Согласно новому исследованию, опубликованному в журнале Radiology, модели прогнозирования, основанные на клинических характеристиках и результатах визуализации, могут помочь снизить уровень ложноположительных результатов у женщин с плотной грудью, которые проходят дополнительное обследование на рак груди с помощью МРТ.
Женщины с плотной тканью груди имеют гораздо более высокий риск рака груди по сравнению с женщинами со средней плотностью груди. Высокая плотность груди также заметно снижает чувствительность маммографии из-за маскирующего эффекта фиброгландулярной ткани, а это означает, что рак может быть скрыт в плотной ткани груди.
По этим причинам МРТ груди считается потенциально полезным дополнением к маммографическому обследованию у женщин с плотной тканью груди. Это наиболее чувствительный метод визуализации для диагностики рака груди, позволяющий хорошо различать поражения и аномалии груди. Исследования подтвердили его значительную добавленную стоимость в качестве инструмента скрининга женщин с высоким риском рака груди.
Однако высокая чувствительность, которая делает МРТ отличным инструментом для скрининга, также означает, что она часто обнаруживает доброкачественные образования, которые в противном случае остались бы незамеченными. Женщины, которых вызывают на дополнительное обследование на основании этих результатов, потенциально могут столкнуться с повторным сканированием МРТ, прицельным ультразвуком и биопсией. Необходимость дополнительных исследований может вызвать беспокойство у пациента, увеличить расходы на медицинское обслуживание или привести к осложнениям, связанным с биопсией.
«Снижение числа ложноположительных отзывов – важный вопрос при рассмотрении использования МРТ груди в качестве инструмента скрининга», – сказала ведущий автор исследования Бьянка М. ден Деккер, М.D., из Медицинского центра Университета Утрехта в Утрехте, Нидерланды.
В новом исследовании доктор. Ден Деккер и его коллеги разработали модели прогнозирования, чтобы отличить истинно-положительный результат МРТ-скрининга от ложноположительного. Для создания моделей они объединили результаты МРТ с клиническими характеристиками, такими как индекс массы тела, семейный анамнез рака груди и использование заместительной гормональной терапии.
Они использовали данные исследования плотных тканей и ранних новообразований груди (DENSE), в котором оценивалась эффективность скрининга с использованием маммографии и МРТ по сравнению с одной только маммографией у голландских участников скрининга рака груди в возрасте от 50 до 75 лет с чрезвычайно плотной грудью.
Из 454 женщин, у которых был положительный результат МРТ в первом раунде дополнительного скрининга МРТ, у 79 был диагностирован рак груди, что означает, что 375 женщин прошли ложноположительные МРТ-обследования. Полная модель прогнозирования, основанная на всех собранных клинических характеристиках и результатах МРТ, могла бы предотвратить 45.5% ложноположительных отзывов и 21.3% доброкачественных биопсий без исключения рака. Модель, основанная исключительно на доступных данных МРТ и возрасте, имела сопоставимые характеристики и могла предотвратить 35 случаев.5% ложноположительных результатов МРТ и 13.0% доброкачественных биопсий.
«Наши модели прогнозирования могут идентифицировать значительное количество ложноположительных результатов после первого раунда дополнительных МРТ-скринингов, уменьшая количество ложноположительных отзывов и доброкачественных биопсий без исключения раковых заболеваний», – сказал доктор. ден Деккер сказал. “Это на один шаг приближает к внедрению дополнительный скрининговый МРТ для женщин с плотной грудью.”
Исследователи намерены провести валидационные исследования с использованием данных из разных групп населения. Они также хотят изучить эффективность моделей прогнозирования в последующих раундах скрининга. Доктор. Ден Деккер отметил, что количество ложноположительных результатов в исследуемой группе упало с 79.8 на 1000 просмотров в первом туре до 26.3 на 1000 в секунду.
«Частично это можно объяснить доступностью предварительных обследований МРТ, которые позволяют сравнивать изменения интервала», – сказала она. “Поскольку у раундов проверки инцидентов гораздо меньше ложных срабатываний, возможно, придется создать отдельные модели.”