Analyse von volatilen organischen Verbindungen im menschlichen Atem zur Diagnostik von oralen Plattenepithelkarzinomen: Möglichkeiten und Grenzen

Abstract

Hintergrund Jährlich erkranken in Deutschland rund 13.900 Menschen an einem Karzinom des Mund- und Rachenraums. Die Diagnose erfolgt häufig erst in einem fortgeschrittenen Stadium der Krankheit, was zu einer Verschlechterung der Prognose führt. Die Atemgasanalyse könnte in der Zukunft eine vielversprechende Möglichkeit der Erkennung verschiedener pathologischer Veränderungen darstellen, weshalb bereits vielfältig für unterschiedliche Erkrankungen geforscht wird. Ziel dieser Arbeit war die Detektion eines tumorspezifischen Musters von volatilen organischen Verbindungen (englisch.: volatile organic compounds, kurz: VOCs) des menschlichen Atems bei Patienten mit einem oralen Plattenepithelkarzinom (PECA).

Methode Die Atemluft von 35 Patienten mit histologisch gesichertem oralem PECA wurde mit der Atemluft einer gesunden Kontrollgruppe (n=50) mittels Gaschromatographie- Ionenmobilitätsspektrometrie verglichen. Anschließend ist bei 22 der 35 Patienten mit oralem PECA eine zweite Messung nach Resektion des Tumors durchgeführt und mit der ersten präoperativen Messung gegenübergestellt worden. In den generierten Chromatogrammen wurden die Gruppen anhand von manuell markierten Areas, die VOCs charakterisieren, auf Unterschiede geprüft. Zusätzlich wurden die Daten mithilfe eines Machine Learning Ansatzes automatisiert untersucht.

Ergebnisse Eine Area, die bei 46 % der Patienten mit oralem PECA und lediglich in 9 % der Kontrollgruppe (p < 0,001) nachgewiesen wurde, ist postoperativ bei 10 von 14 Patienten nicht mehr detektierbar. Es konnte ein Unterschied zwischen den Areas von erkrankten und gesunden Teilnehmenden gezeigt werden. Zwischen erster und zweiter Messung der Patientengruppe lässt sich ein wiederkehrendes postoperatives Muster der Areas erkennen. Die mittels Machine Learning erstellten Modelle konnten mit einer durchschnittlichen Genauigkeit von bis zu 85 % bzw. 74 % zwischen den Patienten mit oralem PECA und der Kontrollgruppe bzw. zwischen der ersten und zweiten Messung der Patientengruppe differenzieren.

Schlussfolgerung Die Atemgasanalyse stellt eine Möglichkeit der schnellen und nicht-invasiven Diagnosemethode verschiedener Erkrankungen dar. Die Beeinflussung der Atemluft durch exogene Faktoren muss mittels eines standardisierten Probenprotokolls so gering wie möglich gehalten werden. Die Überprüfung der gefundenen VOCs und VOC-Muster und ihre Assoziation mit dem oralen PECA durch weiterführende Studien ist notwendig, um die Daten zu validieren und eine größere klinische Anwendung zu ermöglichen.

Background Every year, around 13,900 people in Germany suffer from head and neck cancer. Due to a late diagnosis, the tumour is often in an advanced stage which leads to a worsening of the prognosis. Breath analysis represents a promising possibility for early detection of different pathogenic changes, as it has already been researched for various diseases. In this study the volatile organic compounds (VOCs) in human breath are investigated for disease-specific changes in patients with an oral squamous cell carcinoma (OSCC).

Methods Breath samples of 35 patients with histologically confirmed OSCC were compared with breath samples of healthy control group participants (n=50) using gas chromatography-ion mobility spectrometry. Also, in 22 of the 35 patients with OSCC, a second measurement was performed after curative surgery and compared with the first measurement of the patient. In the generated chromatograms, the groups were checked for differences using manually marked areas that characterize VOCs. In addition, the data was automatically examined using a machine learning approach.

Results An area was detected in 46 % of all patients with OSCC and only in 9 % of the control group (p < 0,001), which was not detectable postoperatively in 10 out of 14 patients. A difference between the areas of sick and healthy participants could be shown. Between first and second measurement of the patients, a postoperative pattern of areas has been identified. The models created using machine learning were able to differentiate with an average accuracy of up to 85 % and 74 % respectively between the patients with OSCC and the control group or between the first and second measurements of the patient group.

Conclusion Breath analysis represents a promising approach on a fast and non-invasive method for the diagnosis of various diseases. The influence of exogenous factors on breathing air must be kept as low as possible using a standardised sample protocol. It is necessary to verify the VOCs and VOC patterns found and their association with OSCC by further studies, validating the data and enabling a greater clinical application.