Rak tarczycy
Rokowania, prognozy i postęp choroby
Rak brodawkowaty tarczycy (PTC), stanowiący około 80% przypadków raka tarczycy, charakteryzuje się bardzo dobrym rokowaniem, z 5-letnim przeżyciem netto na poziomie 97% i 10-letnim wskaźnikiem przeżycia sięgającym 80-95%. Mimo to, u 25-30% pacjentów obserwuje się przetrwałą chorobę strukturalną lub nawrót, a śmiertelność jest istotna zwłaszcza u pacjentów z przerzutami do węzłów chłonnych (11%) i przerzutami odległymi (57%). Kluczowe czynniki prognostyczne obejmują wiek (z punktami odcięcia 45 i 55 lat), płeć, wielkość guza, stopień zaawansowania TNM oraz obecność przerzutów do węzłów chłonnych, z LNR i stadium N jako istotnymi zmiennymi prognostycznymi. Systemy stratyfikacji ryzyka, takie jak ATA, oraz dynamiczne modele oceny odpowiedzi na leczenie (np. na podstawie poziomu tyreoglobuliny ≥63,1 ng/mL) poprawiają precyzję prognozowania i kierowanie terapią.
- Rokowanie w raku tarczycy – przegląd ogólny
- Genetyczne determinanty rokowania w raku brodawkowatym tarczycy
- Kliniczne czynniki prognostyczne w raku tarczycy
- Systemy stratyfikacji ryzyka w raku tarczycy
- Obrazowanie w prognozowaniu wyników leczenia raka tarczycy
- Przyszłe kierunki w prognozowaniu raka tarczycy
- Podsumowanie
Rokowanie w raku tarczycy – przegląd ogólny
Rak tarczycy jest chorobą, która zwykle wiąże się z doskonałym rokowaniem. Dotyczy to szczególnie raka brodawkowatego tarczycy (PTC), który stanowi około 80% wszystkich przypadków nowotworów złośliwych tarczycy. Ogólnie rzecz biorąc, rokowanie w raku tarczycy jest bardzo pozytywne, a większość przypadków jest uleczalna przy odpowiednim leczeniu.12
Wskaźniki przeżycia w raku tarczycy są imponujące: w Kanadzie 5-letnie przeżycie netto wynosi 97%, a w przypadku raka brodawkowatego tarczycy (PTC) 10-letni wskaźnik przeżycia może sięgać 80-95%. Co więcej, wskaźnik 5-letniego przeżycia dla PTC w stadium zlokalizowanym (ograniczonym do gruczołu) wynosi prawie 100%, a nawet przy rozsiewie nowotworu wskaźnik przeżycia pozostaje wysoki, bliski 80%.345
Mimo doskonałego rokowania ogólnego, u około 25-30% pacjentów występuje przetrwała choroba strukturalna lub nawrót po początkowym standardowym leczeniu. Należy zauważyć, że znaczna część tych pacjentów (11% z przerzutami do węzłów chłonnych i 57% z przerzutami odległymi) umiera z powodu PTC.67
Wskaźniki przeżycia i czas przeżycia bez choroby
W badaniu retrospektywnym obejmującym 660 przypadków raka brodawkowatego tarczycy, 5-, 10- i 15-letnie przeżycie wolne od choroby (DFS) wynosiło odpowiednio 95,5%, 90,2% i 89,2%. Całkowite przeżycie (OS) w okresie 5, 10 i 15 lat było jeszcze wyższe, osiągając odpowiednio 99,7%, 99,2% i 99,1%.8
Należy jednak pamiętać, że statystyki przeżycia są ogólnymi szacunkami i muszą być interpretowane z dużą ostrożnością. Ponieważ opierają się na doświadczeniach grup pacjentów, nie mogą być używane do przewidywania szans przeżycia konkretnej osoby. Rokowanie zależy od wielu czynników, w tym od historii zdrowia pacjenta, typu raka, stadium, pewnych charakterystyk nowotworu, wybranych metod leczenia i odpowiedzi na leczenie.910
