 19.0 ng/mL с чувствительностью 67.9% и специфичностью 89.1%. Для PIVKA-II использовалось значение отсечки 37.5 mAU/mL с чувствительностью 75.4% и специфичностью 92.0%. В комбинированной модели использовалось значение отсечки прогнозируемой вероятности 0.57 с чувствительностью 86.2% и специфичностью 90.6%. Результаты данного аудита значений отсечки объясняют численные различия между порогами PIVKA-II 37.5, 38.0, 40.0 и 45.0 mAU/mL: 45.0 mAU/mL было значением отсечки по индексу Юдена для обучающей когорты, использованным при основном сравнительном обучении; 38.0 mAU/mL использовалось для отчетности по валидации с фиксированной специфичностью; 40.0 mAU/mL было установленным клиническим значением отсечки; а 37.5 mAU/mL было оптимизированным по индексу Юдена значением отсечки, полученным post hoc в таблице аудита отсечек.
Распределение по подгруппам заболеваний
Распределения AFP, PIVKA-II и показателя комбинированной модели по подгруппам заболеваний представлены на Рисунке 6(A)-(C). Значения AFP, PIVKA-II и показателя комбинированной модели были минимальными в контрольной группе с хроническими заболеваниями печени и более высокими в группах с ГЦК. Для AFP наблюдалось перекрытие значений между контрольной группой с хроническими заболеваниями печени и ГЦК на ранней стадии. PIVKA-II и показатель комбинированной модели продемонстрировали более четкое разграничение между контрольной группой с хроническими заболеваниями печени, ГЦК на ранней стадии и ГЦК на всех стадиях.
ДОСТУПНОСТЬ ДАННЫХ:
Набор данных, подтверждающий результаты этого исследования, находится в открытом доступе в Figshare по адресу https://doi.org/10.6084/m9.figshare.33048095.v1.
Рисунок 1: Поток участников, распределение по когортам, обработка образцов и диагностическая оценка. Блок-схема, демонстрирующая скрининг участников, распределение по когортам, забор крови перед визуализацией, обработку плазмы, измерение AFP/PIVKA-II, оценку с помощью КТ/МРТ с контрастным усилением и окончательную диагностику ГЦК на основе визуализации в обучающей и валидационной когортах. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.
Рисунок 2: Диагностическая эффективность AFP, PIVKA-II, модели клинических переменных и комбинированной модели в обучающей когорте. (A) ROC-кривые, сравнивающие AFP, PIVKA-II, модель клинических переменных и многофакторную комбинированную модель в обучающей когорте. (B) Чувствительность и специфичность каждого диагностического метода при указанном пороге для обучающей когорты. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.
Соответствующие рабочие характеристики приведены в Таблице 2.
Рисунок 3: Диагностическая эффективность в зависимости от стадий BCLC. (A) Распределение значений AFP, PIVKA-II и баллов комбинированной модели в контрольной группе без ГЦК и в группах по стадиям BCLC. (B) Показатели выявления AFP, PIVKA-II и комбинированной модели по стадиям BCLC. (C) Специфические для каждой стадии значения AUC для AFP, PIVKA-II и комбинированной модели, включая ГЦК стадий BCLC 0–A. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.
Рисунок 4: Корреляция и взаимодополняемость между AFP, PIVKA-II и баллом комбинированной модели. (A) Корреляция между AFP и баллом комбинированной модели. (B) Корреляция между PIVKA-II и баллом комбинированной модели. (C) Корреляция между AFP и PIVKA-II. (D) Перекрестная классификация случаев ГЦК по статусу AFP, статусу PIVKA-II и классификации риска по комбинированной модели. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.
