Harnessing exhaled breath for lung cancer early detection, results from the ExPeL study

Die ExPeL-Studie zeigt, dass das nicht-invasive Point-of-Care-Gerät Inflammacheck durch die Analyse von ausgeatmetem Kondensat und maschinellem Lernen Lungenerkrankungen im Frühstadium mit hoher Genauigkeit und ohne falsch-positive Ergebnisse erkennen kann, was vielversprechende Möglichkeiten für das Screening in der Primärversorgung eröffnet.

Das Wesentliche

🌬️ Der Atem als Detektiv: Wie ein neuer Test Lungenkrebs frühzeitig aufspürt

Stellen Sie sich vor, Ihre Lunge ist wie ein großer, belebter Marktplatz. Wenn dort alles gesund ist, herrscht ein ruhiger, gleichmäßiger Verkehr. Wenn jedoch ein kleines Problem entsteht – wie ein beginnender Lungenkrebs –, verändert sich die Atmosphäre auf dem Platz. Es gibt mehr Lärm, seltsame Gerüche und unruhige Menschen.

Bisher mussten Ärzte diesen „Marktplatz" mit einer riesigen Kamera (einem CT-Scan) fotografieren, um zu sehen, ob etwas nicht stimmt. Das ist teuer, aufwendig und für viele Menschen beängstigend.

Die Forscher der ExPeL-Studie haben einen cleveren, neuen Weg gefunden: Sie wollen nicht fotografieren, sondern hören und riechen, was die Lunge ausatmet.

1. Der „Atem-Scan" (Inflammacheck®)

Die Teilnehmer atmeten einfach normal in ein kleines, handliches Gerät namens Inflammacheck®. Das ist so einfach wie das Atmen in ein Strohhalm.

Das Gerät sammelt den kondensierten Atem (wie die Beschlag auf einer kalten Fensterscheibe im Winter). In diesem „Atem-Wasser" suchen die Forscher nach zwei Dingen:

• Chemische Signale: Wie viel „Feuer" (Sauerstoffverbindungen) brennt in der Lunge?
• Physikalische Signale: Wie ist die Temperatur? Wie feucht ist es? Wie schnell strömt die Luft?

Die Analogie: Stellen Sie sich vor, Sie stehen vor einem geschlossenen Raum. Normalerweise riechen Sie nichts. Aber wenn im Raum jemand kocht, wird es wärmer, die Luft wird feuchter und es riecht nach Essen. Das Gerät „riecht" und „fühlt" diese winzigen Veränderungen, die ein gesunder Mensch nicht bemerken würde.

2. Der Computer-Detektiv (Künstliche Intelligenz)

Die Daten, die das Gerät sammelt, sind wie ein riesiger Haufen Puzzleteile. Ein Mensch könnte sie kaum auf einmal verstehen. Deshalb haben die Forscher einen Computer-Detektiv (eine künstliche Intelligenz) eingesetzt.

• Das Training: Der Computer hat gelernt, wie der Atem von gesunden Rauchern aussieht und wie der Atem von Menschen mit Lungenkrebs aussieht.
• Das Ergebnis: Der Computer konnte die beiden Gruppen zu 100 % unterscheiden, ohne einen einzigen gesunden Menschen fälschlicherweise als krank zu melden. Er hat den Krebs wie einen verräterischen Fingerabdruck erkannt, noch bevor er groß genug für ein CT-Bild war.

3. Die „Geheimwaffe" aus der Chemie

Neben dem Atem-Scan haben die Forscher den Atem auch im Labor wie ein forensisches Labor untersucht. Sie suchten nach winzigen chemischen Molekülen (Metaboliten), die wie Botenboten wirken.

Sie fanden vier spezielle Moleküle, die wie ein Sirenen-Signal für Krebs funktionieren. Wenn diese vier Moleküle zusammen im Atem waren, war die Wahrscheinlichkeit, dass jemand Krebs hat, extrem hoch (fast 97 % sicher).

Warum ist das so wichtig?

• Früherkennung: Der Test findet Krebs, wenn er noch klein ist (wie ein Samen, der gerade keimt), nicht erst wenn er schon ein großer Baum ist.
• Kein Strahlenschaden: Kein CT-Scan bedeutet keine Strahlenbelastung.
• Entlastung: Da der Test so genau ist, müssen nicht alle Menschen, die husten, sofort ein teures CT machen. Nur die, bei denen der Atem-Test „Alarm" schlägt, müssen weiter untersucht werden. Das spart Zeit, Geld und Nerven.

