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

O estudo ExPeL demonstrou que o dispositivo Inflammacheck, ao analisar o condensado do exalado e utilizar aprendizado de máquina, consegue distinguir com alta precisão e sem falsos positivos casos de câncer de pulmão em estágio inicial em uma população de rastreamento real.

O essencial

Imagine que o seu corpo é como uma fábrica complexa. Quando algo dá errado lá dentro, como o início de um câncer de pulmão, a fábrica começa a emitir "fumaça" diferente. Essa fumaça não é visível a olho nu, mas está lá, misturada no ar que você expira.

O estudo ExPeL, descrito neste artigo, é como uma investigação para ver se conseguimos "cheirar" essa fumaça antes que o problema fique grande demais.

Aqui está a explicação simplificada do que eles fizeram e descobriram:

1. O Problema: Encontrar agulhas no palheiro

O câncer de pulmão é difícil de pegar cedo. Hoje, para procurar, usamos exames de tomografia (CT), que são como "lupas" muito potentes, mas caras e que expõem o paciente a radiação. O problema é que, se usarmos essa "lupa" em todo mundo que fuma, vamos gastar muito dinheiro e tempo examinando pessoas saudáveis, enquanto perdemos alguns casos iniciais.

Precisamos de um filtro inteligente antes da tomografia. Algo rápido, barato e que nos diga: "Ei, essa pessoa precisa da lupa agora" ou "Essa pessoa está tranquila".

2. A Solução: O "Nariz Eletrônico" (Inflamacheck)

Os pesquisadores usaram um dispositivo chamado Inflamacheck. Pense nele como um nariz eletrônico que analisa o seu hálito.

• Como funciona: Você sopra num bico por alguns minutos. O dispositivo não mede apenas o ar; ele congela o vapor do seu hálito (chamado condensado) e analisa duas coisas principais:
  1. A "temperatura" da fábrica: Coisas como temperatura, umidade e fluxo do ar.
  2. A "química" da fumaça: Eles procuram por peróxido de hidrogênio (um tipo de estresse químico) e milhares de outras moléculas invisíveis.

3. O Experimento: A Grande Prova

Eles pegaram duas turmas de pessoas que já estavam no programa de rastreamento de câncer do Reino Unido:

• Turma A: Pessoas que tinham câncer de pulmão (a maioria em estágios muito iniciais, como se fosse apenas o "início da ferrugem" na máquina).
• Turma B: Pessoas que fumavam, mas não tinham câncer (o "palheiro" saudável).

Eles pediram para todos usarem o nariz eletrônico e depois usaram Inteligência Artificial (IA) para tentar encontrar padrões.

4. O Que Eles Descobriram? (Os Resultados Mágicos)

A IA funcionou como um detetive super esperto que consegue ver padrões que o olho humano não vê.

• O Padrão da Ferrugem: As pessoas com câncer não tinham apenas "mais" ou "menos" de uma coisa. O padrão delas era caótico e disperso. Era como se a fábrica estivesse emitindo fumaça de formas estranhas e variadas. Já as pessoas saudáveis tinham um padrão mais organizado e previsível.
• A Precisão: O modelo de IA conseguiu separar os dois grupos com impressionante precisão:
  • 100% de acerto em identificar quem NÃO tinha câncer (Nenhum "falso alarme"). Isso é crucial para não assustar pessoas saudáveis.
  • 80% de acerto em identificar quem tinha câncer (Detectou a maioria dos casos).
  • Nenhum erro: Eles não classificaram nenhuma pessoa saudável como doente.

Além disso, eles analisaram a "fumaça" química (metabolômica) e encontraram 4 moléculas específicas que agiam como uma "impressão digital" do câncer, com uma precisão ainda maior (quase perfeita).

5. Por que isso é importante? (A Analogia do Filtro de Café)

Imagine que você quer fazer um café excelente.

• Sem o teste: Você joga todo o grão de café (todos os pacientes) na prensa, gastando água e tempo.
• Com o teste ExPeL: Você usa um filtro especial (o teste de hálito) antes. O filtro segura os grãos ruins (os doentes) e deixa passar os bons (os saudáveis).
  • Isso significa que os médicos podem focar a tomografia (a prensa cara) apenas nas pessoas que o filtro sinalizou como de risco.
  • Isso economiza dinheiro, reduz a radiação desnecessária e, o mais importante, pega o câncer quando ele ainda é pequeno e fácil de curar.

Conclusão

Este estudo é como um protótipo de um detector de fumaça de incêndio para o corpo humano. Ele mostra que, ao analisar o hálito com tecnologia moderna e inteligência artificial, podemos detectar o câncer de pulmão muito cedo, de forma não invasiva (sem agulhas ou radiação) e rápida.

Ainda há trabalho a fazer para tornar isso um produto comercial disponível em todas as clínicas, mas a mensagem é clara: o futuro do diagnóstico pode ser tão simples quanto dar um suspiro.

Resumo técnico

1. O Problema

O cancro do pulmão é uma das principais causas de morte oncológica, e a sua deteção precoce é crucial para melhorar a sobrevivência. No entanto, os programas de rastreio atuais, como a Tomografia Computorizada (TC) de baixa dose (LDCT), enfrentam desafios significativos:

• Baixa Especificidade e Custo: Muitos indivíduos de risco são submetidos a TCs desnecessárias, enquanto apenas cerca de 40% dos doentes com cancro do pulmão seriam elegíveis para rastreio baseado apenas em scores clínicos pré-existentes.
• Limitações dos Biomarcadores Atuais: Estudos anteriores sobre Espirado Condensado (EBC) identificaram compostos metabólicos associados ao cancro em estágios avançados, mas a sua aplicabilidade em estágios iniciais (onde o tratamento é mais eficaz) e em populações com comorbidades respiratórias (que aumentam o estresse oxidativo de forma independente) permanecia incerta.
• Necessidade de Triagem: Existe uma necessidade urgente de ferramentas não invasivas, escaláveis e de baixo custo para triar pacientes em cuidados primários e otimizar os caminhos de encaminhamento para TC.