Ponadto, wskaźniki przeżycia odnoszą się tylko do stadium raka w momencie pierwszej diagnozy. Nie mają zastosowania w późniejszym okresie, jeśli rak rośnie, rozprzestrzenia się lub nawraca po leczeniu. Osoby obecnie diagnozowane z rakiem tarczycy mogą mieć lepsze rokowanie niż pokazują te liczby, ponieważ metody leczenia uległy poprawie z czasem.11
Genetyczne determinanty rokowania w raku brodawkowatym tarczycy
Badania wskazują, że różne markery molekularne odgrywają istotną rolę w przewidywaniu wyników leczenia pacjentów z rakiem brodawkowatym tarczycy (PTC).1213
Mutacje BRAF i TERT – kluczowe markery molekularne
Badania wykazały, że guzy z mutacją promotora TERT (TERTpmut) wiążą się ze znacznie niższym czasem przeżycia bez choroby strukturalnej (SDFS) i zwiększoną śmiertelnością specyficzną dla choroby (DSM). Pacjenci z guzami TERTpmut wykazują istotnie zwiększone ryzyko choroby strukturalnej (HR = 7,0, p < 0,001) i DSM (HR = 10,1, p = 0,001).1415
Analizując kombinacje mutacji, pacjenci z guzami BRAFwt/TERTpmut (HR = 24,2, p < 0,001) i BRAFmut/TERTpmut (HR = 11,5, p = 0,002) wykazywali zwiększone ryzyko choroby strukturalnej. Śmiertelność specyficzna dla choroby była znacząco zwiększona u pacjentów z TERTpmut niezależnie od statusu BRAF (BRAFmut/TERTpmut, log-rank p < 0,001; BRAFwt/TERTpmut, log-rank p < 0,001).16
Ponadto, guzy BRAFmut/TERTpwt były związane ze zwiększonym ryzykiem nawracającej/przetrwałej choroby. Te wyniki potwierdzają, że markery molekularne mogą odgrywać rolę w przewidywaniu wyniku leczenia pacjentów z PTC.17
Wzorce molekularne – BRAF-like, RAS-like i NBNR
Badania wieloośrodkowe wykazały, że wzorce alteracji molekularnych – BRAF-like, RAS-like i non-BRAF-non-RAS (NBNR) – mogą być związane z zachowaniem guza, lepiej przewidując agresywne cechy, takie jak przerzuty do węzłów chłonnych i naciekanie pozatarczycowe, niż sama wielkość guza.18
W obecnej erze poleganie wyłącznie na wielkości guza jako markerze prognostycznym w raku brodawkowatym tarczycy może być niewystarczające, ponieważ wcześnie wykryte małe guzy mogą nie wykazywać w pełni swojego agresywnego potencjału. Integracja profilowania molekularnego z praktyką kliniczną może zwiększyć precyzję strategii leczenia, szczególnie w przypadku wczesnego stadium, małych guzów.19
Kliniczne czynniki prognostyczne w raku tarczycy
Istnieje szereg klinicznych czynników prognostycznych, które wpływają na rokowanie pacjentów z rakiem tarczycy.20
Wiek i płeć
Wiek jest jednym z najważniejszych czynników prognostycznych w raku tarczycy. Badania wykazały, że wiek jest czynnikiem prognostycznym zarówno przy punkcie odcięcia 45 lat (HR 2,00, 95% CI: 1,17-3,42, P<0,05), jak i 55 lat (HR 2,76, 95% CI: 1,70-4,50, P<0,05).21
Płeć również wpływa na rokowanie, będąc jednym z niezależnych czynników ryzyka wpływających na przeżycie specyficzne dla raka (CSS) u pacjentów w średnim wieku z PTC.22
Charakterystyka guza i stadium zaawansowania
Wielkość guza, stopień zaawansowania TNM, stopień zróżnicowania guza są niezależnymi czynnikami ryzyka wpływającymi na CSS u pacjentów w średnim wieku z PTC.23
