Marqueurs tumoraux

Vue d’ensemble

Les marqueurs tumoraux sont des substances libérées par les cellules tumorales qui pénètrent dans la circulation sanguine ou d’autres liquides biologiques et sont utiles pour le diagnostic, le pronostic et le suivi du traitement de différents types de cancer.

La plupart des marqueurs tumoraux ne sont spécifiques à aucun type de cancer et les différences entre maladies bénignes et malignes sont quantitatives (par exemple, les patients atteints de tumeurs épithéliales ont tendance à avoir des taux significativement plus élevés de ces marqueurs tumoraux que les patients sans cancer).

Actuellement, plus de 20 paramètres bien connus sont largement considérés comme des marqueurs tumoraux, tels que le PSA lié au cancer de la prostate, le CA 15.3 associé au cancer du sein, le CA 125 et le HE4. ―liés à la fois aux cancers de l’ovaire―, de l’ACE et de la CA 19.9 ―liés aux différents types de cancer gastro-intestinal (cancers colorectal, gastrique et pancréatique)―, ou aux NSE et ProGRP ―liés au cancer du poumon―.

Cependant, divers facteurs peuvent affecter la précision des marqueurs tumoraux car ils augmentent leurs niveaux sans présence de tumeur maligne. Les maladies bénignes en sont la principale raison, bien qu’elles puissent également affecter différentes interférences techniques.

En ce sens, la Société espagnole de biochimie clinique et de pathologie moléculaire, de la Commission des biomarqueurs du cancer, a défini les Critères Barcelone, quatre critères visant à aider distinguer et évaluer correctement les résultats des marqueurs tumoraux et réduire le nombre de faux positifs (FP):

1. Evaluation des concentrations sériques de marqueurs tumoraux.
2. Rejet des pathologies bénignes en tant que source principale de faux positifs.
3. Recommandation de suivi si les marqueurs tumoraux montrent des résultats modérés (zone grise/indéterminée).
4. Élimination des interférences techniques.

Mesures statistiques dans les tests de diagnostic

Malheureusement, l’utilisation de marqueurs tumoraux en routine pose également d’autres problèmes, tels qu’une faible sensibilité aux stades précoces ou l’absence d’un marqueur tumoral spécifique pour chaque tumeur maligne. Cependant, la combinaison de deux marqueurs tumoraux ou plus donne de meilleurs résultats, en particulier aux stades avancés.

En ce sens, la combinaison de plusieurs marqueurs tumoraux ―ainsi que l’inclusion dans les calculs des informations issues des antécédents cliniques du patient―, à l’aide d’algorithmes complexes à variables multiples, aboutit à une sensibilité et une spécificité accrues: c’est ce que nous avons baptisé sous le nom de MBDAA (de l’anglais, Multiple Biomarkers Disease Activity Algorithms).

La sensibilité d’un test de diagnostic est le pourcentage de vrais positifs correctement identifiés et la spécificité est la proportion de vrais négatifs correctement classés. Les deux variables sont étroitement liées et donnent une idée de la précision dudit test.

Un test qui identifie correctement tous les vrais positifs comme positifs, mais comporte de nombreux faux négatifs aurait une sensibilité de 100%, mais une faible spécificité. Par exemple, la sensibilité mesure le nombre de tumeurs malignes correctement identifiées comme cancer, tandis que la spécificité mesure le nombre de tumeurs non malignes correctement identifiées comme bénignes. Une sensibilité élevée signifie moins de cancers diagnostiqués comme bénins et une spécificité élevée signifie moins de tumeurs bénignes diagnostiquées comme malignes.

De plus, la valeur prédictive positive (VPP) est le nombre de vrais positifs correctement identifiés sur le total des positifs positifs. Un test avec de nombreux faux positifs aura une VPP faible. Par ailleurs, la valeur prédictive négative (VAN) est le nombre de véritables négatifs correctement identifiés sur le total des négatifs réels. Une valeur VPN élevée signifie que très peu de vrais positifs ont été identifiés à tort comme négatifs.

Tous ces différents paramètres peuvent être représentés ensemble dans un graphique appelé courbe ROC (de l’anglais Receiving Operator Curve), où de meilleurs résultats sont affichés avec des courbes qui tendent à s’approcher du coin supérieur gauche de l’image (sensibilité de 100% et spécificité de 100%).