СПОСОБ СКРИНИНГОВОГО ОПРЕДЕЛЕНИЯ ВЕРОЯТНОСТИ НАЛИЧИЯ РАКА ПОЧКИ Российский патент 2024 года по МПК G16H50/30 G01N33/574 G16H50/70 G16H10/40 

Изобретение относится к области медицины, а именно онкологии, и может быть использовано для скринингового определения вероятности наличия рака почки (РП) или выявления данного онкологического заболевания на ранней стадии.

Злокачественные опухоли представляют собой одну из самых значимых проблем здравоохранения не только в России, но и во всем мире.

Онкологические заболевания являются второй по частоте причиной смерти в России. Стандартизованный показатель заболеваемости злокачественными новообразованиями по России в 2020 г. составил 216,6 чел. на 100000 населения (оба пола). Стандартизованный показатель смертности - 104,6 чел. на 100000 населения. Онкологическая заболеваемость растет во всем мире. За последние 10 лет она увеличилась более чем на 20%.

В случае развития злокачественного заболевания, стадия, на которой онкологический процесс будет выявлен, является одним из определяющих факторов, обуславливающих продолжительность жизни пациента.

Большинство опухолей почки представляют собой почечноклеточный рак (С64). Доля переходного-клеточного рака лоханки (С65) крайне низка, однако в некоторых балканских странах, эндемичных в отношении т.н. балканской нефропатии, заболеваемость раком лоханки и мочеточника довольно высока. Почечно-клеточный рак (ПКР) - одно из наиболее распространенных онкоурологических заболеваний. Ежегодно в мире выявляют около 210000 новых случаев ПКР, что составляет около 2% в структуре онкологической заболеваемости, причем две трети случаев выявляют в развитых странах. Самая высокая заболеваемость раком почки зарегистрирована в Чехии (стандартизованный показатель заболеваемости на 100000 населения у мужчин - 21, у женщин - 10). Высокие показатели заболеваемости отмечены в Эстонии (мужчины - 14, женщины - 8), Италии (Варезе: мужчины - 13, женщины - 6), среди афро-американцев в США (мужчины - 12, женщины -10), у еврейского населения Израиля (мужчины - 12, женщины - 6). В структуре злокачественных новообразований ПКР в России составляет 4,7% у мужчин и 3,1% у женщин. По темпам прироста онкологической заболеваемости за период с 2010 по 2020 год ПКР устойчиво занимает одно из ведущих мест (22,80%). Стандартизованный показатель заболеваемости населения России злокачественными опухолями почки в 2020 году составил 8,73 на 100000 населения. Рост заболеваемости ПКР обусловлен как истинными причинами, так и улучшением ранней диагностики. Несмотря на улучшение методов диагностики данной патологии, высокую частоту (40-60%) локализованного ПКР, у 20-25% больных ПКР при первичном обследовании выявляют отдаленные метастазы. Стандартизованный показатель смертности населения России от злокачественных опухолей почки составил - 2,99 на 100000 населения. Рост заболеваемости раком почки обусловлен улучшением ранней диагностики с помощью трансабдоминального ультразвукового исследования (УЗИ) и компьютерной томографии (КТ). В настоящее время в 25-40% случаев заболевание выявляют случайно при профилактическом обследовании. У 25-30% больных раком почки при первичном обследовании выявляют отдаленные метастазы. На ранних стадиях рак почки протекает бессимптомно. Клинические симптомы (классическая триада), такие, как гематурия, пальпируемая опухоль, боль в поясничной области, в настоящее время встречаются относительно редко. В 50% случаев и более ПКР диагностируют случайно при УЗИ и/или КТ. У 15% больных отмечается артериальная гипертензия. При опухолевом тромбозе нижней полой вены может возникать синдром сдавления нижней полой вены (отеки нижних конечностей, расширение подкожных вен живота, тромбоз глубоких вен нижних конечностей, появление варикоцеле).

