Noelia Rams LlopHospital de la Santa Creu i Sant Pau Barcelona

Sistemes de classificació i predicció de risc de malignitat de les lesions annexials.

Utilitat de l’ecografia.

De què parlarem?

1. Introducció

2. Descripció de les lesions annexials. Informe de l’ecografia

3. Classificació de les lesions annexials

3.1. Sistemes objectius.

3.2. Sistemes subjectius

3.3. Nous sistemes de classificació

1. Introducció

2. Descripció de les lesions annexials. Informe de l’ecografia

3. Classificació de les lesions annexials

3.1. Sistemes objectius.

3.2. Sistemes subjectius

3.3. Nous sistemes de classificació

Massa annexial (MA)

Benigna Maligna Borderline

75-85%

1/170 dones

15-25%

2-15/100.000 dones 15-20%

Objectiu fonamental de l’estudi ecogràfic d’una massa annexial

Classificar les lesions annexials per grau de sospita/ risc de malignitat

Cirugia inicial del càncer d’ovari

Factor pronòstic essencial

Qui?

Giede  et  al.  Gynecol  Oncol.  2005    

Paulsen  et  al.  Int  J  Gynecol  Cancer.  2006  

On?

Engelen  et  al.  Cancer.  2006
Earle  et  al.  J  Natl  Cancer  Inst.  2006  

Diagnòstic pre-operatori correcte i precís

Lesions benignesConducta expectant

Cirurgia conservadora

Tractament en centres no especialitzats

Lesions malignesEstadificació correcta Citorreducció màxima

Tractament en centres especialitzats en Ginecologia Oncològica

Història clínica

Exploració física

Marcadors tumorals

Ecografia Doppler

Massa annexial (MA)

Baix risc Risc intermedi Alt risc

Avaluació pre-operatòria

Baix risc Risc intermedi Alt risc

• Ginecologia general • No necessitat de

biopsia intra- IQ

Avaluació pre-operatòria

Baix risc Risc intermedi Alt risc

• Ginecologia general • No necessitat de

biopsia intra- IQ

• Gineco- oncòleg • Laparoscòpia

avançada • Laparotomia • Biopsia intra-IQ

disponible

Avaluació pre-operatòria

Baix risc Risc intermedi Alt risc

• Ginecologia general • No necessitat de

biopsia intra- IQ

• Gineco- oncòleg • Laparoscòpia

avançada • Laparotomia • Biopsia intra-IQ

disponible

•

• Ginecologia general

• Gineco- oncòleg disponible

• Laparoscòpia avançada

• Biopsia intra-IQ disponible

Avaluació pre-operatòria

Tècnica de diagnòstic per la imatge més utilitzada:
- Bona tolerància i reduït cost.
- Precisió diagnòstica operador-depenent: Expert (92%)*, No expert (82-87%)*

Avaluació pre-operatòria

1. Introducció

2. Descripció de les lesions annexials. Informe de l’ecografia

3. Classificació de les lesions annexials

3.1. Sistemes objectius.

3.2. Sistemes subjectius

3.3. Nous sistemes de classificació

iotagroup.org

International OvarianTumor Analysis

Descripció de les lesions annexials

Descripció de les lesions annexials

Sistemàtica d’estudi d’una lesió annexial

1. Localització2. Tamany3. Valoració de la paret4. Classificació qualitativa (tipus de lesió)5. Contingut intra- quístic (ecogenicitat)6. Valoració i mesures intra- lesionals- Septes - Papil.les - Àrees sòlides - Parènquima ovàric 7. Troballes extra-lesionals- Ombra acústica - Ascitis - Carcinomatosi peritoneal 8. Vascularització

Score

1 No es detecta vascularitació

2 Mínima vascularització

3 Moderada vascularització

4 Abundant vascularització

Vascularització

9. Informe ecogràfic

Modelo de informe ecográfico para masas anexiales. Protocolo SEGO. Masas anexiales. 2013

INFORME(ECOGRÁFICO(

GINECOLÓGICO(DE(LESIÓN(ANEXIAL(

Descripción(de(la(lesión((IOTA&Terms&and&defini0ons.&

Timmerman&2000)&!"Nivel"II"!"

Presunto"diagnós4co"histológico"

Riesgo(es?mado(de(malignidad((

(Método"empleado)"!"Nivel"III"!"

Evaluación subjetiva

Después del examen ecográfico el investigador debe hacer una valoración subjetiva de la masa :

A: Maligno, Benigno o Borderline

B: Probabilidad de malignidad (nivel de certeza)1= benigno2= probablemente benigno3= incierto4=probablemente maligno5=maligno

C: Impresión diagnóstica (diagnóstico histológico) por ejemplo dermoide , cistoadenoma seroso , endometrioma , absceso ...

1. Introducció

2. Descripció de les lesions annexials. Informe de l’ecografia

3. Classificació de les lesions annexials

3.1. Sistemes objectius.

3.2. Sistemes subjectius

3.3. Nous sistemes de classificació

Tècniques per la classificació de les lesions annexials

Sistemes objectius (regles/ models de predicció)

Valoració subjectiva (pattern recognition)

• Regles ecogràfiques • Sistemes de puntuació • Models de regressió logística • Algoritmes matemàtics

Sistemes de classificació de les lesions annexials

Més de 110 models predictius diferents per la classificació de MA des del 1990.