Рисунок 5: Внешняя валидация диагностической эффективности в независимой валидационной когорте. (A) ROC-кривые (receiver operating characteristic) для AFP, PIVKA-II и комбинированной модели в валидационной когорте. (B) График калибровки комбинированной модели в валидационной когорте. (C) Сравнительная чувствительность и специфичность AFP, PIVKA-II и комбинированной модели для всех случаев HCC, HCC на ранней стадии и AFP-отрицательного HCC. Соответствующие показатели валидации приведены в Таблице 3. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.
Рисунок 6: Распределение AFP, PIVKA-II и баллов комбинированной модели по подгруппам заболеваний. (A) Распределение AFP среди контрольной группы с хроническими заболеваниями печени, ГЦК BCLC 0–A и ГЦК всех стадий. (B) Распределение PIVKA-II среди контрольной группы с хроническими заболеваниями печени, ГЦК BCLC 0–A и ГЦК всех стадий. (C) Распределение баллов комбинированной модели среди контрольной группы с хроническими заболеваниями печени, ГЦК BCLC 0-A и ГЦК всех стадий. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.
| Фактор | Категория / Резюме | Обучение ГЦК n = 112 | Обучение контрольной группы без ГЦК n = 93 | Валидация ГЦК n = 58 | Валидация контрольных образцов без ГКР n = 126 | P значение |
| Пол, n (%) | Самец | 76 (67.9%) | 59 (63.4%) | 39 (67.2%) | 76 (60.3%) | 0.374 |
| Самка | 36 (32.1%) | 34 (36.6%) | 19 (32.8%) | 50 (39.7%) | — | |
| Возраст, лет | Среднее ± SD | 58.9 ± 9.3 | 58.1 ± 10.4 | 59.4 ± 8.8 | 57.6 ± 9.7 | 0.281 |
| История заболеваний печени, n (%) | ВГВ | 84 (75.0%) | 64 (68.8%) | 42 (72.4%) | 83 (65.9%) | 0.332 |
| ВГС | 6 (5.4%) | 5 (5.4%) | 3 (5.2%) | 7 (5.6%) | 0.914 | |
| Алкогольная болезнь печени | 13 (11.6%) | 10 (10.8%) | 6 (10.3%) | 12 (9.5%) | 0.825 | |
| Семейный анамнез ГЦК, n (%) | Да | 9 (8.0%) | 7 (7.5%) | 4 (6.9%) | 8 (6.3%) | 0.887 |
| Цирроз печени, n (%) | Да | 80 (71.4%) | 61 (65.6%) | 42 (72.4%) | 88 (69.8%) | 0.468 |
| Стадия ГЦР (BCLC), n (%) | 0–A | 57 (50.9%) | — | 30 (51.7%) | — | — |
| B | 33 (29.5%) | — | 17 (29.3%) | — | — | |
| C | 22 (19.6%) | — | 11 (19.0%) | — | — | |
| Класс по шкале Чайлд-Пью, 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%) | — | |
| АЛТ, Ед/л | Среднее ± SD | 48.6 ± 22.1 | 47.1 ± 20.6 | 47.9 ± 22.4 | 45.2 ± 20.1 | 0.517 |
| АСТ, Ед/л | Среднее ± SD | 60.3 ± 28.5 | 58.0 ± 27.8 | 58.7 ± 29.4 | 56.2 ± 26.9 | 0.488 |
| Альбумин, г/л | Среднее ± СО | 39.0 ± 4.7 | 39.5 ± 4.6 | 38.7 ± 5.1 | 39.6 ± 4.5 | 0.554 |
| Общий билирубин, μmol/L | Среднее ± СО | 20.1 ± 11.3 | 18.6 ± 10.8 | 20.4 ± 11.6 | 18.1 ± 10.9 | 0.321 |
| Количество тромбоцитов, ×10⁹/л | Среднее ± СО | 137 ± 61 | 146 ± 59 | 134 ± 60 | 149 ± 57 | 0.437 |