На данный момент эффективных программ скрининга рака почки не существует. Для ранней диагностики могут быть использованы методы диагностики, основанные на определении биохимических маркеров в биологических тканях и жидкостях пациента, например, цельной крови, сыворотке или плазме. И такими маркерами, например, могут являться различные антигены, протеины и метаболиты, секретируемые злокачественными клетками или образующиеся в процессе их гибели. На данный момент разрабатываются неинвазивные методы диагностики рака почки, основанные на жидкой биопсии циркулирующей РНК в моче, однако данный метод пока имеет ограниченное применение ввиду недостаточных диагностических характеристик и требует дополнительной валидации на большей группе пациентов (Madonna R. Peter et al, Investigating Urinary Circular RNA Biomarkers for Improved Detection of Renal Cell Carcinoma).

Также в настоящее время в диагностике онкологических заболеваний, в том числе и рака почки, получают распространение мультиплексные системы, предполагающие определение риска наличия заболевания на основании данных по нескольким биомаркерам, измеренным у пациента. Такой подход позволяет увеличить чувствительность и специфичность тест-систем. Так, в исследовании (Soukup et al., Panel of Urinary Diagnostic Markers for Non-Invasive Detection of Primary and Recurrent Urothelial Urinary Bladder Carcinoma. Urol Int. 2015; 95(1): 56-64) было показано, что дискриминационная способность мультимаркерного теста была выше по сравнению с единичными маркерами.

Стоит отметить, что, в то время как все вышеизложенные методы предполагают определение биомаркеров в моче, диагностический потенциал циркулирующих в крови маркеров остается недостаточно изученным.

Из патента RU 2607954 известен способ оценки состояния почки пациента на наличие рака, заключающийся в использовании одновременно данных МРТ, а именно величины новообразования, в связи с определением концентраций биомаркеров сыворотки крови - VEGF, ММР-9 и МСР-1.

Из патента RU 2393472 известен способ диагностики светлоклеточной почечноклеточной карциномы, основанный на использовании в качестве маркера изменение содержания мРНК гена CALL.

Наборы биомаркеров для диагностики рака почки предложены также в заявке WO 2014038744, а именно NNMT, LCP1 and NM23A.

Однако следует отметить, что у перечисленных методов есть существенные ограничения для их применения в качестве скринингового определения вероятности наличия рака почки: необходимость комбинировать определение маркеров сыворотки крови с другими методами диагностики, редкость использования предлагаемых маркеров в рутинной лабораторной практике, высокая стоимость их определения и самое главное, отсутствие расчета вероятности наличия рака почки на основании совокупности маркеров, предлагаемый в заявляемом способе.

Заявляемое изобретение основано на исследовании нового комплекса маркеров, позволяющего максимально повысить точность и достоверность определения наличия заболевания при скрининге рака почки у конкретного пациента, формирование на этой основе той или иной группы риска и выявление тех пациентов, которые нуждаются в углубленном дорогостоящем обследовании для обнаружения ранней стадии рака почки.

На данный момент авторами разработаны способы скринингового определения вероятности наличия колоректального рака, рака мочевого пузыря, рака легкого и рака молочной железы (патенты РФ №№2698854, 2718284, 2697971, 2718272) на основании комплексной оценки совокупности опухолевых маркеров с использованием обученных классификационных моделей (искусственная нейронная сеть). Различные способы машинного обучения (метод случайного леса (random forest-RF), линейный дискриминантный анализ - LDA, метод опорных векторов - SVM) были использованы для решения поставленной задачи. Оценка параметров моделей (обучение) производилась на объединенных данных, полученных на здоровых добровольцах и пациентах с выявленными злокачественными образованиями, и была направлена на минимизацию предсказательных ошибок алгоритма. Исходные группы биомаркеров, используемые в диагностических тестах для оценки риска различных видов рака были получены с использованием многофакторной классификационной модели. Данный метод позволяет находить комбинации биомаркеров, обладающих наибольшим диагностическим потенциалом. Классификационная модель проходит обучение на экспериментальных измерениях заданного набора биомаркеров, полученных на смешанной выборке из здоровых добровольцев и пациентов с раком. Обученная модель может быть использована для оценки риска наличия заболевания у пациента на основе показателей его биомаркеров. В 2022 г. коллективом авторов была продолжена работа в этом направлении, целью которой являлось создание способа раннего выявления рака почки. В результате авторами был разработан способ раннего выявления рака почки при скрининговом обследовании пациента на основании комплексной оценки совокупности опухолевых маркеров.