2. Metodologia

O estudo ExPeL (Harnessing Exhaled Hydrogen Peroxide for Early Lung Cancer Detection) foi conduzido no Reino Unido, recrutando participantes do programa de Verificação de Saúde Pulmonar Direcionada (TLHC).

• Cohorte:
  • Casos: Indivíduos com suspeita radiológica de cancro do pulmão (83% em estágios iniciais I-II).
  • Controles: Fumadores anteriores (ex-fumadores) com avaliação de TC de baixa dose que foram classificados como de baixo risco e não encaminhados para investigação adicional (screen-negative).
• Coleta de Dados (Dispositivo Inflammacheck®):
  • Utilizou-se um dispositivo ponto-de-cuidado para coletar EBC.
  • Parâmetros Medidos: Concentração de peróxido de hidrogénio (H₂O₂), CO₂ final de expiração, humidade, temperatura da respiração e taxa de fluxo de expiração.
  • A coleta foi realizada durante a respiração tidal normal (até 6 minutos).
• Análise de Dados e Machine Learning:
  • Pré-processamento: Análise de qualidade para excluir artefatos de sensores.
  • Análise Multivariada: PCA (Análise de Componentes Principais), LDA (Análise Discriminante Linear) e Distância de Mahalanobis para avaliar a separação intrínseca entre grupos.
  • Modelos Preditivos: Uso de técnicas de oversampling (SMOTE) para lidar com o desequilíbrio de classes. Foram treinados e avaliados dois modelos de ensemble: Stacked Ensemble (Random Forest + XGBoost + Regressão Logística) e Voting Ensemble.
  • Metabolómica: Uma subcoorte submeteu-se a LC-MS (Cromatografia Líquida-Espectrometria de Massas) para identificação não direcionada de metabólitos voláteis (VOCs).

3. Principais Contribuições

• Validação em População Realista: O estudo demonstra a viabilidade de usar o EBC para distinguir cancro em estágio inicial em uma população de rastreio real, incluindo indivíduos com comorbidades respiratórias (como DPOC e asma), o que é um avanço em relação a estudos anteriores que excluíam tais pacientes.
• Abordagem Multimodal: Integração de sinais fisiológicos (H₂O₂, fluxo, temperatura) com metabolómica não direcionada para criar um perfil biomolecular completo.
• Desenvolvimento de Algoritmos Robustos: Aplicação de técnicas avançadas de aprendizado de máquina (ensembles) para extrair padrões complexos e não lineares que métodos univariados não conseguem detectar.
• Identificação de Novos Biomarcadores: Descoberta de quatro metabólitos específicos (incluindo éteres de glicol e cetonas) que apresentam alta capacidade discriminatória.

4. Resultados

• Desempenho do Modelo de Machine Learning:
  • O modelo de Voting Ensemble alcançou os melhores resultados:
    • Acurácia: 85,7%
    • Sensibilidade: 80%
    • Especificidade: 100% (Crucialmente, não houve falsos positivos no conjunto de teste).
    • Precisão (PPV): 100%
    • ROC-AUC: 0,90
    • MCC (Coeficiente de Correlação de Matthews): 0,73
  • O modelo de Stacked Ensemble teve desempenho inferior (Acurácia 71,4%, Especificidade 50%).
• Análise Multivariada:
  • As análises de PCA e LDA mostraram uma separação clara entre os grupos de cancro e controle, embora os casos de cancro apresentassem maior dispersão (heterogeneidade fisiológica).
  • A distância de Mahalanobis confirmou que a maioria dos indivíduos estava mais próxima do centróide da sua classe verdadeira.
• Metabolómica (LC-MS):
  • Foram identificadas 2.132 características moleculares.
  • Quatro metabólitos chave (incluindo Tri(propylene glycol) butyl ether e Hept-4-yn-2-one) conseguiram discriminar cancro de controles com um AUC de 0,969.
  • A análise de vias metabólicas sugeriu alterações na biossíntese de esfingolipídios e ácidos gordos.

5. Significado e Implicações Clínicas

• Triagem em Cuidados Primários: A alta especificidade (100%) e a ausência de falsos positivos tornam esta ferramenta ideal para triagem em cuidados primários, onde o objetivo é evitar encaminhamentos desnecessários para TC e reduzir a ansiedade do paciente, sem perder a capacidade de identificar casos suspeitos.
• Complemento à TC: O teste não substitui a TC, mas atua como um filtro biológico upstream (pré-TC), permitindo priorizar indivíduos de alto risco para imagem, aumentando o rendimento diagnóstico por exame realizado.
• Viabilidade Tecnológica: O uso do dispositivo Inflammacheck® demonstra que a medição de H₂O₂ e parâmetros fisiológicos via respiração tidal é rápida, não invasiva e escalável.
• Futuro: Os metabólitos identificados podem ser integrados em futuras versões do dispositivo para melhorar ainda mais a precisão. O estudo serve como prova de conceito para a implementação de ferramentas de diagnóstico baseadas em "nariz eletrônico" e metabolómica no rastreio do cancro do pulmão.

Limitações Notadas: O grupo de controle consistiu em participantes com rastreio negativo no momento, sem seguimento de longo prazo para confirmar benignidade absoluta, o que é uma consideração pragmática para estudos de rastreio, mas que deve ser validada em ensaios prospectivos maiores.