SlideShare a Scribd company logo
1 of 33
Aproximació preoperatòria al
diagnòstic de les tumoracions
          annexials

     Index predictiu de malignitat
          Aportació de HE4-ROMA


 Dr Fusté / Dr Molina / Dra Albela / Dr Barranco / Dra Rius
introducció
•   Consideracions prèvies.
•   Antecedents.
•   Importància.
•   Estat actual.
•   Conceptes entorn al HE4.
•   Dades ICGON. Proposta.
Introducció: càncer ovàric

• 1. El tractament quirúrgic
  i l’estadificació requereix
  de preparació específica:
  variable pronòstica!



                       2. Paradoxa:
  és el tumor que més requereix un diagnòstic acurat preoperatori
                   i el que menys ho aconseguim

          Tumoració sospitosa: derivació unitat apropiada
Mètodes diagnòstics
•   ECO TV/abd (i variants).
•   TC / RNM.
•   M.T.
•   Indexs predictius (RMI).

                          POC EFICIENTS
     Actualment, acceptem que:
        - No tenim cap prova diagnòstica, ni combinació de vàries, amb VPN
           per a malignitat que s’apropi al 100%.
        - Per a qualsevol grup d’edat i per a totes les categories de troballes
          de les proves preoperatòries.
RMI: “Risk of Malignancy Index”
 •    Cutoff > 200      remitir al Ginecólogo Oncólogo
                     RMI = U x M x CA125

     •   U = 0 para score ECO de 0
              1 para score ECO de 1
              3 para score ECO de 2-5
          score ECO, asigna 1 pto para cada característica:
          • Quiste ovario multiloculado
          • Masa ovárica con componente sólido
          • Lesión bilateral
          • Ascitis
          • Evidencia de M1 intraabdominal

     •   M=   1 si premenopaúsica
              2 si postmenopaúsica



     S               VPN                  E                   VPP
77-94%             87-93%             68-35%             52-40%

Resultados inferiores en premenopausia y estadios I
AGOG: “Guidelines” para remitir una paciente con
    masa anexial al Ginecólogo Oncólogo

Al menos 1 de las siguientes características:


    1.   Elevación de CA125
            •   > 35 U/mL en postmenepaúsicas
            •   > 200 U/mL en premenopaúsicas
    2.   Ascitis
    3.   Masa pélvica nodular o fija
    4.   Evidencia de M1 abdominal / distancia
    5.   Historia familiar de 1 o más casos de ca. Ovario o mama
         (primer grado)
SGO: “Guidelines” para remitir una paciente con
    masa anexial al Ginecólogo Oncólogo
Al menos 1 de las siguientes características:

   1. Evidencia de enf. avanzada clínica/imagen (ascitis, omental
      cake, nodulos peritoneales...)
   2. Masa pélvica con las siguientes caract.
        •   Masas bilaterales
        •   Tumor > 10 cm.
        •   T. Complejo (componente sólido, papilas)
        •   T. Nódular o fijo
   3. Masa pélvica en pre-menarquia
   4. Aumento de marcadores (CA125, FP, HCG)
   5. Postmenopaúsica con T. Pélvico o marcador elevado
   6. Historia familiar o personal de uno o más casos de ca. Ovario,
      mama, u otros cánceres(1º grado)
Guies clíniques
• > 20 % dels Ca. Ovàrics no es detectarien.

• Molt elevat nombre de casos remesos
  innecessàriament a unitats especializades.

               EFICÀCIA
                   &
        INEFICIENCIA - DESPESA
Escenaris clínics
• Escenari clínic 1:
  – Disfunció diagnòstica: excés de baixa sospita.
       Impacte en el pronòstic / mortalitat


• Escenari clínic 2:
  – Disfunció diagnòstica: excés d’alta sospita
                IATROGENIA
          INEFICIENCIA - DESPESA
• Necessitat d’identificar bé la patologia
  benigna/maligna per tal de :
     • Limitar la indicació quirúrgica als quistes no funcionales.
     • Fomentar la cirurgia conservadora de la fertilidad a la
       dona jove.
     • Fomentar la cirurgia laparoscòpica.
     • Fomentar la cirurgia ambulatòria i de curta estada.
     • Gestionar les llistes d’espera.
     • Evitar l’aproximació oncològica especialitzada (proves
       complementàries, planificació quirúrgica, biòpsies
       peroperatòries, etc) innecessària.
HE-4
    (WFDC2 Whey Acidic Four Disulfide Core protein 2)