| Протромбиновое время, с | Среднее ± SD | 13.7 ± 1.4 | 13.5 ± 1.3 | 13.8 ± 1.5 | 13.5 ± 1.2 | 0.411 |
| МНО (международное нормализованное отношение) | Среднее ± SD | 1.18 ± 0.12 | 1.16 ± 0.11 | 1.19 ± 0.13 | 1.15 ± 0.10 | 0.334 |
| АФП, нг/мл | Медиана (МР) | 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, мАЕ/мл | Медиана (МКИ) | 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 |
| Удлинение ПВ, n (%) | Да | 30 (26.8%) | 20 (21.5%) | 15 (25.9%) | 24 (19.0%) | 0.372 |
| Диабет, n (%) | Да | 19 (17.0%) | 14 (15.1%) | 10 (17.2%) | 19 (15.1%) | 0.764 |
| Гипертензия, n (%) | Да | 33 (29.5%) | 26 (28.0%) | 18 (31.0%) | 36 (28.6%) | 0.824 |
| Тип контроля среди контрольной группы без ГЦК, n (%) | Здоровые контроли | — | 30 (32.3%) | — | 0 (0.0%) | — |
| Контрольные образцы при хронических заболеваниях печени | — | 63 (67.7%) | — | 126 (100.0%) | — | |
| Примечание: HCC — гепатоцеллюлярная карцинома; BCLC — Барселонская система стадирования рака печени; ALT — аланинаминотрансфераза; AST — аспартатаминотрансфераза; INR — международное нормализованное отношение; AFP — альфа-фетопротеин; PIVKA-II — белок, индуцированный отсутствием витамина K-II; PT — протромбиновое время; IQR — межквартильный размах. Значения p указаны для сравнения исходных показателей между соответствующими стратами когорты/статуса, где это применимо. Стадия HCC была указана только для случаев HCC. Тип контроля был указан только для контрольных групп без HCC. | ||||||
Таблица 1: Исходные характеристики обучающей и валидационной когорт. Демографические характеристики, анамнез заболеваний печени, стадия ГЦР, класс по Чайлд-Пью, рутинные лабораторные показатели, AFP и PIVKA-II представлены по когортам и статусу ГЦР.
| Метод | Чувствительность (95% CI) | Специфичность (95% CI) | AUC (95% CI) | Пороговое значение |
| 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 |
| Модель клинических переменных | 69.64 (60.28–77.87) | 80.65 (71.13–88.04) | 0.81 (0.75–0.87) | Прогнозируемая вероятность = 0.40 |
| Комбинированная модель | 88.39 (81.35–93.36) | 89.25 (81.26–94.65) | 0.93 (0.89–0.96) | Прогнозируемая вероятность = 0.50 |
| Примечание: AFP оценивали при установленном клиническом пороговом значении 20.0 ng/mL. Пороговое значение PIVKA-II 45.0 mAU/mL соответствовало индексу Юдена для обучающей когорты, использованному при основном сравнительном анализе. Модель клинических переменных и комбинированная модель оценивались с использованием порогов прогнозируемой вероятности, полученных в обучающей когорте. | ||||
Таблица 2: Диагностическая эффективность в обучающей когорте. Представлены значения AUC, чувствительность, специфичность и установленные пороговые значения для AFP, PIVKA-II, модели клинических переменных и комбинированной многофакторной модели в обучающей когорте.