Технической проблемой, решаемой настоящим изобретением, является повышение точности определения вероятности наличия рака почки у пациента.

Раскрытие изобретения

Достигаемым техническим результатом является повышение точности скринингового выявления наличия рака почки у конкретного пациента, причем уже на ранних стадиях его развития, посредством биостатистической обработки результатов анализа фракции сыворотки и плазмы крови с определением концентрации комплексной группы биомаркеров.

Технический результат достигается посредством реализации способа скринингового определения вероятности наличия рака почки, включающего измерение уровня биомаркеров в образце биологической жидкости, полученной у субъекта: ApoAl, СА19.9, CYFRA.21.1, Ddimer, hsCRP, В2М, а также определение пола пациента, с последующей обработкой совокупности полученных значений биомаркеров с использованием, по меньшей мере, одной классификационной модели, обученной для определения высокой или низкой вероятности наличия рака почки.

В качестве классификационных моделей используют метод «случайного леса» (random forest), и/или линейный дискриминантный анализ, и/или метод опорных векторов.

Обученную классификационную модель получают посредством реализации следующих шагов:

- формируют обучающую и тестовую выборку записей субъектов с измеренными значениями биомаркеров ApoAl, СА19.9, CYFRA.21.1, Ddimer, hsCRP, B2M, включающие записи о пациентах разного пола и возраста;

- обучают классификационную модель выявлению заданной патологии, используя записи обучающей и тестовой выборки;

- сохраняют связи и веса обученной классификационной модели, для последующего определения вероятности наличия рака почки по итогам обработки измеренных данных биомаркеров субъекта.

При формировании обучающей и тестовой выборки, включают записи субъектов с выявленной патологией - наличие рака почки и отсутствие рака почки.

Технический результат достигается также посредством реализации системы скринингового определения вероятности наличия рака почки, включающей:

- модуль ввода измеренных значений биомаркеров субъекта ApoAl, СА19.9, CYFRA.21.1, Ddimer, hsCRP, B2M;

- модуль хранения данных, выполненный с возможностью хранения обучающей и тестовой выборки классификационной модели, связей и весов обученной классификационной модели, записей субъектов с измеренными значениями биомаркеров ApoAl, СА19.9, CYFRA.21.1, Ddimer, hsCRP, B2M, включающие записи о пациентах разного пола и возраста;

- модуль обученной классификационной модели, выполненный с возможностью построения и обучения, по меньшей мере, одной классификационной модели для определения наличия заданной патологии по упомянутым маркерам, взятым из модуля хранения данных;

- модуль диагностики, выполненный с возможностью обработки введенных значений биомаркеров субъекта с использованием, по меньшей мере, одной обученной классификационной модели;

- модуль вывода данных, выполненный с возможностью получения данных о высокой или низкой вероятности наличия рака почки.

Точность заявляемого мультиплексного способа диагностики рака почки обеспечивается за счет использования комплекса из 6 биомаркеров и информации о поле пациента, а также за счет использования нескольких классификационных моделей с последующим усреднением модельных результатов.

Краткое описание чертежей

Изобретение поясняется иллюстрациями, где:

На фиг. 1А. представлена диаграмма рассеяния «возраст пациента - концентрация биомаркеров». Точки - индивидуальные измерения, линии - предсказания линейной регрессионной модели. На графиках приведены значения корреляционных коэффициентов, рассчитанных по методу Пирсона и Р-значения, рассчитанные по тесту Стьюдента; на фиг. 1Б. представлена диаграмма размаха для оценки значимости гендерных различий в концентрациях биомаркеров. На графиках приведены Р-значения, полученные при помощи критерия Стьюдента. Серым цветом показаны данные для женщин, черным - для мужчин;

На фиг. 2 - матрица корреляции биомаркеров;

На фиг. 3. - примеры деревьев решений, полученных в результате обучения многофакторного классификационного алгоритма random forest на экспериментальных данных по 6 биомаркерам;

На фиг. 4 - визуализация результатов разделения пациентов на 2 класса (здоровые доноры и пациенты с раком почки) при помощи линейного дискриминантного анализа по 6 биомаркерам (отношение общей дисперсии линейной комбинации биомаркеров выборки к сумме дисперсий линейной комбинации биомаркеров внутри классов);

