Dit artikel is onderdeel van de Editor’s Pick van dr. Judith Herder, bestaande uit een selectie van klinisch relevante literatuur op het gebied van (long)kanker. In deze selectie komen onder andere artikelen over nieuwe behandelingen voor kleincellig longcarcinoom, AI-modellen voor kanker met een onbekende primaire tumor en ongelijkheid in onvervulde zorgbehoeften aan bod.
Bekijk hier de gehele selectie.
Wanneer de standaard diagnostische onderzoeken, inclusief radiologie- en pathologiebeoordelingen, er niet in slagen om de primaire locatie van een gemetastaseerde kanker te vinden, wordt dit gediagnosticeerd als kanker van onbekende primaire oorsprong (primaire tumor onbekend, PTO). Met een nieuwe ‘machine learning’-tool hopen onderzoekers van het Massachusetts Institute of Technology en het Dana-Farber Cancer Institute het gemakkelijker te maken om de oorsprong van PTO te identificeren. De uitkomsten van deze studie werden gepubliceerd in het tijdschrift Nature Medicine.1
PTO vertegenwoordigt ongeveer 3-5% van alle kankers wereldwijd en wordt gekenmerkt door een agressief verloop en een slechte prognose (overleving van 6-16 maanden).2 Omdat de primaire locatie niet bekend is, zijn de behandelingsmogelijkheden beperkt. Nieuwe kankerbehandelingen gericht op meetbare moleculaire veranderingen worden doorgaans ontwikkeld voor specifieke kankertypen en zijn niet toegankelijk voor patiënten met PTO. Voor deze patiënten valt er dus veel gezondheidswinst te behalen door de oorsprong van de kanker te identificeren.
Binnen het kader van de huidige studie werd OncoNPC ontwikkeld, een ‘machine-learning’-programma dat is getraind met ‘next-generation sequencing’ (NGS)-gegevens van 36.445 tumoren met een bekende oorsprong van 22 kankertypen. Vervolgens werd OncoNPC ingezet om tumoren afkomstig van 971 patiënten met PTO te analyseren. Het computationele model OncoNPC kan de sequentie van ongeveer 400 genen analyseren en die informatie gebruiken om te voorspellen waar een bepaalde tumor in het lichaam is ontstaan.
Met behulp van OncoNPC toonden de onderzoekers aan dat ze in een dataset van 971 patiënten ten minste 40 procent van tumoren van onbekende oorsprong met hoge betrouwbaarheid nauwkeurig konden classificeren. Deze aanpak resulteerde in een 2,2-voudige toename van het aantal patiënten dat in aanmerking kon komen voor gerichte behandelingen op basis van waar hun kanker is ontstaan.
Vervolgens vergeleken de onderzoekers de voorspellingen van het model met een analyse van de kiemlijn- of erfelijke mutaties in een subset van tumoren waarvan deze gegevens beschikbaar waren. Deze mutaties kunnen onthullen of de patiënten een genetische aanleg hebben om een bepaald type kanker te ontwikkelen. De onderzoekers ontdekten dat de voorspellingen van OncoNPC veel vaker overeenkwamen met het type kanker dat ook het sterkst werd voorspeld door de erfelijke mutaties, dan met elk ander type kanker.
De uitkomsten van deze studie suggereren dat veel PTO-tumoren kunnen worden ingedeeld in zinvolle subgroepen op basis van de voorspellingen van OncoNPC. Het model kan uiteindelijk de klinische besluitvorming ondersteunen en het aantal patiënten met PTO dat gerichte therapieën zou kunnen ontvangen aanzienlijk verhogen.
Naar boven
