ES2325170T3 - Un metodo para predecir el estado de la mucosa gastrica. - Google Patents
Un metodo para predecir el estado de la mucosa gastrica. Download PDFInfo
- Publication number
- ES2325170T3 ES2325170T3 ES05717315T ES05717315T ES2325170T3 ES 2325170 T3 ES2325170 T3 ES 2325170T3 ES 05717315 T ES05717315 T ES 05717315T ES 05717315 T ES05717315 T ES 05717315T ES 2325170 T3 ES2325170 T3 ES 2325170T3
- Authority
- ES
- Spain
- Prior art keywords
- gastric mucosa
- class
- helicobacter pylori
- atrophy
- probability
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Lifetime
Links
- 210000001156 gastric mucosa Anatomy 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 46
- 108010047320 Pepsinogen A Proteins 0.000 claims abstract description 38
- 108010066264 gastrin 17 Proteins 0.000 claims abstract description 35
- GKDWRERMBNGKCZ-RNXBIMIWSA-N gastrin-17 Chemical compound C([C@@H](C(=O)NCC(=O)N[C@@H](CC=1C2=CC=CC=C2NC=1)C(=O)N[C@@H](CCSC)C(=O)N[C@@H](CC(O)=O)C(=O)N[C@@H](CC=1C=CC=CC=1)C(N)=O)NC(=O)[C@H](C)NC(=O)[C@H](CCC(O)=O)NC(=O)[C@H](CCC(O)=O)NC(=O)[C@H](CCC(O)=O)NC(=O)[C@H](CCC(O)=O)NC(=O)[C@H](CCC(O)=O)NC(=O)[C@H](CC(C)C)NC(=O)[C@H](CC=1C2=CC=CC=C2NC=1)NC(=O)[C@H]1N(CCC1)C(=O)CNC(=O)[C@H]1NC(=O)CC1)C1=CC=C(O)C=C1 GKDWRERMBNGKCZ-RNXBIMIWSA-N 0.000 claims abstract description 35
- 241000590002 Helicobacter pylori Species 0.000 claims abstract description 31
- 229940037467 helicobacter pylori Drugs 0.000 claims abstract description 30
- 206010003694 Atrophy Diseases 0.000 claims abstract description 27
- 230000037444 atrophy Effects 0.000 claims abstract description 27
- 102400000921 Gastrin Human genes 0.000 claims abstract description 25
- 239000003550 marker Substances 0.000 claims abstract description 23
- 208000016644 chronic atrophic gastritis Diseases 0.000 claims abstract description 12
- 208000004300 Atrophic Gastritis Diseases 0.000 claims abstract description 9
- 208000036495 Gastritis atrophic Diseases 0.000 claims abstract description 9
- 238000003745 diagnosis Methods 0.000 claims description 21
- 230000002496 gastric effect Effects 0.000 claims description 17
- 210000004877 mucosa Anatomy 0.000 claims description 17
- 210000002966 serum Anatomy 0.000 claims description 12
- 239000012491 analyte Substances 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 10
- 238000011282 treatment Methods 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 9
- 238000007477 logistic regression Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000007619 statistical method Methods 0.000 claims description 6
- 210000004369 blood Anatomy 0.000 claims description 5
- 239000008280 blood Substances 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 3
- 108010052343 Gastrins Proteins 0.000 claims description 2
- 239000000427 antigen Substances 0.000 claims description 2
- 102000036639 antigens Human genes 0.000 claims description 2
- 108091007433 antigens Proteins 0.000 claims description 2
- 210000001124 body fluid Anatomy 0.000 claims description 2
- 239000010839 body fluid Substances 0.000 claims description 2
- AOXOCDRNSPFDPE-UKEONUMOSA-N chembl413654 Chemical compound C([C@H](C(=O)NCC(=O)N[C@H](CC=1C2=CC=CC=C2NC=1)C(=O)N[C@H](CCSC)C(=O)N[C@H](CC(O)=O)C(=O)N[C@H](CC=1C=CC=CC=1)C(N)=O)NC(=O)[C@@H](C)NC(=O)[C@@H](CCC(O)=O)NC(=O)[C@@H](CCC(O)=O)NC(=O)[C@@H](CCC(O)=O)NC(=O)[C@H](CCC(O)=O)NC(=O)[C@H](CCC(O)=O)NC(=O)[C@H](CC(C)C)NC(=O)[C@H](CC=1C2=CC=CC=C2NC=1)NC(=O)[C@H]1N(CCC1)C(=O)CNC(=O)[C@@H](N)CCC(O)=O)C1=CC=C(O)C=C1 AOXOCDRNSPFDPE-UKEONUMOSA-N 0.000 claims description 2
- 239000012530 fluid Substances 0.000 claims description 2
- 210000003296 saliva Anatomy 0.000 claims description 2
- 210000002700 urine Anatomy 0.000 claims description 2
- 108090001072 Gastricsin Proteins 0.000 claims 1
- 102000034255 Pepsinogen C Human genes 0.000 claims 1
- 230000001746 atrial effect Effects 0.000 claims 1
- 208000005718 Stomach Neoplasms Diseases 0.000 description 18
- 206010017758 gastric cancer Diseases 0.000 description 17
- 201000011549 stomach cancer Diseases 0.000 description 17