На фиг. 5 - ROC-кривая трех обученных моделей;

На фиг. 6 - доля классификаторов стратифицированная по AUROC в зависимости от количества включенных в них биомаркеров. Обучение проводилось при помощи А. Метода опорных векторов, Б. Линейного дискриминантного анализа;

На фиг. 7 - ROC-кривые для оценки предсказательной способности различных классификационных алгоритмов. А. Весь набор данных был использован как для обучения модели, так и для ее валидации; Б. 80% данных было использовано для обучения модели, 20% - для валидации;

На фиг. 8 - блок-схема системы, предназначенной для оценки вероятности наличия рака почки на основе данных пациента;

На фиг. 9 - алгоритм оценки вероятности наличия рака почки на основе данных пациента.

Осуществление изобретения

Исходная группа биомаркеров, используемая в диагностическом тесте на определение вероятности наличия рака почки, была получена с использованием многофакторной классификационной модели. Подобные методы позволяют находить комбинации биомаркеров, обладающих наибольшим диагностическим потенциалом. Математическая модель проходит обучение на экспериментальных измерениях заданного набора биомаркеров, полученных на смешанной выборке из здоровых добровольцев и пациентов с раком почки. Обученная модель может быть использована для оценки риска наличия заболевания у пациента на основе показателей его биомаркеров.

В рамках проведенной работы на этапе разработки диагностически значимого комплекса показателей были использованы данные измерений 16 биомаркеров (AFP, СЕА, СА 19-9, СА 125, НЕ4, tPSA, СА 15-3, В2М, hsCRP, Ddimer, CYFRA 21-1, ApoAl, ApoA2, Apo B, TTR, sVCAM-1), полученные на выборке здоровых добровольцев (n=203, 104 женщины и 99 мужчин 36-80 лет, средний возраст 53 года) и пациентов с раком почки (n=59, 12 женщин и 47 мужчин 28-82 лет, средний возраст 61 год).

Статистическая обработка экспериментальных данных и разработка классификационных моделей проводилась в среде R {RDevelopmentCoreTeam (2007). R: А language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. ISBN 3-900051-07-0}.

Первым этапом являлся статистический анализ и визуализация данных. Для здоровых добровольцев было оценено влияние пола и возраста на показатели биомаркеров (Фиг. 1).

По итогам проведения исследования на данном этапе был сделан вывод об отсутствии значимой корреляции между возрастом пациентов и показателями большинства биомаркеров, в то же время наблюдались значимые гендерные различия в показателях CYFRA.21.1, СА 19-9, Ddimer и ApoAl. На следующем этапе проводилась оценка значимости различий в уровнях отдельных биомаркеров между здоровыми добровольцами и пациентами с раком почки при помощи критерия Стьюдента после нормализации экспериментальных данных путем log-трансформации (Таблица 1).

На основании проведенного анализа был сделан вывод об отсутствии значимых различий в концентрациях AFP, АроА2, АроВ, Ddimer, sVCAM.l и t.PSA между здоровыми добровольцами и пациентами с раком почки.

Для оценки диагностической ценности отдельных биомаркеров использовался метод логистических регрессий. В данных статистических моделях рассматривалась взаимосвязь между концентрацией биомаркера и вероятностью наличия заболевания (уравнение 1):

где P(Y) - вероятность наличия заболевания, b₀ и b₁ - коэффициенты, определяемые по экспериментальным данным, X - предиктор (концентрация биомаркера).

Предсказательная способность логистических моделей оценивалась при помощи ROC-анализа, предполагающего определение чувствительности, специфичности и точности метода относительно тестового или общего набора данных. Для этого значение пороговой вероятности, определяющей наличие заболевания, варьировалось в пределах от 0 до 1 с заданным шагом, для каждого шага рассчитывалась доля верно диагностированных случаев заболевания (чувствительность) (S_e), правильно определенных случаев отсутствия заболевания (специфичность) (S_p), а также общая доля правильно диагностированных случаев, как наличия, так и отсутствия заболевания (точность) (Acc), (уравнения 2-4):

где TP - верно классифицированный положительный результат (верно диагностированное заболевание), FP - ложноположительный результат (ошибочно диагностированное заболевание), TN - верно классифицированный отрицательный результат (верно диагностированное отсутствие заболевания), FN - ложноотрицательный результат (ошибочно диагностированное отсутствие заболевания).

