تیمی از محققان در مطالعات اخیر خود موفق به ایجاد مدلی شدند که قادر است عواقب درمان‌های غیر ضروری برای سرطان ریه را پیش بینی کرده و از ارائه آن‌ها به بیمار جلوگیری کند.

به گزارش خبرنگار حوزه بهداشت و درمان گروه علمی پزشکی باشگاه خبرنگاران جوان، به نقل از مدیکال اکسپرس، عوامل ایمونوتراپی که مولکول‌های PD۱، PD-L۱ یا CTLA-۴ را مهار می‌کنند، به طور گسترده‌ای در عمل بالینی برای درمان سرطان ریه سلول‌های کوچک یا NSCLC استفاده می‌شوند. تقریبا ۲۰ تا ۵۰ درصد از بیماران پیشرفته NSCLC پاسخ‌های قوی به ایمونوتراپی دارند و بقای طولانی مدت را نشان می‌دهند، اما بیماران باقی مانده اغلب پاسخ‌های ضعیفی دارند. در این میان نیاز فوری به شناسایی نشانگر‌های زیستی وجود دارد که بتواند پیش بینی کند کدام بیماران به درمان پاسخ نمی‌دهند تا از درمان غیر ضروری اجتناب کرده و در عوض دارو‌های مفید بالقوه را تجویز کنند.

بیان PD-L۱ که در تومور بیمار اندازه گیری می‌شود، یک نشانگر زیستی رایج است که اغلب برای تعیین بیمارانی که باید با درمان ضد PD۱/PD-L۱ تحت درمان قرار گیرند، مورد استفاده قرار می‌گیرد؛ با این حال چندین مطالعه نشان داده است که بیماران حتی با بیان کم PD-L۱ ممکن است به این عوامل پاسخ دهند. سایر نشانگر‌های زیستی مشابه بافت ممکن است هزینه بر باشند یا به کیفیت و مقدار کافی بافت نیاز داشته باشند که ممکن است از نظر عرضه محدود باشد.

در مقاله جدیدی که در JNCI Cancer Spectrum منتشر شد، محققان مرکز سرطان موفیت مدل پیش بینی خود را که شامل اطلاعات محاسبه شده از تصاویر توموگرافی کامپیوتری است، توصیف می‌کند که می‌تواند بیمارانی را که احتمالا به ایمونوتراپی پاسخ نمی‌دهند، محاسبه کند.

به جای تجزیه و تحلیل نشانگر‌های زیستی متداول بافتی مانند الگو‌های بیان پروتئین، تیم تحقیقاتی موفیت پتانسیل استفاده از ویژگی‌های سی تی اسکن قبل از درمان همراه با داده‌های بالینی را برای شناسایی نشانگر‌های مرتبط با نتایج ایمونوتراپی ارزیابی کرد.

 متیو شابات، عضو گروه اپیدمیولوژی سرطان در موفیت گفت: ویژگی‌های کمی مبتنی بر تصویر یا رادیومیک، منعکس کننده پاتوفیزیولوژی زمینه‌ای و ناهمگونی تومور است و مزایایی نسبت به نشانگر‌های زیستی مبتنی بر بافت دارد، زیرا می‌توان آن‌ها را با استفاده از تصاویر پزشکی استاندارد و به سرعت استخراج کرد و داده‌ها را از کل تومور به جای یک تصویر کوچک برداشت کرد. بخشی از تومور که نمونه برداری و آزمایش می‌شود.

محققان ویژگی‌های بالینی و ویژگی‌های رادیومیک ۱۸۰ بیمار NSCLC را که با ضد PD۱/PD-L۱ یا بدون درمان ضد CTLA-۴ تحت درمان قرار گرفتند، تجزیه و تحلیل کردند. باب گیلیس، دکترای ارشد و رئیس گروه فیزیولوژی سرطان می‌گوید: هدف ما ایجاد یک مدل صرفه جویی بود که به عنوان یک مدل ساده با کمترین متغیر‌ها و بیشترین قدرت پیش بینی ممکن شناخته می‌شد.

آن‌ها دریافتند که از بین ۱۶ ویژگی بالینی در نظر گرفته شده، سطح آلبومین سرم و تعداد نقاط متاستاتیک یک بیمار با بقای کلی ارتباط معنا داری دارد. در میان ۲۱۳ ویژگی رادیومیک، ماتریس همزمانی سطح خاکستری (GLCM) تفاوت معکوس با بقای کلی داشت. تجزیه و تحلیل آماری و مدل سازی داده‌ها نشان داد که این ویژگی‌ها پارامتر‌های مناسبی برای گنجاندن در مدل بودند که منجر به چهار گروه با توجه به خطر مرگ ناشی از ایمونوتراپی شد: خطر کم، خطر متوسط ​​، خطر بالا و خطر بسیار بالا.

محققان مدل خود را در دو گروه بیمار دیگر تایید کردند که گروه بسیار خطرناک بقای کلی بسیار ضعیفی پس از ایمونوتراپی داشته‌اند، در حالی که گروه کم خطر سه سال بقای کلی داشته‌اند. تقریبا ۴۰ درصد آن‌ها همچنین کشف کردند که ویژگی معکوس تفاوت GLCM معکوس با بیان ژن CAIX که در هیپوکسی تومور نقش دارد و رشد و متاستاز تومور را تنظیم کرده و ارتباط بیولوژیکی از تفاوت معکوس GLCM به عنوان یک نشانگر بالقوه را فراهم می‌کند. با توجه به کمبود اکسیژن یا اکسیژن کم در بافت‌ها، پیامد‌های مهمی برای همه انواع سرطان ایجاد می‌شود، این نتایج نشان می‌دهد که تفاوت معکوس GLCM ممکن است یک پیش بینی کننده احتمالی برای پاسخ بیمار به سایر دارو‌های ضد سرطان باشد.

شابات می‌گوید: این نتایج نشان می‌دهد بیماران در معرض خطر بیشتر یا باید به طور کلی از ایمونوتراپی اجتناب کرده یا از درمان‌های ترکیبی اولیه استفاده کنند که ممکن است پاسخ بهتری را ارائه دهد. ما امیدواریم با مطالعه بیشتر، این مدل بتواند برای تغییر عملکرد بالینی مورد استفاده قرار گیرد و به بیماران اجازه دهد از دریافت داروهایی که ممکن است پاسخ مناسبی نداشته باشند، اجتناب کنند.


بیشتر بخوانید 


انتهای پیام/

اخبار پیشنهادی
تبادل نظر
آدرس ایمیل خود را با فرمت مناسب وارد نمایید.