Das Fazit

Die Studie zeigt, dass wir in Zukunft vielleicht nicht mehr erst in die Röhre eines CT-Geräts müssen, um Krebs zu finden. Stattdessen könnten wir einfach in ein kleines Gerät atmen. Wenn der „Atem-Detektiv" und der „Computer-Detektiv" sagen: „Hier stimmt etwas nicht", dann wissen wir sofort, dass wir genauer hinschauen müssen.

Es ist wie ein Frühwarnsystem für die Lunge, das uns hilft, Krankheiten zu besiegen, bevor sie uns überhaupt richtig überfallen können.

Technische Zusammenfassung

Titel: Nutzung von ausgeatmetem Atem zur Früherkennung von Lungenkrebs – Ergebnisse aus der ExPeL-Studie

1. Problemstellung und Hintergrund

Lungenkrebs ist eine der häufigsten krebsbedingten Todesursachen. Bestehende Screening-Programme (wie der „Targeted Lung Health Check" in Großbritannien) stützen sich oft auf klinische Scores, um Hochrisikogruppen für CT-Scans zu identifizieren. Dies führt jedoch dazu, dass viele Lungenkrebserkrankungen zu spät entdeckt werden (nur ca. 40 % der Fälle wären nach aktuellen Kriterien für ein CT-Screening qualifiziert). Es besteht ein dringender Bedarf an skalierbaren, nicht-invasiven Tools, um die Zuverlässigkeit von Überweisungen in die Primärversorgung zu verbessern und CT-Ressourcen effizienter einzusetzen.
Bisherige Studien zu Biomarkern im ausgeatmeten Atem (Exhaled Breath Condensate, EBC), wie reaktive Sauerstoffspezies (ROS), waren oft auf fortgeschrittene Krankheitsstadien beschränkt oder schlossen Patienten mit chronischen Atemwegserkrankungen aus, was die Übertragbarkeit auf frühe Stadien und reale Screening-Populationen einschränkt.

2. Methodik

Die ExPeL-Studie (Harnessing Exhaled Hydrogen Peroxide for Early Lung Cancer Detection) untersuchte die diagnostische Genauigkeit des Point-of-Care-Geräts Inflammacheck® in einer realen Screening-Population.

• Studienpopulation: Teilnehmer wurden aus dem britischen Targeted Lung Health Check (TLHC)-Programm rekrutiert.
  • Fälle: Personen mit radiologisch verdächtigem Lungenkrebs (83 % im Frühstadium I–II).
  • Kontrollen: Raucher (Ever-Smoker), die im Rahmen des TLHC-Programms untersucht wurden, aber nach Leitlinien als lungenkrebsfrei eingestuft wurden (inkl. Personen mit niedrigrisikobewerteten Lungenknoten).
• Datenerhebung:
  • Physiologische Parameter: Das Inflammacheck®-Gerät sammelte EBC und maß fünf Parameter: Wasserstoffperoxid-Konzentration ($H_2O_2$), endtidales $CO_2$, Luftfeuchtigkeit, Atemtemperatur und Exhalationsflussrate.
  • Metabolomik: Eine Teilmenge der Proben wurde mittels ungerichteter LC–MS (Flüssigchromatographie-Massenspektrometrie) analysiert, um molekulare Merkmale zu identifizieren.
• Datenanalyse:
  • Multivariate Analyse: PCA (Hauptkomponentenanalyse), LDA (Lineare Diskriminanzanalyse) und Mahalanobis-Distanz wurden zur Bewertung der intrinsischen Trennung der Gruppen verwendet.
  • Maschinelles Lernen (ML): Um das Klassenungleichgewicht in der kleinen Stichprobe (n=34 valide Datensätze) zu adressieren, wurde SMOTE (Synthetic Minority Oversampling Technique) auf die Trainingsdaten angewendet. Zwei Ensemble-Modelle wurden evaluiert: ein „Stacked Ensemble" (Random Forest + XGBoost + logistische Regression) und ein „Soft Voting Ensemble".
  • Validierung: Modelle wurden auf zurückgehaltenen Testsets evaluiert.