• Nou marcador de patologia ovàrica maligna
  – Característiques.
    • Més específic i més sensible que el CA 125.
    • Aplicable en premenopausa.
    • Aplicable en patologia ovàrica benigna amb CA125.
  – En estudi.
    • Rendimient clínico.
    • Unic o en combinació amb el CA125 (índex ROMA).
    • Indexs pronòstics multivariables.
HE-4
    (WFDC2 Whey Acidic Four Disulfide Core protein 2)

• Consideracions entorn al HE4
  – Disponible a la majoria de laboratoris.
  – Cost acceptable.
  – Valor de tall (?):
     • 140 / 150 ?
     • Premenopausa / postmenopausa.
  – Augmenta en insuficiència renal.
  – Augmenta en càncer de pulmó.
  – No incrementat en endometriomes.
Index pronòstic de malignitat
• Hipòtesi:
  – La incorporació de la determinació de HE4 permetrà
    dissenyar un índex predictiu amb suficient precisió
    com per a usar-lo en el maneig clínic preoperatori.

• Disseny de l’estudi:
  – Fase prèvia:
     • Estudio retrospectiu de les nostres dades.
     • Elaboració de un índex pronòstic probabilístic.
  – Fase posterior:
     • Estudi prospectiu multicèntric.
     • Estudis de cost-efectivitat, eficiència y aplicabilitat.
Index pronòstic de malignitat
                Hospital Clínic
    Dr Fusté / Dr Molina / Dra Albela / Dr Barranco / Dra Rius

•     Casuística retrospectiva (1998 – Oct/2011)
     –    Tumors ovàrics benignes / tumors malignes (ovàrics i no
          ovàrics ginecològics).
     –    Ecografia (ítems)
     –    Marcadors tumorals (CEA, CA199,CA125,HE4)
     –    Items clínics; edat, estat menopàusic
Index pronòstic de malignitat
          ICGON – Hospital Clínic
                                   B: benigne
200    19 3                        BL: borderline
                                   MOE: malignes ovàrics epitelials
18 0                               MOnoE: malignes ovàrics no epitelials
16 0                               MnoO: malignes no ovàrics
                                   No AP: no histologia
14 0

12 0

10 0
                    84
 80

 60

 40
                                                          19
 20           13               10             7

  0
       B      BL   MOE       MOnoE         MnoO         No AP


                   N = 326
T i po Hi s t ol ógi c o (T odas )         Cat egA P (T odas )


Index pronòstic de malignitat
      Cont ar de T i po Hi s t ol ógi c o




      250




                                              211


      200




       150



                                                                            Coloque c ampos de s erie aquí


                                                                              B
                                                                      114
        100
                                                                              M




            50




              0


                                        B

                                                                  M

        Els tumors borderline s’inclouen en la categoria de Benignitat
MALIGNIDAD
HE-4                            (excluidos BL y malignos no epiteliales)
             BENIGNIDAD

       500                500

       450                450

       400                400


       350                350


       300                300


       250                250


       200                200


       150                150


       100                100


       50                  50


        0                   0

                HE4                               HE4
BENIGNITAT   premenopausa      MALIGNITAT
HE-4   100                             100

       90                               90

       80                               80

       70                               70

       60                               60

       50                               50

       40                               40

       30                               30

       20                               20

       10                               10

        0                               0
             N=153                           N=19


                     BENIGNITAT   postmenopausa     MALIGNITAT
       100                             100

        90                              90

        80                              80

        70                              70

        60                              60

        50                              50

        40                              40

        30                              30

        20                              20

        10                              10

         0                               0
             N=53                            N=72
Index pronòstic de malignitat
                                                       CA 12.5 / HE-4

CA 12-5. N= 321.                                                       HE-4. N= 326.