| Подгруппа | Показатель | AFP | PIVKA-II | Комбинированная модель |
| Все ГЦК | AUC | 0.75 | 0.78 | 0.89 |
| Все ГЦК | Основной порог валидации | 18.5 ng/mL | 38.0 mAU/mL | Прогнозируемая вероятность = 0.56 |
| Все ГЦК | Чувствительность, % (95% ДИ) | 62.1 (48.7–74.2) | 72.4 (59.1–83.5) | 84.5 (72.6–92.6) |
| Все ГЦК | Специфичность, % (95% ДИ) | 88.9 (82.0–93.4) | 91.3 (85.1–95.3) | 90.5 (84.2–94.8) |
| Все ГЦК | ППВ, % | 63.8 | 72.7 | 78.8 |
| Все ГЦК | ОПВ, % | 88.1 | 91 | 94.1 |
| ГЦК на ранней стадии | Порог исследовательской подгруппы | 15.2 ng/mL | 33.5 mAU/mL | Прогнозируемая вероятность = 0.51 |
| ГЦК на ранней стадии | Чувствительность, % (95% ДИ) | 45.5 (25.1–67.3) | 59.1 (38.5–77.7) | 72.7 (52.0–87.6) |
| ГЦК на ранней стадии | Специфичность, % | 88.9 | 91.3 | 90.5 |
| ГЦК на ранней стадии | ППВ, % | 40 | 54.5 | 66.7 |
| ГЦК на ранней стадии | ОПВ, % | 90.1 | 87.5 | 92.3 |
| AFP-отрицательная ГЦК | Порог исследовательской подгруппы | 7.5 ng/mL | 31.2 mAU/mL | Прогнозируемая вероятность = 0.48 |
| AFP-отрицательная ГЦК | Чувствительность, % (95% ДИ) | 23.1 (9.7–42.6) | 61.5 (40.6–79.8) | 73.1 (52.2–88.4) |
| AFP-отрицательная ГЦК | Специфичность, % | 88.9 | 91.3 | 90.5 |
| AFP-отрицательная ГЦК | ППВ, % | 22 | 52 | 64.5 |
| AFP-отрицательная ГЦК | ОПВ, % | 90.2 | 88.3 | 92.7 |
| Вирусная ГЦК | Порог исследовательской подгруппы | 19.3 ng/mL | 40.7 mAU/mL | Прогнозируемая вероятность = 0.59 |
| Вирусная ГЦК | Чувствительность, % (95% ДИ) | 64.7 (46.9–79.9) | 73.5 (56.4–86.4) | 85.3 (69.9–94.7) |
| Вирусная ГЦК | Специфичность, % | 88.1 | 90.5 | 91.3 |
| Вирусная ГЦК | ППВ, % | 67.3 | 73 | 81.3 |
| Вирусная ГЦК | ОПВ, % | 87.5 | 90.8 | 94.7 |
| Невирусная ГЦК | Порог исследовательской подгруппы | 20.1 ng/mL | 34.5 mAU/mL | Прогнозируемая вероятность = 0.53 |
| Невирусная ГЦК | Чувствительность, % (95% ДИ) | 58.3 (36.6–77.9) | 70.8 (48.9–87.4) | 83.3 (62.6–95.3) |
| Невирусная ГЦК | Специфичность, % | 89.2 | 92.1 | 89.7 |
| Невирусная ГЦК | ППВ, % | 59.2 | 69.7 | 75 |
| Невирусная ГЦК | ОПВ, % | 89 | 92 | 93.8 |
| Калибровка комбинированной модели | Пересечение | — | — | −0.08 |
| Калибровка комбинированной модели | Наклон | — | — | 0.91 |
| Калибровка комбинированной модели | Оценка Брайера | — | — | 0.118 |
| Калибровка комбинированной модели | P-значение теста Хосмера–Лемешоу | — | — | 0.64 |
| Примечание: строка «Все ГЦК» содержит данные основного анализа валидации. Строки «ГЦК на ранней стадии», «AFP-отрицательная ГЦК», «вирусная ГЦК» и «невирусная ГЦК» содержат данные о работе модели в исследовательских подгруппах. Пороги подгрупп указаны для описания фактических рабочих точек в каждой подгруппе и не использовались для переподгонки или рекалибровки модели. AFP-отрицательная ГЦК определялась как AFP <20.0 ng/mL. ППВ — прогностическая ценность положительного результата; ОПВ — прогностическая ценность отрицательного результата. | ||||
Таблица 3: Диагностическая эффективность в валидационной когорте и анализ подгрупп. Для AFP, PIVKA-II и комбинированной модели представлены AUC, установленные пороговые значения, чувствительность, специфичность, прогностическая значимость положительного результата и прогностическая значимость отрицательного результата для всех случаев HCC, HCC на ранней стадии, AFP-отрицательного HCC, вирусного HCC и невирусного HCC. Также приведены показатели калибровки для комбинированной модели.