Полученный набор значений чувствительности и специфичности использовался для построения ROC-кривой. В качестве интегрального показателя качества моделей использовалась площадь под ROC-кривой (AUROC): предикторы с максимальной предиктивной способностью показывают наибольшие значения AUROC. Результаты ROC-анализа приведены на фиг. 2 и в таблице 2.

На основе результатов статистического анализа данных и оценки предсказательной способности однофакторных логистических моделей были отобраны биомаркеры, которые впоследствии были включены в многофакторные классификационные модели. Критерием включения биомаркеров являлись pval<0.005 (Таблица 1) и AUROC≥0.6 (Таблица 2). Таким образом, для построения классификационных моделей были отобраны экспериментальные измерения 6 биомаркеров (ApoAl, СА19.9, CYFRA.21.1, Ddimer, hsCRP, B2M), также использовалась информация о поле пациента.

Разработка многофакторных классификационных моделей являлась завершающим этапом исследования. Различные способы машинного обучения (random forest, линейный дискриминантный анализ, метод опорных векторов) были использованы в рамках текущей задачи. Оценка параметров моделей (обучение), производилась на объединенных данных, полученных на здоровых добровольцах и пациентах с раком почки, и была направлена на минимизацию предсказательных ошибок алгоритма. Детальное описание использованных методов изложено в книге (Bishop CM, Pattern recognition and machine learning. Springer. 2006).

Метод «random forest» (RF) подразумевает создание совокупности кросс-вал ид ированных решающих деревьев. Каждое из таких деревьев проходит обучение на подвыборке данных, включающей информацию лишь по части биомаркеров и наблюдений, и валидируется на подвыборке, не использованной для его построения (бэггинг). На основании предсказаний каждого из построенных деревьев решений пациент причисляется к одной из групп (здоровые доноры или пациенты с раком почки), финальное предсказание классификатора определяется большинством голосов построенных деревьев (см. фиг. 3А, Б).

Использование линейного дискриминантного анализа (LDA) предполагает поиск линейной комбинации биомаркеров - дискриминанты, обеспечивающей наилучшее разделение всей популяции обследуемых на здоровых добровольцев и пациентов с раком почки. Линейная дискриминанта может быть рассчитана: , где x_I - это концентрации i-го биомаркера, β_i - коэффициенты модели. Данная задача решается за счет нахождения оси, проекция на которую обеспечивает максимальное отношение общей дисперсии линейной комбинации биомаркеров выборки к сумме дисперсий линейной комбинации биомаркеров внутри классов (см. фиг. 4).

Использование метода опорных векторов (SVM) предполагает нахождение (n-1)-мерной гиперплоскости, разделяющей n-мерное пространство значений биомаркеров на два класса. Пусть имеется обучающая выборка где x_i - это вектор значений биомаркеров, a y_i определяет принадлежность пациента к классу. Классифицирующая функция может быть определена как F(x)=sign((w, х)+b), где w - нормальный вектор к разделяющей гиперплоскости, b - вспомогательный параметр, а функция может принимать значения 1 или -1 в зависимости от класса объекта. Обучение алгоритма подразумевает поиск такой гиперплоскости, которая обеспечивает наименьшую эмпирическую ошибку классификации и максимизирует расстояние между значениями биомаркеров пациентов, относящихся к разным классам (см. фиг. 5).

На первом этапе при разработке способа проводилось изучение диагностической ценности различных комбинаций биомаркеров из приведенной выше группы. Для этого все возможные комбинации, включающие от 2 до 10 биомаркеров, были использованы для построения классификационных моделей (2026 вариантов). Для обучения использовались объединенные данные, полученные на здоровых добровольцах и пациентах с раком почки, и методы линейного дискриминантного анализа и опорных векторов. Разработанные модели были ранжированы в соответствии с их предсказательным потенциалом, оцененным по показателю AUROC (фиг. 7). Как видно из фиг. 6, даже классификаторы, состоящие из 2-3 биомаркеров, обладают высокой дискриминационной способностью.