         BENIGNITAT                     MALIGNITAT                               BENIGNITAT                     MALIGNITAT
 10000                  10000                                           10000                 10000




 1000                   1000                                             1000                  1000




  100                    100                                              100                   100




   10                     10                                               10                    10




    1                      1
                                Exclosos BL i malignes no epitelials        1                     1
                                                                                                      Exclosos BL i malignes no epitelials
         CA-125                                                                 HE4
Algoritmo de Regresión Logistica


Risk of Ovarian Malignancy Algorithm
               (ROMA)

Mujeres premenopausicas
PI = -12.0 + 2.38*LN[HE4] + 0.0626*LN[CA 125]

Mujeres postmenopausicas
PI = -8.09 + 1.04*LN[HE4] + 0.732*LN [CA 125]

ROMA = exp(PI) / [1 + exp(PI)]x 100

 PI:Indice predictivo           Fujirebio Diagnostics
Index pronòstic de malignitat
                       ROMA
        (Risk of Ovarian Malignancy Algorithm)

          BENIGNITAT                MALIGNITAT

100                        100

 90                         90

 80                         80

 70                         70

 60                         60

 50                         50

 40                         40

 30                         30

 20                         20

 10                         10

  0                          0

               ROMA                      ROMA M

N=206                      N=91
Index pronòstic de malignitat
                                        HE4 vs ROMA

         BENIGNITAT            MALIGNITAT                 BENIGNITAT         MALIGINITAT

10000                  10000                 100                       100

                                                                       90

                                             80                        80
 1000                   1000
                                                                       70

                                             60                        60

  100                    100                                           50

                                             40                        40

                                                                       30
   10                     10
                                             20                        20

                                                                       10

    1                      1                  0                         0
        HE4                                        ROMA
Index pronòstic de malignitat
                  Resultats ICGON

                   S       E        VPP    VPN

CA 12.5    65     95,4    84,7      75,5   97,4

           100    88,5    90,4      81,9   94,1

 CA 19.9   50     15,3    86,3      27,3   75,1

   CEA      4     14,5    92,0      36,4   77,5

    HE4    140    80,5    96,8      92,1   91,4

           150    78,2    96,8      91,9   90,5

           70     95,4    81,3      70,3   97,4

           60     95,4    75,9      64,8   97,3

  ROMA     10     97,4    69,6      53,2   98,7
ICGON. > any 2000
                                Estadis inicials                               Estadi Ia - IIa: 31 %

Cas   Menop.          Edat   CA125      HE4      ROMA     ESTADI                 Histologia
 1        s            74      46       336,8      68,2     Ia      CISTOADENOCA. SEROSO PAPILAR

 2        n            46      44       496        75,7     Ic      CEL CLARAS OV.

 3        n            53     148       357        84,3     Ic      INDIFERENCIADO Ov.

 4        s            72      19       184,8      37,6     Ic      INDIFERENCIADO-IMQ transicional ov.

 5        n            24      55       96,6       29,5     Ia      DISGERMINOMA

 6        s            58     454       134,1      81,5     Ic      CISTADENOCA. ENDOMETRIOIDE

 7        s            52      71       524        82,4     Ic      CISTADENOCA. ENDOMETRIOIDE


                                                           Cas 8.
 Llindar sensibilitat M.T.    Res (n)           Res (%)
                                                           63 a.
                                                           QOD. 8x7;ecodens;refringència 30mm vascularitzada
       CA 12.5 (60)           (3/7)             42.9 %
                                                           MT: 125: 32; 199: 57; CEA 1,1; HE4: 46
         CA 12.5                                           Lpsc; exèresi; aspecte benignitat.
                              (4/7)             57.1 %
(menop: 35 ; premenop: 60)                                 Bx perop: C.S.P. (estadi Ic x ruptura capsular)

        HE 4 (140)            (5/7)             71.4 %
                                                                                              ROMA: 17.3


         HE 4 (70)            (7/7)              100 %


       ROMA (10;20)           (7/7)              100 %
CA 125 & HE4 & ROMA

       ROC–AUCs, sensitivity and specificity for CA125 (U ml1), HE4 (pM) and ROMA (%)