| Фактор / метрика | Однофакторное значение P | Коэффициент β | Скорректированное ОШ / метрика валидации | 95% ДИ | P значение |
| Перехват | — | −4.862 | — | — | — |
| Возраст | 0.112 | 0.018 | 1.02 | 0.99–1.05 | 0.186 |
| Пол: мужской | 0.087 | 0.331 | 1.41 | 0.83–2.37 | 0.204 |
| АФП, с натуральным логарифмическим преобразованием | 0.004 | 0.247 | 1.28 | 1.05–1.62 | 0.021 |
| PIVKA-II, натурально-логарифмически преобразованный | <0.001 | 0.712 | 2.05 | 1.48–2.89 | <0.001 |
| Альбумин, г/л | 0.008 | −0.062 | 0.94 | 0.89–0.99 | 0.032 |
| МНО (международное нормализованное отношение) | 0.012 | 0.554 | 1.74 | 1.12–2.78 | 0.015 |
| Количество тромбоцитов, ×109/л | 0.052 | −0.004 | 0.99 | 0.98–1.00 | 0.044 |
| Видимая AUC на обучающей выборке | — | — | 0.93 | 0.89–0.96 | — |
| Средний уровень оптимизма | — | — | 0.018 | — | — |
| AUC с поправкой на оптимизм | — | — | 0.91 | 0.87–0.95 | — |
| Кажущийся наклон калибровочной кривой | — | — | 1 | — | — |
| Поправочный коэффициент наклона калибровочной кривой с учетом оптимизма | — | — | 0.94 | — | — |
| Обучающая оценка Брайера | — | — | 0.104 | — | — |
| Значение p критерия Хосмера–Лемешоу | — | — | 0.72 | — | — |
| Примечание: Итоговый линейный предиктор имел вид η = −4,862 + 0,247 × ln(AFP) + 0,712 × ln(PIVKA-II) + 0,018 × возраст + 0,331 × пол − 0,062 × альбумин + 0,554 × МНО − 0,004 × количество тромбоцитов. Прогнозируемая вероятность рассчитывалась по формуле p(HCC) = 1 / [1 + exp(−η)]. AFP измеряли в нг/мл; PIVKA-II — в мЕд/мл; возраст — в годах; пол кодировали как женщина = 0 и мужчина = 1; альбумин — в г/л; МНО — как безразмерную величину; количество тромбоцитов — в ×10⁹/л. | |||||
Таблица 4: Многофакторная логистическая регрессия и внутренняя бутстрэп-валидация. Представлены значения P при одномерном анализе, скорректированные коэффициенты модели, скорректированные отношения шансов, 95% доверительные интервалы и значения P при многофакторном анализе для переменных, оцененных в модели обучающей когорты. Приведены показатели бутстрэп-оптимизма, скорректированная по оптимизму площадь под ROC-кривой (AUC), скорректированный по оптимизму наклон калибровки, показатель Брайера и результаты теста Хосмера–Лемешоу.