- 208000007882 Gastritis Diseases 0.000 description 14
- 238000012360 testing method Methods 0.000 description 14
- 206010028980 Neoplasm Diseases 0.000 description 11
- 201000011510 cancer Diseases 0.000 description 10
- 210000002784 stomach Anatomy 0.000 description 10
- 208000008469 Peptic Ulcer Diseases 0.000 description 9
- 238000002575 gastroscopy Methods 0.000 description 8
- 208000011906 peptic ulcer disease Diseases 0.000 description 8
- 208000015181 infectious disease Diseases 0.000 description 7
- 208000023652 chronic gastritis Diseases 0.000 description 6
- 206010019375 Helicobacter infections Diseases 0.000 description 5
- 238000001574 biopsy Methods 0.000 description 5
- 206010061218 Inflammation Diseases 0.000 description 4
- 230000002183 duodenal effect Effects 0.000 description 4
- 230000004054 inflammatory process Effects 0.000 description 4
- 241000894006 Bacteria Species 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 206010017807 Gastric mucosal hypertrophy Diseases 0.000 description 2
- 241000589989 Helicobacter Species 0.000 description 2
- 208000000239 Hypertrophic Gastritis Diseases 0.000 description 2
- 208000031845 Pernicious anaemia Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000001363 autoimmune Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000002757 inflammatory effect Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000001404 mediated effect Effects 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 102000004169 proteins and genes Human genes 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 208000003200 Adenoma Diseases 0.000 description 1
- 206010001233 Adenoma benign Diseases 0.000 description 1
- 208000035143 Bacterial infection Diseases 0.000 description 1
- 208000023514 Barrett esophagus Diseases 0.000 description 1
- 208000023665 Barrett oesophagus Diseases 0.000 description 1
- 206010058314 Dysplasia Diseases 0.000 description 1
- 208000025216 Gastric adenocarcinoma and proximal polyposis of the stomach Diseases 0.000 description 1
- 208000034525 Ménétrier disease Diseases 0.000 description 1
- 208000006994 Precancerous Conditions Diseases 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 208000025865 Ulcer Diseases 0.000 description 1
- 229930003779 Vitamin B12 Natural products 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 208000022362 bacterial infectious disease Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- FDJOLVPMNUYSCM-WZHZPDAFSA-L cobalt(3+);[(2r,3s,4r,5s)-5-(5,6-dimethylbenzimidazol-1-yl)-4-hydroxy-2-(hydroxymethyl)oxolan-3-yl] [(2r)-1-[3-[(1r,2r,3r,4z,7s,9z,12s,13s,14z,17s,18s,19r)-2,13,18-tris(2-amino-2-oxoethyl)-7,12,17-tris(3-amino-3-oxopropyl)-3,5,8,8,13,15,18,19-octamethyl-2 Chemical compound [Co+3].N#[C-].N([C@@H]([C@]1(C)[N-]\C([C@H]([C@@]1(CC(N)=O)C)CCC(N)=O)=C(\C)/C1=N/C([C@H]([C@@]1(CC(N)=O)C)CCC(N)=O)=C\C1=N\C([C@H](C1(C)C)CCC(N)=O)=C/1C)[C@@H]2CC(N)=O)=C\1[C@]2(C)CCC(=O)NC[C@@H](C)OP([O-])(=O)O[C@H]1[C@@H](O)[C@@H](N2C3=CC(C)=C(C)C=C3N=C2)O[C@@H]1CO FDJOLVPMNUYSCM-WZHZPDAFSA-L 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000002919 epithelial cell Anatomy 0.000 description 1
- 210000000981 epithelium Anatomy 0.000 description 1
- 210000004211 gastric acid Anatomy 0.000 description 1
- 230000000762 glandular Effects 0.000 description 1
- 230000035876 healing Effects 0.000 description 1
- 230000001900 immune effect Effects 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 229940029329 intrinsic factor Drugs 0.000 description 1
- 230000036210 malignancy Effects 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003097 mucus Anatomy 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000007430 reference method Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000000405 serological effect Effects 0.000 description 1
- 238000009589 serological test Methods 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 208000018556 stomach disease Diseases 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 231100000397 ulcer Toxicity 0.000 description 1