                                                                                 389 Pacients.
                                                                                   228 T. Benignes .
                                                                                   161 T. Malignes (inclou BL i metastàtic)
T Van Gorp et al. British Journal of Cancer (2011)
ROMA vs RMI




Moore RG et al, AJOG 2010
ROMA vs RMI




Moore RG et al, AJOG 2010
Index pronòstic de malignitat
                      ICGON
                      ROMA



HE4




          AUC: 0,88               AUC: 0,965
Index pronòstic de malignitat
                                ROMA. Distribució del risc
                                                  ICGON


                                   <5%
entre 25 y 100 %                   25%
      30%


                                                   <5%
                                                   entre 5 y 10 %
                                                   entre 10 y 25 %
                                                   entre 25 y 100 %



     entre 10 y 25 %              entre 5 y 10 %
          18%                          27%
Index pronòstic de malignitat
                                  ROMA. Distribució del risc
                                          ICGON


          <5%                                     71                       7




  entre 5 y 10 %                             62                       18


                                                                                Premenopausa
 entre 10 y 50 %                  33                        36                  Menopausa



entre 50 y 100 %        13                             57



                   0         10        20   30     40       50   60   70       80


     297 pacients:
          - 206 t. benignes & borderline
          - 91 t. malignes
Index pronòstic de malignitat
Premenopausa                                                    ROMA. Distribució del risc
                    entre 50 y 100 %                                              ICGON
                           6%

  entre 10 y 50 %
       18%
                                                          <5%
                                                          41%      <5%
                                                                   entre 5 y 10 %
                                                                   entre 10 y 50 %
                                                                   entre 50 y 100 %



                                                                      <5%
          entre 5 y 10 %
                                                                       5%
               35%                                                                    entre 5 y 10 %
                                                                                           15%




                                       entre 50 y 100 %
                                             50%



                                                                                        entre 10 y 50 %
                            Menopausa                                                        30%
Limitacions
Estudi retrospectiu.
• Escàs nombre de casos:
  – Estadis I
  – Tumors mucinosos i altres no epitelials
  – Tumors benignes

• Tumors en premenopausa.
• Insuficiens dades ecogràfiques (< 2010)
• Items clínics (factors risc/protecció).
Continuació estudi
• Fase prospectiva multicèntrica.
• Incorporació ítems ecogràfics per aconseguir un
  índex de risc únic (bioquímica+ecografia).
• Estudis d’aplicabilitat i cost-efectivitat.
   – Estudi retrospectiu de les programacions.
   – Estudis cost-benefici.

More Related Content

Featured

Social Media Marketing Trends 2024 // The Global Indie Insights
Social Media Marketing Trends 2024 // The Global Indie InsightsSocial Media Marketing Trends 2024 // The Global Indie Insights
Social Media Marketing Trends 2024 // The Global Indie Insights
Kurio // The Social Media Age(ncy)
 
Good Stuff Happens in 1:1 Meetings: Why you need them and how to do them well
Good Stuff Happens in 1:1 Meetings: Why you need them and how to do them wellGood Stuff Happens in 1:1 Meetings: Why you need them and how to do them well
Good Stuff Happens in 1:1 Meetings: Why you need them and how to do them well
Saba Software
 

Featured (20)

Content Methodology: A Best Practices Report (Webinar)
Content Methodology: A Best Practices Report (Webinar)Content Methodology: A Best Practices Report (Webinar)
Content Methodology: A Best Practices Report (Webinar)
 
How to Prepare For a Successful Job Search for 2024
How to Prepare For a Successful Job Search for 2024How to Prepare For a Successful Job Search for 2024
How to Prepare For a Successful Job Search for 2024
 
Social Media Marketing Trends 2024 // The Global Indie Insights
Social Media Marketing Trends 2024 // The Global Indie InsightsSocial Media Marketing Trends 2024 // The Global Indie Insights
Social Media Marketing Trends 2024 // The Global Indie Insights
 