W analizie regresji wieloczynnikowej Coxa stwierdzono, że wiek i maksymalna wielkość przerzutowych węzłów chłonnych są znacząco związane z przeżyciem wolnym od choroby (DFS).24
Przerzuty do węzłów chłonnych
Współczynnik przerzutów do węzłów chłonnych (LNR) znalazł się wśród 2 najważniejszych zmiennych, a stadium N wśród 5 najważniejszych zmiennych według wszystkich modeli prognostycznych.25
W badaniach pediatrycznego raka brodawkowatego tarczycy (PPTC) wykazano, że wiek i przerzuty do węzłów chłonnych są ważnymi wskaźnikami prognostycznymi, co pokrywa się z wcześniejszymi ustaleniami.26
Systemy stratyfikacji ryzyka w raku tarczycy
System Stratyfikacji Ryzyka ATA (American Thyroid Association) jest szeroko stosowaną metodą szacowania rokowania i ryzyka nawrotu w oparciu o określone cechy i pomaga w ukierunkowaniu leczenia i obserwacji pacjentów z rakiem tarczycy.27
Modele dynamiczne oceny ryzyka
Aby przezwyciężyć ograniczenia systemów opartych na statycznych parametrach, większość wytycznych opracowała dynamiczny model prognostyczny, w którym ewolucja choroby, oceniana na podstawie poablacyjnych danych biochemicznych i morfologicznych, została dodana do parametrów statycznych.28
Zgodnie z takim podejściem, długoterminowe postępowanie w PTC jest określane przez tzw. ocenę odpowiedzi na początkową terapię, dynamiczną ocenę opartą na określeniu statusu choroby rozpoczynającą się 6-18 miesięcy po ablacji tarczycy i aktualizowaną przy każdej wizycie kontrolnej. Włączenie takiego parametru do oceny prognostycznej wykazało dramatyczną poprawę mocy stratyfikacji ryzyka.29
Opracowano model drzewa decyzyjnego, który jest w stanie dostarczyć wiarygodnych informacji na temat prawdopodobieństwa strukturalnie i/lub biochemicznie przetrwałego/nawrotowego zróżnicowanego raka tarczycy (DTC) po całkowitej tyreoidektomii. Badania wykazały, że wartości tyreoglobuliny (Tg) ≥63,1 ng/mL przewidywały krótszy czas przeżycia, ze zwiększonym DFS-SD dla wartości Tg ≥63,1 i ≥8,9 ng/mL.30
Wykorzystanie uczenia maszynowego w stratyfikacji ryzyka
Modele uczenia maszynowego, szczególnie wielowarstwowe perceptrony (MLP), wykorzystujące dane z dużych grup pacjentów z rakiem tarczycy, wykazały, że niespecjalistyczne i istniejące zapisy medyczne mogą być wiarygodnie przekształcone w moc predykcji, aby pomóc lekarzom podejmować świadome i zoptymalizowane decyzje dotyczące leczenia.31
Najdokładniejszy model, MLP-1, wykazał dokładność 94,49% (94,45% przypadków żyjących i 96,36% zgonów związanych z rakiem tarczycy). Pomimo nierównowagi klas, która zwykle wpływa na wydajność MLP, osiągnięto figury dokładności klasyfikacji dla obu klas, co oznacza, że znaleziono silne związki między zastosowanymi zmiennymi niezależnymi i zależnymi.32
W przypadku pediatrycznego raka brodawkowatego tarczycy (PPTC) model oparty na białkach (ProtRsf) osiągnął dokładność 88,24% w stratyfikacji pacjentów z PPTC na grupy o wysokim lub niskim ryzyku nawrotu.33
Model Random Forest (RF) osiągnął oczekiwaną wydajność predykcji z ogólnie dobrą dyskryminacją, kalibracją i interpretowalnością w badaniach dotyczących przewidywania nawrotu strukturalnego u pacjentów z PTC.3435
