Risikobewertung der Malignität solitärer pulmonaler Rundherde

Risikobewertung der Malignität solitärer pulmonaler Rundherde in der Computertomographie der Lunge: Eine multivariate prädiktive Modellstudie

Einleitung
Lungenkrebs ist weltweit die häufigste Ursache krebsbedingter Todesfälle und verantwortete 2018 etwa 18,4 % aller Krebstodesfälle. Der Einsatz der Low-Dose-Computertomographie (LDCT) im Lungenkrebsscreening hat das Potenzial, die Mortalität um 20 % zu senken. Dennoch birgt das LDCT-Screening Herausforderungen wie falsch-positive oder -negative Befunde, Überdiagnosen und Strahlenexposition. Bis zu 95 % der positiven LDCT-Ergebnisse führen nicht zu einer Lungenkrebsdiagnose, was unnötige physische und psychische Belastungen für Patienten verursachen kann.

Prädiktive Modelle zur Abschätzung der Malignitätswahrscheinlichkeit pulmonaler Rundherde sollen die Entscheidungsfindung für CT-Nachuntersuchungen, Biopsien oder Operationen optimieren. Dies könnte die diagnostische Genauigkeit erhöhen und überflüssige Eingriffe reduzieren.

Hintergrund und Studienziele
Die Differenzierung benigner und maligner solitärer pulmonaler Rundherde (SPNs) in der CT-Bildgebung bleibt komplex. Obwohl etablierte Modelle wie das Mayo-Modell von Swensen et al. weitverbreitet sind, ist deren Anwendbarkeit auf chinesische Populationen unklar. Ziel dieser Studie war die externe Validierung und Rekalibrierung des Mayo-Modells sowie die Entwicklung eines populationsspezifischen Prädiktionsmodells für chinesische Patienten.

Methoden
Studienpopulation und Datenerhebung
In dieser retrospektiven Studie wurden 1.450 Patienten aus drei tertiären Krankenhäusern in China (2014–2020) eingeschlossen, bei denen eine chirurgische Resektion von SPNs durchgeführt wurde. Die Kohorte wurde in Trainings- (n=849), interne Validierungs- (n=365) und externe Validierungsdatensätze (n=236) unterteilt. Erfasst wurden demografische Daten, Raucheranamnese, Rundherdcharakteristika und pathologische Befunde.

Externe Validierung und Rekalibrierung des Mayo-Modells
Das Mayo-Modell wurde auf den Trainingsdatensatz angewendet und mittels der Fläche unter der Receiver-Operating-Characteristic-Kurve (AUC) evaluiert. Anschließend wurden die Kovariatenkoeffizienten rekalibriert.

Entwicklung des neuen prädiktiven Modells
Ein neues logistisches Regressionsmodell wurde unter Verwendung der Rückwärtsselektion (Akaike-Informationskriterium) entwickelt. Eingeschlossene Variablen umfassten u. a. Rundherdtyp, COPD-Anamnese, Randbeschaffenheit und bildgebende Merkmale.

Modellperformance
Die Leistung der Modelle wurde anhand von AUC, Genauigkeit, Sensitivität, Spezifität sowie positivem (PPV) und negativem Vorhersagewert (NPV) verglichen (DeLong-Test).

Ergebnisse
Externe Validierung des Mayo-Modells
Das ursprüngliche Mayo-Modell zeigte im Trainingsdatensatz eine geringe AUC von 0,653 (95 %-KI: 0,613–0,694). Nach Rekalibrierung verbesserte sich die AUC moderat auf 0,671 (95 %-KI: 0,635–0,706). Beide Versionen wiesen jedoch in den Validierungskohorten eine eingeschränkte Performance auf.

Leistung des neuen Modells
Das neue Modell erreichte im Trainingsdatensatz eine AUC von 0,891 (95 %-KI: 0,865–0,917) und zeigte konsistente Werte in der internen (AUC: 0,888; 95 %-KI: 0,842–0,934) und externen Validierung (AUC: 0,876; 95 %-KI: 0,831–0,920).

Neun unabhängige Risikofaktoren wurden identifiziert: Rundherdtyp, Alter, COPD-Anamnese, Spikulation, Lobulation, Vakuolenzeichen, Kalzifikation, Gefäßbezug und Satellitenherde. Feste Rundherde und Kalzifikationen erwiesen sich als protektive Faktoren.

Diskussion
Die Studie unterstreicht die Limitationen des Mayo-Modells in chinesischen Populationen und den Bedarf an populationsspezifischen Modellen. Das neue Modell zeigte eine überlegene Differenzierung zwischen benignen und malignen Rundherden, insbesondere durch die Reduktion übersehener Malignome.

Kernaussagen:

1. Die mangelnde Anwendbarkeit des Mayo-Modells unterstreicht die Notwendigkeit populationsspezifischer Anpassungen.
2. Die Integration von COPD-Anamnese und bildgebenden Merkmalen (z. B. Spikulation) verbesserte die Vorhersagegenauigkeit.
3. Die hohe Sensitivität (79,65–92,10 %) und Spezifität (72,97–83,74 %) unterstützt den klinischen Nutzen zur Reduktion falsch-negativer Befunde.
4. COPD als Risikofaktor reflektiert mögliche synergistische Pathomechanismen, auch bei Nichtrauchern.
5. Protektive Faktoren wie Kalzifikationen könnten mit der hohen Prävalenz tuberkulöser Granulome in der Studienkohorte zusammenhängen.

Limitationen und Ausblick

1. Die externe Validierung umfasste nur zwei Zentren, was die Generalisierbarkeit einschränkt.
2. Die Fokussierung auf operationspflichtige Rundherde könnte das Malignitätsrisiko überschätzen.
3. Eine unausgewogene Fallverteilung könnte die Differenzierung benigner Läsionen beeinträchtigt haben.

Zukünftige Forschung sollte:

1. Größere multizentrische Validierungskohorten einbeziehen.
2. Die Leistung des Modells in Screening-Populationen evaluieren.
3. Biomarker oder KI-gestützte Bildanalyse zur weiteren Optimierung integrieren.

Schlussfolgerung
Die Studie entwickelte ein prädiktives Modell zur Malignitätsbewertung solitärer pulmonaler Rundherde für chinesische Patienten, das dem Mayo-Modell überlegen ist. Die Berücksichtigung populationsspezifischer Faktoren und bildgebender Charakteristika verbesserte die diagnostische Präzision signifikant. Solche Modelle können die klinische Entscheidungsfindung optimieren und langfristig die Patientenversorgung verbessern.

doi: 10.1097/CM9.0000000000001507