Таблица 5: Диагностическая эффективность с использованием пороговых значений, оптимизированных по индексу Юдена. Представлены чувствительность, специфичность, прогностическая значимость положительного результата, прогностическая значимость отрицательного результата, точность и AUC для AFP, PIVKA-II и комбинированной модели с использованием пороговых значений по индексу Юдена.
| Метод | Установленный порог | Чувствительность, % (95% ДИ) | Специфичность, % (95% ДИ) | PPV, % (95% ДИ) | NPV, % (95% ДИ) | Точность, % (95% ДИ) | AUC (95% ДИ) |
| AFP | 20.0 ng/mL | 65.2 (57.0–72.7) | 88.5 (83.4–92.3) | 70.1 (61.8–77.4) | 86.0 (80.7–90.3) | 80.3 (75.0–84.8) | 0.77 (0.72–0.82) |
| PIVKA-II | 40.0 mAU/mL | 73.0 (65.2–79.8) | 93.1 (88.8–96.0) | 81.8 (74.2–87.7) | 89.0 (83.9–92.8) | 85.6 (80.9–89.5) | 0.82 (0.78–0.86) |
| Комбинированная модель | Предполагаемая вероятность = 0.60 | 83.5 (76.6–89.0) | 92.0 (87.4–95.3) | 84.7 (77.9–90.0) | 91.2 (86.3–94.6) | 88.9 (84.6–92.2) | 0.89 (0.86–0.93) |
| Примечание: Установленные клинические пороги составили 20.0 ng/mL для AFP и 40.0 mAU/mL для PIVKA-II. Показатели комбинированной модели приведены для соответствующего заранее определенного порога вероятности, использованного для данного сравнения с клиническими порогами. | |||||||
Таблица 6: Диагностическая эффективность при использовании установленных клинических пороговых значений. Представлены чувствительность, специфичность, прогностическая значимость положительного результата, прогностическая значимость отрицательного результата, точность и AUC при использовании установленного порогового значения AFP 20.0 ng/mL и установленного порогового значения PIVKA-II 40.0 mAU/mL. Для комбинированной модели указаны данные при соответствующем пороге вероятности, использованном для данного сравнения пороговых значений.
| Метод | Пороговое значение, ближайшее к 90% специфичности | Чувствительность, % (95% ДИ) | Специфичность, % (95% ДИ) | PPV, % (95% ДИ) | NPV, % (95% ДИ) |
| 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) |
| Комбинированная модель | Прогнозируемая вероятность = 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) |
| Примечание: Данные пороговые значения были выбраны для достижения специфичности, максимально близкой к 90% в ходе проверочного анализа порогов. Для PIVKA-II значение 37.5 mAU/mL является порогом индекса Юдена и порогом с почти 90%-й специфичностью в данной проверке; 38.0 mAU/mL — основной порог валидации, указанный в таблице 3; 40.0 mAU/mL — установленный клинический порог; 45.0 mAU/mL — порог индекса Юдена для обучающей когорты, использованный в таблице 2. | |||||
Таблица 7: Диагностическая эффективность при значении отсечки, наиболее близком к специфичности 90%. Представлены чувствительность, специфичность, прогностическая значимость положительного результата и прогностическая значимость отрицательного результата для AFP, PIVKA-II и комбинированной модели при порогах, выбранных для достижения специфичности, максимально близкой к 90%.
Обсуждение
В данном исследовании оценивалась комплексная диагностическая стратегия для ГЦК с использованием PIVKA-II, AFP и стандартных клинических переменных, с особым вниманием к ранним стадиям заболевания и случаям с отрицательным уровнем AFP14. В обучающей и валидационной когортах комбинированная модель превзошла тестирование с использованием одного маркера. В обучающей когорте комбинированная модель достигла AUC 0,93 по сравнению с 0,78 для AFP и 0,85 для PIVKA-II. В независимой валидационной когорте модель сохранила высокую дискриминационную способность с AUC 0,89, чувствительностью 84,5% и специфичностью 90,5%. Эти результаты подтверждают целесообразность модельного подхода, при котором взаимодополняющие биомаркеры и клинические признаки интерпретируются совместно, вместо того чтобы основывать диагностические решения на одном пороге содержания маркера в сыворотке крови.
