Il cancro ovarico rappresenta una delle neoplasie ginecologiche più letali, principalmente a causa delle sfide legate ad una diagnosi tempestiva. I biomarcatori tradizionali come il CA125 presentano limitazioni, spingendo alla ricerca di strumenti diagnostici più efficaci.
Uno studio multicentrico pubblicato su The Lancet, si è concentrato sulla valutazione del valore predittivo dei test di laboratorio di routine per il cancro ovarico e sullo sviluppo di un modello avanzato di intelligenza artificiale (IA) per aiutare nella diagnosi.
Oltre 50 test di laboratorio (test ematici di routine, test biochimici, test di coagulazione e test delle urine) rappresentano quelli comunemente chiamati esami di routine. Alcuni test come la concentrazione di albumina nel sangue e il rapporto linfocitario hanno dimostrato rilevanza diagnostica e prognostica nel cancro ovarico.
La ricerca ha chiarito come i componenti di questi test, inclusi i globuli bianchi, svolgano ruoli diretti o indiretti nell’insorgenza, nello sviluppo e nell’evoluzione del tumore, sottolineando il loro potenziale come biomarcatori tumorali. I loro vantaggi includono basso costo, accessibilità, coerenza e ampio utilizzo nell’assistenza sanitaria primaria.
Sebbene singoli test di laboratorio mostrino potenziale come biomarcatori per il cancro ovarico, nessuno di essi offre singolarmente una sensibilità o specificità adeguata per la predizione.
L’intelligenza artificiale (IA) presenta una soluzione integrando dati da vari test per migliorare la diagnosi. Gli avanzamenti tecnologici nella capacità di archiviazione dati, potenza di calcolo e algoritmi consentono all’IA di elaborare informazioni clinicamente rilevanti dai dati dei test di laboratorio, migliorando la caratterizzazione delle malattie.
Background
La letalità del cancro ovarico deriva dalla diagnosi ritardata, aggravata dall’assenza di biomarcatori affidabili. I test di laboratorio, parte integrante della pratica clinica, si sono dimostrati davvero promettenti nella diagnosi e nella prognosi del cancro ovarico.
Lo studio multicentrico retrospettivo ha esaminato 6.778.762 esami di laboratorio presso tre grandi ospedali in Cina.
Ha incluso pazienti a cui sia stata confermata la presenza o assenza di cancro ovarico in tre ospedali cinesi tra gennaio 2012 e aprile 2021. Sono stati considerati i test di laboratorio da 1 mese prima della diagnosi all’inizio del trattamento. Tecniche di preelaborazione dati sono state utilizzate per standardizzare e bilanciare i dati.
Metodologia e risultati
I ricercatori hanno sviluppato un nuovo framework di fusione di classificazione basato su decisioni multicriterio (MCF) per migliorare la previsione diagnostica. Questo framework integra stime da 176 modelli di classificazione di base , simile al paradigma del trattamento multidisciplinare nella pratica clinica, per ottenere diagnosi più accurate.
Il modello MCF, basato su 52 criteri (età delle pazienti e test di laboratorio), ha dimostrato un’eccezionale accuratezza predittiva.
Ha raggiunto un’area sotto la curva caratteristica operativa del ricevitore (AUC) dello 0.949 nel set di validazione interno e AUC dello 0.882 e 0.884 in due set di validazione esterni. In particolare, il modello ha superato i biomarcatori tradizionali come CA125 e HE4, specialmente nei casi di cancro ovarico in fase iniziale. Anche senza indicatori prominenti come il CA125, il MCF ha mantenuto un’accuratezza superiore e ha superato i modelli esistenti.
Il modello MCF rappresenta una svolta nella diagnosi del cancro ovarico, offrendo un’alternativa economica, accessibile e accurata ai metodi tradizionali. Incorpora una gamma di test di laboratorio, migliorando la caratterizzazione delle pazienti affette da cancro ovarico oltre al ruolo convenzionale del CA125. La disponibilità del modello come strumento pubblicamente accessibile rappresenta una significativa promessa per migliorare la rilevazione del cancro ovarico in tutto il mondo.
Lo studio ha ricevuto finanziamenti dal Ministero della Scienza e della Tecnologia della Cina, dalla Fondazione Nazionale delle Scienze Naturali della Cina, dalla Fondazione delle Scienze Naturali della Provincia di Guangdong, Cina, e dal Progetto di Scienza e Tecnologia di Guangzhou, Cina.