Финальной фазой при разработке способа являлась валидация выявленной совокупности диагностически значимых критериев.

Объединенные данные, полученные на здоровых добровольцах и пациентах с раком почки были случайным образом разделены на обучающую и тестовую выборки. Оценка параметров моделей (обучение), производилась на обучающей выборке и была направлена на минимизацию предсказательных ошибок алгоритма. Валидация обученных моделей заключалась в оценке их предсказательной способности на тестовой выборке. Предсказательная способность многофакторных классификационных моделей оценивалась при помощи ROC-анализа как это было сделано ранее для отдельных биомаркеров (фиг. 7, Таблица 4).

Как видно из Таблицы 4 комбинации, включающие все 6 биомаркеров, во всех моделях обладают наибольшим диагностическим потенциалом.

Таким образом, использование предлагаемого способа позволяет предсказать вероятность наличия рака почки на основании экспериментальных измерений биомаркеров пациентов с учетом гендерных различий.

Финальное решение - определение вероятности наличия рака почки, рассчитывается как медиана значений вероятностей рака почки, рассчитанных в 3 классификационных моделях (RF, LDA SVM), обученных на всей выборке пациентов (см., например, Kittler J, Hatef М, Duin RPW et al, On Combining Classifiers. IEEE Transactions on Pattern Analysis and Machine Intelligence, VOL. 20, NO. 3, MARCH 1998 226-39.)

Заявляемый способ был реализован в виде программного обеспечения (ПО), позволяющего на основе данных конкретного пациента (пол и результаты измерения биомаркеров) рассчитывать вероятность наличия у него рака почки. Блок-схема реализации изобретения представлена на фиг. 8.

Компьютерно-реализуемая система состоит из (1) интерфейса, включающего устройство ввода данных пациента (пол и результаты измерений биомаркеров) и вывода результатов расчета (вероятность наличия рака почки); (2) блока памяти, содержащего обученные классификаторные модели и программные продукты, необходимые для работы с ними (R portable, Google Chrome Portable) и (3) программного модуля, с помощью которого реализуется программный код, необходимый для обмена данных между интерфейсом и блоком памяти. Для создания графического интерфейса был использован пакет shiny (Winston Chang, Joe Cheng, JJ Allaire, Yihui Xie and Jonathan McPherson (2017). shiny: Web Application Framework for R. R package version 1.0.5. https://CRAN.R-project.org/package=shiny), созданный на базе среды R {RDevelopmentCoreTeam (2007). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. ISBN 3-900051-07-0}. Для работы с данным пакетом необходимо наличие программных продуктов R portable и Google Chrome portable, хранящихся в блоке памяти. Для работы с предложенными моделями необходимы следующие пакеты: (1) RandomForest (A. Liaw and М. Wiener (2002). Classification and Regression by randomForest. R News 2(3), 18-22); (2) MASS (Venables, W.N. & Ripley, B.D. (2002) Modern Applied Statistics with S. Fourth Edition. Springer, New York. ISBN 0-387-95457-0); (3) e1071 (David Meyer, Evgenia Dimitriadou, Kurt Hornik. Andreas Weingessel and Friedrich Leisch (2017). e1071: Misc Functions of the Department of Statistics, Probability Theory Group (Formerly: E1071), TU Wien. R package version 1.6-8. https://CRAN.R-project.org/package=e1071).

Алгоритм оценки вероятности наличия рака почки на основе данных пациента представлен на фиг. 9.

Данные пациента вводятся через интерфейс и подаются в качестве входных переменных в разработанные модели, в каждой из которых производится расчет вероятности наличия рака почки. Далее по результатам модельных предсказаний рассчитывается среднее значение, которое выводится в окно вывода.

Диагностическая мультиплексная панель для оценки риска рака почки включает биомаркеры, показавшие максимальный предсказательный потенциал в рамках проводимого исследования (фиг. 2, таблица 2).

Клинические примеры применения способа

Пример 1. Больной Г., 65 лет.

Пациенту было предложено принять участие в программе Онкопоиска.

Пациент (745) обследован в рамках программы. Получены следующие результаты:

СА19-9 18,17 МЕ/мл, В2М 1451 нг/мл, hsCRP 35 нг/мл, CYFRA 21-1 5,77 нг/мл, Аро А1 0,38 г/л, D-dimer 578 нг/мл.