- 230000002861 ventricular Effects 0.000 description 1
- 239000011715 vitamin B12 Substances 0.000 description 1
- 235000019163 vitamin B12 Nutrition 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
- G01N33/68—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving proteins, peptides or amino acids
- G01N33/6893—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving proteins, peptides or amino acids related to diseases not provided for elsewhere
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2333/00—Assays involving biological materials from specific organisms or of a specific nature
- G01N2333/435—Assays involving biological materials from specific organisms or of a specific nature from animals; from humans
- G01N2333/575—Hormones
- G01N2333/595—Gastrins; Cholecystokinins [CCK]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2333/00—Assays involving biological materials from specific organisms or of a specific nature
- G01N2333/90—Enzymes; Proenzymes
- G01N2333/914—Hydrolases (3)
- G01N2333/948—Hydrolases (3) acting on peptide bonds (3.4)
- G01N2333/95—Proteinases, i.e. endopeptidases (3.4.21-3.4.99)
- G01N2333/964—Proteinases, i.e. endopeptidases (3.4.21-3.4.99) derived from animal tissue
- G01N2333/96425—Proteinases, i.e. endopeptidases (3.4.21-3.4.99) derived from animal tissue from mammals
- G01N2333/96427—Proteinases, i.e. endopeptidases (3.4.21-3.4.99) derived from animal tissue from mammals in general
- G01N2333/9643—Proteinases, i.e. endopeptidases (3.4.21-3.4.99) derived from animal tissue from mammals in general with EC number
- G01N2333/96472—Aspartic endopeptidases (3.4.23)
- G01N2333/96475—Aspartic endopeptidases (3.4.23) with definite EC number
- G01N2333/96477—Pepsin (3.4.23.1; 3.4.23.2; 3.4.23.3)
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2800/00—Detection or diagnosis of diseases
- G01N2800/06—Gastro-intestinal diseases
- G01N2800/062—Gastritis or peptic ulcer disease
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Chemical & Material Sciences (AREA)
- Biomedical Technology (AREA)
- Urology & Nephrology (AREA)
- Hematology (AREA)
- Immunology (AREA)
- Cell Biology (AREA)
- Analytical Chemistry (AREA)
- Biotechnology (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Physics & Mathematics (AREA)
- Microbiology (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Pathology (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Medicines Containing Plant Substances (AREA)
- Saccharide Compounds (AREA)
- Compounds Of Unknown Constitution (AREA)
Abstract
Un método para evaluar o predecir el estado de la mucosa gástrica en un sujeto determinando, en dicho sujeto, la probabilidad de que la mucosa gástrica pertenezca a al menos una clase de mucosa gástrica, cuyo método comprende: - medir, a partir de una muestra de dicho sujeto, las concentraciones de los analitos pepsinógeno I (PGI) y gastrina- 17 (G-17), así como determinar la presencia o la concentración de un marcador para Helicobacter pylori, - introducir los datos así obtenidos en un sistema informático que comprende un sistema operativo, una base de datos y medios para transmitir y tratar los datos, estando adaptado dicho sistema informático para determinar la probabilidad de que la mucosa gástrica pertenezca a al menos una clase de mucosa gástrica, consistiendo la clase de mucosa gástrica, seleccionada entre el grupo de clases, en normal (N), atrofia antral (A), atrofia antral y corpus (AC), atrofia corpus (C) y gastritis superficial o no atrófica (S) según los datos introducidos así como los datos clínicos predefinidos en la base de datos, comprendiendo los datos clínicos predefinidos en la base de datos los datos obtenidos a partir de un grupo de población de referencia por estudios gastroscópicos y la determinación de los analitos PGI y G- 17 y el marcador de Helicobacter pylori en dicho grupo de población de referencia, siendo indicativa la información así generada por el sistema informático del estado de la mucosa gástrica en dicho sujeto.