Obrazowanie w prognozowaniu wyników leczenia raka tarczycy
Rola PET/CT w przewidywaniu odpowiedzi na leczenie lenwatynibem
Lenwatynim jest szeroko stosowany w leczeniu nieoperacyjnych i zaawansowanych raków tarczycy. Badania wykazały, że efekty terapeutyczne lenwatynibu można wykryć wcześniej niż w przypadku CT, jako zmniejszenie wychwytu FDG (fluorodeoksyglukozy) w badaniu PET/CT.36
Badanie PET/CT wykonane 1 tydzień po rozpoczęciu leczenia lenwatynibem może przewidzieć wyniki leczenia u pacjentów ze zróżnicowanym rakiem tarczycy (DTC). Analiza krzywej ROC dała wartość AUC 0,714 dla SUVmax po 1 tygodniu leczenia lenwatynibem.37
Mediana przeżycia wolnego od progresji wynosiła 26,3 miesiąca u pacjentów z wartością poniżej wartości odcięcia i 19,7 miesiąca u pacjentów z wartością powyżej wartości odcięcia (P=0,078).38
Przyszłe kierunki w prognozowaniu raka tarczycy
W przyszłości zasada stojąca za podejściem opartym na uczeniu maszynowym może być wdrożona w celu przewidywania, podczas projektowania badań klinicznych, prawdopodobieństwa korzystnych efektów wśród określonych subpopulacji reprezentujących określone cechy, przy jednoczesnym minimalizowaniu ryzyka związanego z innymi podczas testowania nowych kandydatów na leki.39
Istnieje duża potrzeba danych z prospektywnych badań obserwacyjnych, aby dopracować rzeczywisty wpływ każdej cechy klinicznej na wynik choroby i poprawić narzędzia oceny ryzyka.40
Wyniki badań sugerują, że systemy uczenia maszynowego wykorzystujące duże bazy danych mogą poprawić przewidywanie przetrwania lub nawrotu raka tarczycy. Włączenie dodatkowych zmiennych niż te używane w obecnych systemach stratyfikacji ryzyka może poprawić ocenę ryzyka. Stanowi to ważny krok w kierunku medycyny precyzyjnej w przewidywaniu nawrotu raka tarczycy.41
Badania molekularne guzków tarczycy zapewniają dokładniejsze przewidywanie zachowania guza w porównaniu z samą wielkością guza. Sugeruje to, że przyszłe systemy oceny mogłyby skorzystać z włączenia wzorców alteracji molekularnych do swoich algorytmów.42
Podsumowanie
Rokowanie w raku tarczycy, a w szczególności w raku brodawkowatym tarczycy (PTC), jest ogólnie bardzo dobre, z wysokimi wskaźnikami przeżycia. Jednak identyfikacja pacjentów z większym ryzykiem nawrotu lub agresywnego przebiegu choroby pozostaje wyzwaniem klinicznym.
Badania wskazują, że markery molekularne, takie jak mutacje BRAF i TERT, wzorce molekularne (BRAF-like, RAS-like, NBNR), wraz z czynnikami klinicznymi (wiek, płeć, charakterystyka guza, przerzuty do węzłów chłonnych) odgrywają kluczową rolę w przewidywaniu rokowania.
Dynamiczne modele oceny ryzyka, uwzględniające ewolucję choroby, oraz zaawansowane metody uczenia maszynowego stanowią obiecujące podejścia do poprawy stratyfikacji ryzyka i personalizacji leczenia pacjentów z rakiem tarczycy. Integracja badań molekularnych z praktyką kliniczną może przyczynić się do dalszej poprawy wyników leczenia w tej chorobie.
Kolejne rozdziały
Zapraszamy do dalszego czytania naszego leksykonu.
Wybierz kolejny rozdział z menu poniżej, aby otworzyć nową podstronę kompedium wiedzy i uzyskać szczegółowe informację o leku, substancji lub chorobie.