При обработке полученных результатов заявляемым способом выявлена высокая вероятность рака почки (усредненное значение вероятности - от 80 до 100%): модель RF - 78.6%, модель LDA - 100%, модель SVM - 75.1%, усредненное итоговое значение вероятности по 3 моделям составило 84.6%.

Пациент приглашен на обследование.

Жалоб активно не предъявляет.

Анамнез: ранее наблюдался у уролога по поводу гиперплазии простаты.

При физикальном осмотре мочевой пузырь не пальпируется. Наружные половые органы - без особенностей. При ректальном исследовании простата незначительно увеличена в размерах, эластической консистенции, безболезненная, с четкими контурами.

Выполнено УЗИ органов мочеполовой системы.

Правая почка: с четким, ровным контуром, размером 12,0 × 5,5 см, паренхима однородная, толщиной до 2.0 см. Дилатации чашечно-лоханочной системы нет. В верхнем и среднем сегменте определяется анэхогенные образования 4.7 и 2.9 см. Подвижность почки при дыхании в пределах нормы.

Левая почка: с четким, неровным контуром, размером 15,0 × 5,5 см, паренхима однородная, толщиной до 2.0 см. Дилатации чашечно-лоханочной системы нет. В нижнем полюсе определяется округлое изоэхогенное образование с четкими ровными контурами размерами 7.7 × 6.1 см. Почка подвижна при дыхании.

Выполнена МСКТ органов брюшной полости с внутривенным контрастированием.

Левая почка расположена типично. В нижней /3 почки определяется массивное узловое образование, замещающее паренхиму латерального, заднего и частично медиального сегментов. Образование компримирует структуры синуса почки, деформируя, раздвигая и инкорпорируя отдельные чашечки нижней групп. Образование с четкими полициклическими контурами, его суммарные размеры до 71×69×63 мм. При в/в контрастировании образование показывает выраженное неоднородное усиление, до +150ед.Х, определяются признаки гипернеоваскуляризации. При отсроченном сканировании (в «урографическую фазу») плотность образования снижается (+70+80едХ), оно остается несколько неоднородным.

Выполнена операция: лапароскопическая нефрэктомия слева.

Гистологическое заключение: морфология почечноклеточного рака

Диагноз: Рак почки T2N0M0.

Пример 2. Больной Н., 71 год.

Пациенту было предложено принять участие в программе Онкопоиска.

Пациент (802) обследован в рамках программы. Получены следующие результаты:

СА19-9 3,11 МЕ/мл, В2М 1571 нг/мл, hsCRP 62 нг/мл, CYFRA 21-1 10,47 нг/мл, Аро А1 0,84 г/л, D-dimer 578 нг/мл.

При обработке полученных результатов заявляемым способом выявлена высокая вероятность рака почки (усредненное значение вероятности - от 80 до 100%): модель RF - 80.8%, модель LDA - 100%, модель SVM - 75.1%, усредненное итоговое значение вероятности по 3-м моделям составило 85.3%. Пациент приглашен на обследование.

Осмотрен урологом. По данным физикального осмотра патологии мочеполовой системы не выявлено.

Выполнено УЗИ органов мочеполовой системы: правая почка с четкими ровным контуром, размером 10,5×5,0 см, паренхима однородная, толщиной до 1,8 см, в верхнем сегменте овальной формы с анэхогенными включениями солидное образование размером до 2,1×1,5 см (опухоль). Чашечно-лоханочная система не расширена. Гиперэхогенных образований не определяется. Подвижность почки сохранена. При ЦДК кровоток прослеживается во всех сегментах. Левая почка с четким ровным контуром, размером 10,5×5,0 см. Паренхима однородная, толщиной до 1,9 см. Чашечно-лоханочная система не расширена. Гиперэхогенных образований не определяется. При ЦДК кровоток прослеживается во всех сегментах. Подвижность почки сохранена. Мочевой пузырь с четким, ровным контуром, стенка не утолщена (до 3 мм), содержимое однородное, анэхогенное (наполнен до 150 мл). Зона устьев мочеточников не изменена.

