Marcadores tumorais

Visão geral

Os marcadores de tumores são parâmetros lançados por células tumorais, que entram na corrente sanguínea ou outros fluidos biológicos e são úteis para o diagnóstico, prognóstico e monitorização do tratamento em diferentes tipos de cancro.

A maioria dos marcadores de tumores não são específicos a nenhum tipo de cancro e as diferenças entre doenças benignas e malignas são quantitativas (por exemplo, os pacientes com tumores epiteliais tendem a ter níveis significativamente mais elevados destes marcadores de tumores do que pacientes sem malignidade).

Atualmente, existem mais de 20 parâmetros bem conhecidos que são amplamente considerados como marcadores de tumores, como o PSA ―relacionado com o cancro de próstata―, CA 15.3 ―relacionado com o cancro da mama―, CA 125 e HE4 ―ambos relacionados com o cancro de ovário―, CEA e CA 19.9 ―ambos relacionados a diferentes tipos de cancro gastrointestinal (cancro colorretal, gástrico e pancreático)―, ou NSE e ProGRP ―ambos relacionados com o cancro do pulmão―.

No entanto, há uma variedade de fatores que podem afetar a exatidão dos marcadores de tumores pois fazem aumentar os seus níveis sem a presença da malignidade. A principal razão são as doenças benignas, mas também podem afetar diferentes interferências técnicas.

Neste sentido, a Sociedade Espanhola de Bioquímica Clínica e Patologia Molecular, Comissão de Biomarcadores de Cancro estabeleceu os Critérios Barcelona, 4 critérios que ajudam a distinguir e valorizar corretamente os resultados dos marcadores de tumores e reduzir o número de falsos positivos (FP):

  1. Avaliação das concentrações de soro dos marcadores de tumores.
  2. Descartar a patologia benigna como principal fonte de falsos positivos.
  3. Recomendação de acompanhamento se os marcadores de tumores apresentam resultados moderados (Zona Cinzenta/Indeterminado).
  4. Eliminação de interferências técnicas.

 

Clique aqui para descarregar a presentação em formato PDF.

 

Medições estatísticas em testes de diagnóstico

Infelizmente, o uso de marcadores de tumores na rotina apresenta também outros problemas, tais como a baixa Sensibilidade em estágios iniciais ou a inexistência de um marcador de tumor específico para cada tumor maligno. No entanto, a combinação de 2 ou mais marcadores de tumores trás resultados mais positivos, especialmente em estágios avançados.

A este respeito, a combinação de vários marcadores de tumores ―bem como a inclusão de informações do histórico clínico do paciente nas equações―, utilizando algoritmos complexos com múltiplas variáveis, resulta em uma maior Sensibilidade e Especificidade: é isso que apelidamos de MBDAA (em inglês, Multi-Biomarker Disease Activity Algorithm).

A Sensibilidade de um teste de diagnóstico é a percentagem de positivos reais que são corretamente identificados, e a Especificidade é a proporção de negativos verdadeiros que são classificados corretamente. Ambas as variáveis estão intimamente ligadas entre si e dão uma ideia da precisão do dito teste.

Um teste que identifica corretamente todos os verdadeiros positivos como positivos, mas que tenha muitos falsos negativos teria uma Sensibilidade de 100%, mas baixa Especificidade. Por exemplo, a Sensibilidade mede o número de tumores malignos que são corretamente identificados como cancro, enquanto que as medidas de Especificidade medem o numero de tumores benignos são corretamente identificados como benignos. Uma Sensibilidade elevada significa menos cancros diagnosticados como benignos e uma Especificidade elevada significa menos tumores benignos diagnosticados como malignos.

Além disso, o valor preditivo positivo (VPP) é o número de positivos verdadeiros corretamente identificados sobre o total de positivos reais. Um teste com muitos falsos positivos terá um baixo VPP. Por outro lado, o valor preditivo negativo (VNP) é o número de negativos verdadeiros corretamente identificados sobre o total de negativos reais. Um valor elevado de VNP significa que muitos poucos positivos verdadeiros foram incorretamente identificados como negativos.

Todos estes parâmetros diferentes podem ser representados juntos num gráfico que é conhecido como curva ROC (do inglês, Receiving Operator Curve), onde se mostram os melhores resultados com curvas que tendem a chegar perto do canto superior esquerdo da imagem (100% de Sensibilidade e 100% de Especificidade).