// SCINEXX — SPAZIO & SCIENZA
Atemtest könnte helfen, Lungenkrebs zu erkennen
Verdächtige Lungenknoten lassen sich auf CT-Bildern nicht immer sicher als gut- oder bösartig einordnen. Eine australische Pilotstudie zeigt nun, dass Muster in der Ausatemluft zusätzliche Hinweise liefern könnten. Bei strenger interner Prüfung fiel die Trennschärfe der Modelle jedoch deutlich ab, weshalb das Verfahren noch nicht für die klinische Routine geeignet ist.
Brisbane (Australien). Kleine Lungenknoten werden häufig bei Computertomografien entdeckt, doch die Bilder allein liefern nicht immer eine eindeutige Diagnose. Deshalb können weitere Untersuchungen bis hin zu Bronchoskopien, CT-gesteuerten Biopsien oder Operationen nötig werden, obwohl sich ein auffälliger Befund später als gutartig herausstellt.
Atemluft bietet dafür eine mögliche zusätzliche Informationsquelle. Sie enthält flüchtige organische Verbindungen, kurz VOCs, deren Muster sich durch Stoffwechselprozesse, Entzündungen, Umwelteinflüsse und Krankheiten verändern können. Entscheidend ist daher, ob sich reproduzierbare Unterschiede zwischen Patienten mit gutartigen und bösartigen Lungenknoten erkennen lassen.
Forscher der Griffith University um Prof. Chamindie Punyadeera haben untersucht, ob zwei unterschiedliche Atemanalysen solche Unterschiede bei Patienten mit unklaren Lungenknoten erfassen können. In die prospektive Studie wurden 98 Erwachsene aufgenommen, deren Knoten 8 bis 30 Millimeter groß waren und bereits weiter abgeklärt werden sollten. Es handelte sich damit nicht um ein allgemeines Screening gesunder Menschen.
Für die elektronische Nase, kurz eNose, standen verwertbare Daten von 89 Personen zur Verfügung, darunter 55 mit bösartigen und 34 mit gutartigen Knoten. Zehn der gutartigen Vergleichsfälle stammten aus einer früheren Untersuchung. Für die Gaschromatographie-Massenspektrometrie, kurz GC-MS, konnten Atemproben von 75 Teilnehmern ausgewertet werden, davon 52 mit bösartigen und 23 mit gutartigen Befunden.
„Wir haben eine elektronische Nase, kurz eNose, untersucht, die Muster in den chemischen Bestandteilen der Atemluft erkennt“, erklärt Prof. Chamindie Punyadeera.
Die eNose arbeitet mit 32 Sensoren, die auf Gemische flüchtiger Stoffe reagieren. Sie bestimmt nicht unmittelbar, welches einzelne Molekül ein Signal verursacht, sondern erzeugt ein charakteristisches Gesamtmuster. Die GC-MS trennt die ausgeatmeten Stoffe dagegen chemisch auf und kann einzelne flüchtige Verbindungen genauer erfassen.
„Die zweite Technologie war die Gaschromatographie-Massenspektrometrie, mit der spezifische flüchtige organische Verbindungen in der Atemluft identifiziert wurden. Beide atembasierten Ansätze unterschieden bösartige und gutartige Knoten deutlich besser als Modelle, die ausschließlich auf üblichen klinischen Informationen beruhten“, erklärt Prof. Chamindie Punyadeera.
Auf den zunächst zur Modellentwicklung verwendeten Daten schnitten beide Verfahren auffällig gut ab. Beim kombinierten Modell aus klinischen Angaben und eNose-Signalen lag die Fläche unter der ROC-Kurve, kurz AUC, bei 0,88. Die AUC fasst zusammen, wie gut ein Modell zwei Gruppen voneinander unterscheiden kann.
Bei einer internen Kreuzvalidierung fiel die AUC des kombinierten eNose-Modells jedoch auf 0,67. Beim GC-MS-Modell war der Unterschied noch größer. Das nur aus VOC-Merkmalen gebildete Modell erreichte zunächst eine AUC von 0,97, nach einer Bootstrap-Korrektur aber nur 0,64 und bei einer internen Kreuzvalidierung 0,65. Das kombinierte klinische GC-MS-Modell kam nach Bootstrap-Korrektur auf 0,66.