Выполнена МСКТ органов брюшной полости с внутривенным контрастированием: очаговых и инфильтративньгх изменений органов грудной полости не выявлено. Киста правой доли печени. Новообразование верхнего сегмента правой почки.

Выполнена операция: ретроперитонеоскопическая резекция правой почки с опухолью.

Гистологическое заключение: почечноклеточная карцинома.

Диагноз: Рак почки TlaNOMO.

Пример 3. Больной М., 56 лет.

Пациенту было предложено принять участие в программе Онкопоиска.

Пациент (837) обследован в рамках программы. Получены следующие результаты:

СА19-9 2,6 МЕ/мл, В2М 1416 нг/мл, hsCRP 0.08 нг/мл, CYFRA 21-1 1,94 нг/мл, Аро А1 1,65 г/л, D-dimer 121 нг/мл.

При обработке полученных результатов заявляемым способом выявлена низкая вероятность рака почки (усредненное значение вероятности - менее 40%): модель RF - 1.4%, модель LDA - 0%, модель SVM - 0.1%, усредненное итоговое значение вероятности по 3-м моделям составило 0.5%. Отсутствие злокачественного новообразования почки было подтверждено при МСКТ органов брюшной полости с внутривенным контрастированием.

Таким образом, предлагаемый способ позволяет с высокой вероятностью определять наличие рака почки, причем уже на ранних стадиях его развития.

Чувствительность, специфичность и точность предлагаемого способа, основанного на использовании 6 биомаркеров, превышает 90%. Тогда как диагностические характеристики панелей маркеров, описанных в известных способах, а именно чувствительность, специфичность и точность не превышает 90%. Например, в заявке WO 2014038744 чувствительность и специфичность комбинации из 3 маркеров составила 0,87 и 0,89, соответственно.

Следует отметить, что заявляемый способ адаптирован для популяций обследуемых европеоидной расы, что исключает прогнозные ошибки, связанные с межпопуляционными различиями в молекулярных механизмах канцерогенеза, позволяет повысить эффективность определения вероятности наличия рака почки у пациента.

Изобретение относится к медицине, а именно к онкологии, и может быть использовано для скринингового определения вероятности наличия рака почки. В образце биологической жидкости, полученном у субъекта, измеряют уровень биомаркеров ApoAl, СА19.9, CYFRA21.1, Ddimer, hsCRP, В2М. Определяют пол пациента. Совокупность полученных значений обрабатывают с использованием по меньшей мере одной классификационной модели, обученной для определения высокой или низкой вероятности наличия рака почки. Способ обеспечивает повышение точности скринингового выявления наличия рака почки у конкретного пациента на ранних стадиях за счет биостатистической обработки результатов анализа фракции сыворотки и плазмы крови с определением концентрации биомаркеров. 3 з. п. ф-лы, 9 ил., 4 табл., 3 пр.

1. Способ скринингового определения вероятности наличия рака почки, включающий измерение уровня биомаркеров в образце биологической жидкости, полученном у субъекта: ApoAl, СА19.9, CYFRA21.1, Ddimer, hsCRP, В2М, а также определение пола пациента, с последующей обработкой совокупности полученных значений биомаркеров с использованием, по меньшей мере, одной классификационной модели, обученной для определения высокой или низкой вероятности наличия рака почки.

2. Способ по п. 1, характеризующийся тем, что в качестве классификационных моделей используют метод «случайного леса» (random forest), и/или линейный дискриминантный анализ, и/или метод опорных векторов.

3. Способ по п. 1, характеризующийся тем, что обученную классификационную модель получают посредством реализации следующих шагов:

- формируют обучающую и тестовую выборку записей субъектов с измеренными значениями биомаркеров ApoAl, СА19.9, CYFRA21.1, Ddimer, hsCRP, B2M, включающие записи о пациентах разного пола и возраста;

- обучают классификационную модель выявлению заданной патологии, используя записи обучающей и тестовой выборки;

- сохраняют связи и веса обученной классификационной модели, для последующего определения вероятности наличия рака почки по итогам обработки измеренных данных биомаркеров субъекта.

4. Способ по п. 3, характеризующийся тем, что при формировании обучающей и тестовой выборки, включают записи субъектов с выявленной патологией - наличие рака и отсутствие рака почки.