Результаты валидации проясняют дополнительную ценность PIVKA-II, особенно в тех случаях, когда AFP наименее надежен. Чувствительность AFP составила 62,1% во всех валидированных случаях ГЦК и снизилась до 23,1% при AFP-отрицательном ГЦК. PIVKA-II продемонстрировал более высокую общую чувствительность и сохранил чувствительность на уровне 61,5% при AFP-отрицательном заболевании. Комбинированная модель дополнительно повысила чувствительность до 73,1% при AFP-отрицательном ГЦК и до 72,7% при ГЦК на ранней стадии при сохранении высокой специфичности. Такая закономерность согласуется с предыдущими данными о том, что PIVKA-II предоставляет диагностическую информацию, частично отличную от AFP, особенно при опухолях с низким уровнем AFP и низкой опухолевой нагрузке на ранних этапах15,16,17. Анализы корреляции и перекрестной классификации также подтвердили данную интерпретацию, показав, что AFP и PIVKA-II не являются взаимозаменяемыми маркерами и что интегрированная оценка позволила выявить дополнительные случаи, пропущенные при классификации по одному маркеру.
Результаты многофакторного анализа свидетельствуют о том, что преимущество комбинированной модели было обусловлено не только одновременным учетом AFP и PIVKA-II. Клинические переменные предоставили дополнительный контекст, связанный с возрастом, полом, функциональным резервом печени, статусом коагуляции и количеством тромбоцитов. Такая структура соответствует установленным многофакторным моделям риска ГЦК, включая GALAD, GAAD и родственные шкалы на основе биомаркеров, которые объединяют демографические и лабораторные показатели для повышения диагностической эффективности в гетерогенных популяциях пациентов с заболеваниями печени18,19,20. В скорректированной модели логарифмически преобразованный PIVKA-II оставался наиболее сильным независимым предиктором, логарифмически преобразованный AFP сохранял независимую связь, а INR вносил дополнительный диагностический сигнал. Аминотрансферазы оказались менее информативными после коррекции, что указывает на то, что неспецифическое воспаление печени не было основным фактором дискриминации после учета опухолеассоциированных и коагуляционных маркеров.
Анализ пороговых значений затрагивает важный вопрос, возникший в ходе рецензирования. Различные пороговые значения PIVKA-II не следует интерпретировать как противоречивые первичные критерии отсечки. Значение 45.0 mAU/mL использовалось для ROC-сравнения в обучающей когорте, 40.0 mAU/mL представляло собой установленный клинический порог, а диапазон 37.5–38.0 mAU/mL отражал альтернативные стратегии определения порога, основанные на оптимизации по индексу Юдена или анализе фиксированной специфичности. Эти пороги отвечают на разные клинические вопросы: ориентированный на чувствительность порог может быть полезен для наблюдения за группами высокого риска, тогда как порог, ориентированный на специфичность, может быть предпочтительным при приоритете снижения числа ложноположительных результатов. При всех этих стратегиях комбинированная модель оставалась более стабильной, чем AFP или PIVKA-II по отдельности, что подтверждает ее использование в качестве инструмента стратификации риска, а не как замену диагностике на основе визуализационных методов21.
Остается ряд ограничений. Обучающая когорта была сформирована в одном центре, а размер когорты для проспективной валидации был умеренным. Все еще необходима многоцентровая валидация, особенно на популяциях с различным этиологическим фоном, включая ГЦК, связанную с НАЖБП, алкоголем и ВГС. Статус ГЦК определялся с помощью КТ и/или МРТ с контрастным усилением, что соответствует стандартной диагностической практике, но может привести к недооценке крайне ранних или атипичных очагов. Некоторые анализы в подгруппах, особенно для ГЦК на ранних стадиях и АФП-отрицательной ГЦК, включали меньше случаев, чем общая когорта. Калибровка и бутстреп-анализ помогли оценить стабильность модели, однако они не могут заменить проспективные исследования по внедрению, которые проверяют, улучшает ли наблюдение под руководством модели эффективность направления пациентов, частоту раннего выявления и последующие клинические исходы22.