Més de 30 models publicats des del 2008. Geomini P, et al. Obstet Gynecol. 2009

Kaijser J, et al. Hum Reprod Update. 2013    

Regles ecogràfiques

3.1. Sistemes objectius (regles/ models de predicció)

Presència o absència de les característiques típiques de les lesions benignes o malignes.

Simple rules(Timmerman  D,  et  al.  Ultrasound  Obstet  Gynecol.  2008;31:681-‐90)  

Regles ecogràfiques

Simple rules (Timmerman  D,  et  al.  Ultrasound  Obstet  Gynecol.  2008;31:681-‐90)  

AVANTATGES

✓Bona precisió diagnòstica en mans inexpertes

✓Aplicabilitat clínica senzilla

INCONVENIENTS

✓No aplicable en el 25% de les lesions

✓Major rendiment en les lesions fàcilment classificables subjecticament

Aplicabilidad) Sensibilidad) Especificidad) LR+) LR3)

1233)lesiones)retrospec:vas)

76%$ 93%$ 90%$ 9.45$ 0.08$

507)lesiones)prospec:vas)

76%$ 95%$ 91%$ 10,37$ 0.06$

Models de regressió logística

3.1. Sistemes objectius (regles/ models de predicció)

Variables (LR2) 1. Edat (anys) 2. Ascitis (si / no) 3. Presència de papil.les amb fluxe vascular (si / no) 4. Diàmetre màxim del component sòlid més gran (mm) 5. Paret del quist irregular (si / no) 6. Ombra acústica (si / no)

Càlcul de probablilitat (risc) en funció de variables predictores

LR1/ LR2IOTA Logistic Regression models LR1 and LR2, giving an indication of the probability of malignancy of an ovarian tumour by means of 12 variables and 6 variables, respectively.

Timmerman D, et al. J Clin Oncol. 2005;23:8794-8801)

% de malignitat

Models de regressió logística

LR1/ LR2

3.1. Sistemes objectius (regles/ models de predicció)

Sensibilidad* Especificidad* AUC*

Timmerman*2005* LR1$93%$LR2$92%$

LR1$77%$LR2$75%$

LR1$0.95$LR2$0.93$

Van*Holsbeke*2012*

LR1$92%$LR2$92%$

LR1$87%$LR2$86%$

LR1$0.96$LR2$0.95$

Kaijser*2013* 94%$ 82%$ 0.952$

AVANTATGES

✓ Estimació individualitzada del risc

✓ Reproduïble entre centres ✓ Factible amb poca experiència ✓ Alta sensibilitat

INCONVENIENTS

✓ Necessita software informàtic ✓ Limitada aplicació a la pràctica

diària (?)

Pattern recognition

3.2. Sistemes subjectius

Diagnòstic específic o classificació segons la valoració subjectiva de l’ecografista.

(Valentin L. Ultrasound Obstet Gynecol. 1999;14:338-47)

Valoració subjectiva: no és només valoració ecogràfica

✓ Troballes ecogràfiques en escala de grisos (+ Doppler)

✓ Experiència prèvia ✓ Dades epidemiològiques i demogràfiques ✓Clínica

Classificació S= 88-98% E= 86-96%

Diagnòstic específic Precisió: 90 %

Valentin et al. 2001 Sokalska et al. 2009

Un ecografista experimentat NO necessita models predictius ni marcadors tumorals

3.2. Sistemes subjectius

Descriptors FÀCILS proposats per IOTA (Ameye L. Ultrasound Obstet Gynecol. 2012;40: 582–591)


GI- RADS: Gynecologic Imaging Report and Data System

3.3. Nous sistemes de classificació

(Amor F. J Ultrasound Med 2009; 28:285-291)

Sensibilidad* Especificidad*

Amor*et*al.*2009* 92%$ 97%$

Amor*et*al.*2011* 99%$ 86%$

GI- RADS

3.3. Nous sistemes de classificació

Resultados de la clasificación GI- RADS para la catalogación de masas anexialesNoelia Rams1, Raquel Muñoz1, Cristina Soler1 y Juan Parra11Servicio de Ginecología y Obstetricia, Hospital de la Santa Creu i Sant Pau, Barcelona, España

Three- step strategy

3.3. Nous sistemes de classificació

(Ameye  L.  et  al.  Ultrasound  Obstet  Gynecol.  2012;40:582-‐591)  

Easy instant diagnosis (descriptors fàcils)

1

Simple Rules2

Pattern recognition (expert)3

46%

63%

19%

Sensibilidad* Especificidad*

Tres*pasos* 92,2%% 92,3%%

Experto* 90,4%% 92,7%%

Conclusions

1. Objectiu fonamental de l’ecografia de les MA: distinció entre benignitat i malignitat.

2. L’ecografia és la millor eina diagnòstica per establir B o M amb una precisió adequada.

3. Millor mètode diagnòstic: valoració subjectiva d’un expert (formació i experiència).

4. Models predictius: recolzament diagnòstic, més útils si inexperiència, els basats en ecografia són els que tenen millor rendiment diagnòstic.

5. Nous sistemes de classificació. Sistema diagnòstic més precís: three step strategy.

Moltes gràcies

Noelia Rams Llop NRams@santpau.cat

Agraïments: Dr. J.J. Hidalgo Dr. C. Dosouto