Trends In Paid Search: Navigating The Digital Landscape In 2024
Trends In Paid Search: Navigating The Digital Landscape In 2024Trends In Paid Search: Navigating The Digital Landscape In 2024
Trends In Paid Search: Navigating The Digital Landscape In 2024
 
5 Public speaking tips from TED - Visualized summary
5 Public speaking tips from TED - Visualized summary5 Public speaking tips from TED - Visualized summary
5 Public speaking tips from TED - Visualized summary
 
ChatGPT and the Future of Work - Clark Boyd
ChatGPT and the Future of Work - Clark Boyd ChatGPT and the Future of Work - Clark Boyd
ChatGPT and the Future of Work - Clark Boyd
 
Getting into the tech field. what next
Getting into the tech field. what next Getting into the tech field. what next
Getting into the tech field. what next
 
Google's Just Not That Into You: Understanding Core Updates & Search Intent
Google's Just Not That Into You: Understanding Core Updates & Search IntentGoogle's Just Not That Into You: Understanding Core Updates & Search Intent
Google's Just Not That Into You: Understanding Core Updates & Search Intent
 
How to have difficult conversations
How to have difficult conversations How to have difficult conversations
How to have difficult conversations
 
Introduction to Data Science
Introduction to Data ScienceIntroduction to Data Science
Introduction to Data Science
 
Time Management & Productivity - Best Practices
Time Management & Productivity -  Best PracticesTime Management & Productivity -  Best Practices
Time Management & Productivity - Best Practices
 
The six step guide to practical project management
The six step guide to practical project managementThe six step guide to practical project management
The six step guide to practical project management
 
Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
 
Unlocking the Power of ChatGPT and AI in Testing - A Real-World Look, present...
Unlocking the Power of ChatGPT and AI in Testing - A Real-World Look, present...Unlocking the Power of ChatGPT and AI in Testing - A Real-World Look, present...
Unlocking the Power of ChatGPT and AI in Testing - A Real-World Look, present...
 
12 Ways to Increase Your Influence at Work
12 Ways to Increase Your Influence at Work12 Ways to Increase Your Influence at Work
12 Ways to Increase Your Influence at Work
 
ChatGPT webinar slides
ChatGPT webinar slidesChatGPT webinar slides
ChatGPT webinar slides
 
More than Just Lines on a Map: Best Practices for U.S Bike Routes
More than Just Lines on a Map: Best Practices for U.S Bike RoutesMore than Just Lines on a Map: Best Practices for U.S Bike Routes
More than Just Lines on a Map: Best Practices for U.S Bike Routes
 
Ride the Storm: Navigating Through Unstable Periods / Katerina Rudko (Belka G...
Ride the Storm: Navigating Through Unstable Periods / Katerina Rudko (Belka G...Ride the Storm: Navigating Through Unstable Periods / Katerina Rudko (Belka G...
Ride the Storm: Navigating Through Unstable Periods / Katerina Rudko (Belka G...
 
Barbie - Brand Strategy Presentation
Barbie - Brand Strategy PresentationBarbie - Brand Strategy Presentation
Barbie - Brand Strategy Presentation
 
Good Stuff Happens in 1:1 Meetings: Why you need them and how to do them well
Good Stuff Happens in 1:1 Meetings: Why you need them and how to do them wellGood Stuff Happens in 1:1 Meetings: Why you need them and how to do them well
Good Stuff Happens in 1:1 Meetings: Why you need them and how to do them well
 