В заключение следует отметить, что интеграция PIVKA-II, AFP и стандартных клинических переменных повысила эффективность выявления ГЦК по сравнению со стратегиями, основанными на одном биомаркере, при этом стабильные результаты были продемонстрированы как в обучающей, так и в независимой валидационной когортах. Модель сохранила клинически значимую чувствительность при выявлении ГЦК на ранних стадиях и AFP-отрицательных форм, сохранив при этом высокую специфичность, что позволяет устранить две распространенные «слепые зоны» при скрининге с использованием AFP. Поскольку исходные данные доступны в рутинной практике, данный подход является практически применимым для дальнейшего тестирования в популяциях с высоким риском заболеваний печени. В будущих многоцентровых исследованияниях следует провести прямое сравнение данной модели с сочетанием УЗИ и AFP, оценить заранее определенные операционные пороги, а также выяснить, приведет ли интеграция с новыми биомаркерами или признаками, полученными с помощью методов визуализации, к дальнейшему улучшению ранней диагностики ГЦК23,24.
Раскрытие информации
Авторы заявляют об отсутствии конфликтов финансового или нефинансового характера. Ни один коммерческий спонсор, производитель реагентов, поставщик программного обеспечения или компания-разработчик диагностических платформ не принимал участия в планировании исследования, сборе данных, статистическом анализе, интерпретации результатов, подготовке рукописи или в принятии решения о представлении работы к публикации.
Благодарности
Авторы благодарят участников исследования и медицинский персонал, которые оказали поддержку при сборе крови, клинической координации, анализе изображений и верификации данных для данного исследования.
Материалы
| Имя | Компания | Каталожный номер | Комментарии |
|---|---|---|---|
| микроцентрифужная пробирка объемом 1,5 мл, не содержащая нуклеаз | Eppendorf | 30123328 | Аликвотирование и хранение плазмы |
| калибратор АФП | Roche Diagnostics | AFP CalSet II, 09227261190 | Калибровка AFP |
| Контрольный материал для определения АФП | Roche Diagnostics | Контрольный материал для определения опухолевых маркеров PreciControl, 11776452160 | Контроль качества АФП |
| Контрольный материал для определения АФП | Roche Diagnostics | PreciControl Universal, 11731416160 | Контроль качества АФП |
| набор реагентов для определения АФП | Roche Diagnostics | Elecsys AFP, 09015124190 | измерение уровня АФП |
| Автоматический анализатор для электрохемилюминесцентного иммуноанализа | Roche Diagnostics | cobas e 801 | Измерение уровней АФП и PIVKA-II |
| Калибровочный набор | пакет R | СКОРМС 6.7–1 | Калибровочный анализ |
| Пакет для анализа кривых принятия решений | пакет R | rmda 1.6 | Анализ кривых принятия решений |
| Хосмер–пакет тестов Лемешоу | пакет R | Выбор ресурса 0.3–6 | Хосмер–Тест Лемешоу |
| K2—пробирка для сбора крови с ЭДТА, 10 мл | BD | 367525 | Забор периферической венозной крови |
| Пакет для множественной импутации | пакет R | mice 3.16.0 | Множественная импутация |
| набор реагентов для определения PIVKA-II | Roche Diagnostics | Elecsys PIVKA-II, 08333629190/08333629500 | Измерение PIVKA-II |
| Центрифуга с охлаждением | Eppendorf | Центрифуга 5425 R | Отделение плазмы |
| Пакет для ROC-анализа | пакет R | pROC 1.18.5 | ROC-анализ и тест Делонга |
| Статистическое программное обеспечение | R Foundation | R 4.3.2 | Статистический анализ |
| Интерфейс статистического программного обеспечения | Posit Software | RStudio 2023.12.1 | Статистический анализ |
Ссылки
- 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.