3. Schlüsselbeiträge und Ergebnisse

• Physiologische Trennung:

  • Die multivariate Analyse (PCA, LDA) zeigte eine klare Trennung zwischen Lungenkrebspatienten und Kontrollen. Krebspatienten wiesen eine größere Varianz (Dispersion) in den physiologischen Parametern auf, was auf eine physiologische Heterogenität hinweist, die durch univariate Analysen übersehen wird.
  • Interessanterweise zeigten Krebspatienten im Vergleich zu Kontrollen tendenziell niedrigere mittlere $H_2O_2$-Werte, aber eine größere Streuung. Dies wird im Diskurs auf die mögliche Unterdrückung der Entzündungsreaktion durch Steroid-Inhalatoren bei symptomatischen Patienten im Frühstadium zurückgeführt, im Gegensatz zu fortgeschrittenen Stadien mit stark oxidativem Stress.

• Leistung des Machine-Learning-Modells:

  • Das Voting Ensemble-Modell erzielte die besten Ergebnisse:
    • Genauigkeit (Accuracy): 85,7 %
    • Sensitivität: 80 %
    • Spezifität: 100 % (Keine falsch-positiven Ergebnisse)
    • Präzision (PPV): 100 %
    • ROC-AUC: 0,90
    • Matthews Correlation Coefficient (MCC): 0,73
  • Das Stacking-Ensemble zeigte schwächere Ergebnisse (Spezifität 50 %), was die Überlegenheit des Voting-Ansatzes in diesem Datensatz unterstreicht.

• Metabolomische Entdeckungen:

  • Die ungerichtete LC–MS-Analyse identifizierte 2.132 molekulare Merkmale.
  • Vier Schlüsselmetaboliten (darunter Tri(propylenglycol) butyl ether und Verbindungen mit den Formeln $C_7H_{10}O$ und $C_2H_6NO$) konnten Krebs von Kontrollen mit einer AUC von 0,969 unterscheiden.
  • Die Pfadanalyse deutete auf Veränderungen im Stoffwechsel von Sphingolipiden und Fettsäuren hin, die mit Krebsprozessen assoziiert sind.

4. Bedeutung und klinische Implikationen

• Früherkennung: Die Studie beweist, dass Lungenkrebs im Frühstadium (Stadium I–II) mittels nicht-invasiver Atemtests und maschinellen Lernens von Hochrisikokontrollen unterschieden werden kann.
• Triage in der Primärversorgung: Da das Modell eine Spezifität von 100 % erreichte, eignet es sich hervorragend als Screening-Tool, um unnötige CT-Scans und damit verbundene Strahlenbelastung sowie Patientenängste zu vermeiden. Es kann helfen, Patienten mit unspezifischen Symptomen (Husten, Gewichtsverlust) besser zu triagieren.
• Skalierbarkeit: Der Ansatz mit dem tragbaren Inflammacheck®-Gerät ist kosteneffizient, schnell und für den Einsatz in der Primärversorgung geeignet.
• Zukünftige Entwicklung: Die identifizierten flüchtigen organischen Verbindungen (VOCs) sollen zukünftig in das Inflammacheck®-System integriert werden, um die Vorhersagegenauigkeit weiter zu steigern.

5. Limitationen

• Kontrollgruppe: Die Kontrollgruppe bestand aus screen-negativen Teilnehmern des TLHC-Programms, nicht aus Personen mit langfristig bestätigter Unbedenklichkeit. Dies spiegelt jedoch die reale klinische Entscheidungsfindung wider.
• Stichprobengröße: Die Studie basierte auf 34 validen Datensätzen. Eine Validierung in großen, prospektiven Multicenter-Studien ist notwendig, um die Robustheit der Ergebnisse zu bestätigen.
• Confounding-Faktoren: Die Einnahme von Steroiden durch symptomatische Krebspatienten könnte die $H_2O_2$-Werte beeinflusst haben, was die Interpretation der oxidativen Stressmarker erschwert.

Fazit: Die ExPeL-Studie liefert einen vielversprechenden Proof-of-Concept für einen nicht-invasiven, auf Atemdaten basierenden Triage-Test, der als ergänzendes Werkzeug zu CT-Scans die Früherkennung von Lungenkrebs verbessern und die Effizienz nationaler Screening-Programme steigern könnte.