Tumoracions annexials2c sessio curt

  • 1. Aproximació preoperatòria al diagnòstic de les tumoracions annexials Index predictiu de malignitat Aportació de HE4-ROMA Dr Fusté / Dr Molina / Dra Albela / Dr Barranco / Dra Rius
  • 2. introducció • Consideracions prèvies. • Antecedents. • Importància. • Estat actual. • Conceptes entorn al HE4. • Dades ICGON. Proposta.
  • 3. Introducció: càncer ovàric • 1. El tractament quirúrgic i l’estadificació requereix de preparació específica: variable pronòstica! 2. Paradoxa: és el tumor que més requereix un diagnòstic acurat preoperatori i el que menys ho aconseguim Tumoració sospitosa: derivació unitat apropiada
  • 4. Mètodes diagnòstics • ECO TV/abd (i variants). • TC / RNM. • M.T. • Indexs predictius (RMI). POC EFICIENTS Actualment, acceptem que: - No tenim cap prova diagnòstica, ni combinació de vàries, amb VPN per a malignitat que s’apropi al 100%. - Per a qualsevol grup d’edat i per a totes les categories de troballes de les proves preoperatòries.
  • 5. RMI: “Risk of Malignancy Index” • Cutoff > 200 remitir al Ginecólogo Oncólogo RMI = U x M x CA125 • U = 0 para score ECO de 0 1 para score ECO de 1 3 para score ECO de 2-5 score ECO, asigna 1 pto para cada característica: • Quiste ovario multiloculado • Masa ovárica con componente sólido • Lesión bilateral • Ascitis • Evidencia de M1 intraabdominal • M= 1 si premenopaúsica 2 si postmenopaúsica S VPN E VPP 77-94% 87-93% 68-35% 52-40% Resultados inferiores en premenopausia y estadios I
  • 6. AGOG: “Guidelines” para remitir una paciente con masa anexial al Ginecólogo Oncólogo Al menos 1 de las siguientes características: 1. Elevación de CA125 • > 35 U/mL en postmenepaúsicas • > 200 U/mL en premenopaúsicas 2. Ascitis 3. Masa pélvica nodular o fija 4. Evidencia de M1 abdominal / distancia 5. Historia familiar de 1 o más casos de ca. Ovario o mama (primer grado)
  • 7. SGO: “Guidelines” para remitir una paciente con masa anexial al Ginecólogo Oncólogo Al menos 1 de las siguientes características: 1. Evidencia de enf. avanzada clínica/imagen (ascitis, omental cake, nodulos peritoneales...) 2. Masa pélvica con las siguientes caract. • Masas bilaterales • Tumor > 10 cm. • T. Complejo (componente sólido, papilas) • T. Nódular o fijo 3. Masa pélvica en pre-menarquia 4. Aumento de marcadores (CA125, FP, HCG) 5. Postmenopaúsica con T. Pélvico o marcador elevado 6. Historia familiar o personal de uno o más casos de ca. Ovario, mama, u otros cánceres(1º grado)
  • 8. Guies clíniques • > 20 % dels Ca. Ovàrics no es detectarien. • Molt elevat nombre de casos remesos innecessàriament a unitats especializades. EFICÀCIA & INEFICIENCIA - DESPESA
  • 9. Escenaris clínics • Escenari clínic 1: – Disfunció diagnòstica: excés de baixa sospita. Impacte en el pronòstic / mortalitat • Escenari clínic 2: – Disfunció diagnòstica: excés d’alta sospita IATROGENIA INEFICIENCIA - DESPESA
  • 10. • Necessitat d’identificar bé la patologia benigna/maligna per tal de : • Limitar la indicació quirúrgica als quistes no funcionales. • Fomentar la cirurgia conservadora de la fertilidad a la dona jove. • Fomentar la cirurgia laparoscòpica. • Fomentar la cirurgia ambulatòria i de curta estada. • Gestionar les llistes d’espera. • Evitar l’aproximació oncològica especialitzada (proves complementàries, planificació quirúrgica, biòpsies peroperatòries, etc) innecessària.
  • 11. HE-4 (WFDC2 Whey Acidic Four Disulfide Core protein 2) • Nou marcador de patologia ovàrica maligna – Característiques. • Més específic i més sensible que el CA 125. • Aplicable en premenopausa. • Aplicable en patologia ovàrica benigna amb CA125. – En estudi. • Rendimient clínico. • Unic o en combinació amb el CA125 (índex ROMA). • Indexs pronòstics multivariables.
  • 12. HE-4 (WFDC2 Whey Acidic Four Disulfide Core protein 2) • Consideracions entorn al HE4 – Disponible a la majoria de laboratoris. – Cost acceptable. – Valor de tall (?): • 140 / 150 ? • Premenopausa / postmenopausa. – Augmenta en insuficiència renal. – Augmenta en càncer de pulmó. – No incrementat en endometriomes.
  • 13. Index pronòstic de malignitat • Hipòtesi: – La incorporació de la determinació de HE4 permetrà dissenyar un índex predictiu amb suficient precisió com per a usar-lo en el maneig clínic preoperatori. • Disseny de l’estudi: – Fase prèvia: • Estudio retrospectiu de les nostres dades. • Elaboració de un índex pronòstic probabilístic. – Fase posterior: • Estudi prospectiu multicèntric. • Estudis de cost-efectivitat, eficiència y aplicabilitat.
  • 14. Index pronòstic de malignitat Hospital Clínic Dr Fusté / Dr Molina / Dra Albela / Dr Barranco / Dra Rius • Casuística retrospectiva (1998 – Oct/2011) – Tumors ovàrics benignes / tumors malignes (ovàrics i no ovàrics ginecològics). – Ecografia (ítems) – Marcadors tumorals (CEA, CA199,CA125,HE4) – Items clínics; edat, estat menopàusic
  • 15. Index pronòstic de malignitat ICGON – Hospital Clínic  B: benigne 200 19 3  BL: borderline  MOE: malignes ovàrics epitelials 18 0  MOnoE: malignes ovàrics no epitelials 16 0  MnoO: malignes no ovàrics  No AP: no histologia 14 0 12 0 10 0 84 80 60 40 19 20 13 10 7 0 B BL MOE MOnoE MnoO No AP N = 326
  • 16. T i po Hi s t ol ógi c o (T odas ) Cat egA P (T odas ) Index pronòstic de malignitat Cont ar de T i po Hi s t ol ógi c o 250 211 200 150 Coloque c ampos de s erie aquí B 114 100 M 50 0 B M Els tumors borderline s’inclouen en la categoria de Benignitat
  • 17. MALIGNIDAD HE-4 (excluidos BL y malignos no epiteliales) BENIGNIDAD 500 500 450 450 400 400 350 350 300 300 250 250 200 200 150 150 100 100 50 50 0 0 HE4 HE4
  • 18. BENIGNITAT premenopausa MALIGNITAT HE-4 100 100 90 90 80 80 70 70 60 60 50 50 40 40 30 30 20 20 10 10 0 0 N=153 N=19 BENIGNITAT postmenopausa MALIGNITAT 100 100 90 90 80 80 70 70 60 60 50 50 40 40 30 30 20 20 10 10 0 0 N=53 N=72
  • 19. Index pronòstic de malignitat CA 12.5 / HE-4 CA 12-5. N= 321. HE-4. N= 326. BENIGNITAT MALIGNITAT BENIGNITAT MALIGNITAT 10000 10000 10000 10000 1000 1000 1000 1000 100 100 100 100 10 10 10 10 1 1 Exclosos BL i malignes no epitelials 1 1 Exclosos BL i malignes no epitelials CA-125 HE4
  • 20. Algoritmo de Regresión Logistica Risk of Ovarian Malignancy Algorithm (ROMA) Mujeres premenopausicas PI = -12.0 + 2.38*LN[HE4] + 0.0626*LN[CA 125] Mujeres postmenopausicas PI = -8.09 + 1.04*LN[HE4] + 0.732*LN [CA 125] ROMA = exp(PI) / [1 + exp(PI)]x 100 PI:Indice predictivo Fujirebio Diagnostics
  • 21. Index pronòstic de malignitat ROMA (Risk of Ovarian Malignancy Algorithm) BENIGNITAT MALIGNITAT 100 100 90 90 80 80 70 70 60 60 50 50 40 40 30 30 20 20 10 10 0 0 ROMA ROMA M N=206 N=91
  • 22. Index pronòstic de malignitat HE4 vs ROMA BENIGNITAT MALIGNITAT BENIGNITAT MALIGINITAT 10000 10000 100 100 90 80 80 1000 1000 70 60 60 100 100 50 40 40 30 10 10 20 20 10 1 1 0 0 HE4 ROMA
  • 23. Index pronòstic de malignitat Resultats ICGON S E VPP VPN CA 12.5 65 95,4 84,7 75,5 97,4 100 88,5 90,4 81,9 94,1 CA 19.9 50 15,3 86,3 27,3 75,1 CEA 4 14,5 92,0 36,4 77,5 HE4 140 80,5 96,8 92,1 91,4 150 78,2 96,8 91,9 90,5 70 95,4 81,3 70,3 97,4 60 95,4 75,9 64,8 97,3 ROMA 10 97,4 69,6 53,2 98,7
  • 24. ICGON. > any 2000 Estadis inicials Estadi Ia - IIa: 31 % Cas Menop. Edat CA125 HE4 ROMA ESTADI Histologia 1 s 74 46 336,8 68,2 Ia CISTOADENOCA. SEROSO PAPILAR 2 n 46 44 496 75,7 Ic CEL CLARAS OV. 3 n 53 148 357 84,3 Ic INDIFERENCIADO Ov. 4 s 72 19 184,8 37,6 Ic INDIFERENCIADO-IMQ transicional ov. 5 n 24 55 96,6 29,5 Ia DISGERMINOMA 6 s 58 454 134,1 81,5 Ic CISTADENOCA. ENDOMETRIOIDE 7 s 52 71 524 82,4 Ic CISTADENOCA. ENDOMETRIOIDE Cas 8. Llindar sensibilitat M.T. Res (n) Res (%) 63 a. QOD. 8x7;ecodens;refringència 30mm vascularitzada CA 12.5 (60) (3/7) 42.9 % MT: 125: 32; 199: 57; CEA 1,1; HE4: 46 CA 12.5 Lpsc; exèresi; aspecte benignitat. (4/7) 57.1 % (menop: 35 ; premenop: 60) Bx perop: C.S.P. (estadi Ic x ruptura capsular) HE 4 (140) (5/7) 71.4 % ROMA: 17.3 HE 4 (70) (7/7) 100 % ROMA (10;20) (7/7) 100 %
  • 25. CA 125 & HE4 & ROMA ROC–AUCs, sensitivity and specificity for CA125 (U ml1), HE4 (pM) and ROMA (%) 389 Pacients. 228 T. Benignes . 161 T. Malignes (inclou BL i metastàtic) T Van Gorp et al. British Journal of Cancer (2011)
  • 26. ROMA vs RMI Moore RG et al, AJOG 2010
  • 27. ROMA vs RMI Moore RG et al, AJOG 2010
  • 28. Index pronòstic de malignitat ICGON ROMA HE4 AUC: 0,88 AUC: 0,965
  • 29. Index pronòstic de malignitat ROMA. Distribució del risc ICGON <5% entre 25 y 100 % 25% 30% <5% entre 5 y 10 % entre 10 y 25 % entre 25 y 100 % entre 10 y 25 % entre 5 y 10 % 18% 27%
  • 30. Index pronòstic de malignitat ROMA. Distribució del risc ICGON <5% 71 7 entre 5 y 10 % 62 18 Premenopausa entre 10 y 50 % 33 36 Menopausa entre 50 y 100 % 13 57 0 10 20 30 40 50 60 70 80 297 pacients: - 206 t. benignes & borderline - 91 t. malignes
  • 31. Index pronòstic de malignitat Premenopausa ROMA. Distribució del risc entre 50 y 100 % ICGON 6% entre 10 y 50 % 18% <5% 41% <5% entre 5 y 10 % entre 10 y 50 % entre 50 y 100 % <5% entre 5 y 10 % 5% 35% entre 5 y 10 % 15% entre 50 y 100 % 50% entre 10 y 50 % Menopausa 30%
  • 32. Limitacions Estudi retrospectiu. • Escàs nombre de casos: – Estadis I – Tumors mucinosos i altres no epitelials – Tumors benignes • Tumors en premenopausa. • Insuficiens dades ecogràfiques (< 2010) • Items clínics (factors risc/protecció).
  • 33. Continuació estudi • Fase prospectiva multicèntrica. • Incorporació ítems ecogràfics per aconseguir un índex de risc únic (bioquímica+ecografia). • Estudis d’aplicabilitat i cost-efectivitat. – Estudi retrospectiu de les programacions. – Estudis cost-benefici.