Description
Un método para predecir el estado de la mucosa
gástrica.
La presente invención se refiere a un método
para evaluar o predecir el estado o la condición de la mucosa
gástrica, determinando la probabilidad de que la mucosa gástrica de
un sujeto pertenezca a al menos una clase de mucosa gástrica o
categoría. En el método, la concentración de los analitos
específicos de la mucosa específica, tales como la concentración de
pepsinógeno I, la concentración de gastrina-17, así
como la concentración o la presencia de un marcador de
Helicobacter pylori, es determinada en el sujeto, y se usan
medios informáticos para determinar la probabilidad de que la
mucosa gástrica del sujeto pertenezca a al menos una clase de mucosa
gástrica o categoría.
Aunque haya disminuido la aparición de nuevos
casos de cáncer gástrico en los últimos años, el cáncer gástrico es
todavía una de las malignidades más comunes. En Finlandia, son
registrados aproximadamente entre 250 y 300 nuevos casos de cáncer
por millón de personas por año. En el grupo de edad de personas
mayores de 50, hay aproximadamente 2350 casos de cáncer de
estómago, lo que es aproximadamente 3 por mil de la población en
ese grupo de edad (Registro de Cáncer Finlandés - Instituto
Estadístico y Epidemiológico Para la Investigación del Cáncer,
1993). Además de Finlandia, hay un alta frecuencia de cáncer
gástrico en Islandia, Sudamérica y sobre todo en Japón y China.
El pronóstico del cáncer gástrico es por lo
general pobre, ya que no hay ningún tratamiento específico.
Actualmente la única posibilidad de tratar con éxito un cáncer
gástrico es su detección precoz y su total retirada
quirúrgicamente.
El cáncer gástrico no muestra necesariamente
ningún síntoma en sus etapas iniciales. La aparición tardía de los
síntomas retrasa naturalmente que el paciente encuentre un
tratamiento. Por otra parte, los datos clínicos en las etapas
iniciales del cáncer gástrico no son a menudo específicos. El método
diagnóstico principal para el cáncer gástrico es actualmente la
gastroscopía y las biopsias, análisis de células y citología por
aspiración asociadas con el mismo. Como las gastroscopías
rutinarias son realizadas a fin de examinar síntomas, tales como el
dolor en el abdomen superior o el sangrado del tracto
gastrointestinal, los cánceres gástricos sintomáticos detectados de
esta manera a menudo están muy avanzados ya y por eso son
inoperables. También se han realizado intentos en la mejora del
diagnóstico primario con diversos métodos inmunológicos, pero no se
ha desarrollado con éxito ningún método inmunológico
suficientemente específico.
Un objeto principal es encontrar los medios por
los cuales sería posible identificar dentro de la población
general, fácilmente y con costes moderados, aquellas personas que
podrían sufrir cáncer gástrico en sus etapas iniciales. Después de
la identificación, estas personas deben ser inmediatamente
examinadas por gastroscopía. Al mismo tiempo, podrían ser
identificadas aquellas personas que muestren cambios gástricos
premalignos que tienen que ser seguidos.
El cáncer gástrico puede estar precedido por
diversas enfermedades o afecciones gástricas diferentes (llamadas
condiciones precancerosas), que son la gastritis atrófica crónica,
anemia perniciosa, úlcera ventricular, poliposis gástrica y la
enfermedad de Menetrier (gastritis hipertrófica gigante). Los
cambios claramente identificables de la mucosa son displasia y
adenoma. Dichas condiciones tienen que ver con un riesgo de padecer
cáncer relativo de entre aproximadamente 4 y 5 veces, comparado con
la población general. Se ha establecido que, en casi todas las
enfermedades, el riesgo es mediado sobre la gastritis crónica
atrófica.
La gastritis crónica consiste en una condición
inflamatoria prolongada de la mucosa gástrica. La enfermedad puede
ser groseramente dividida en la llamada forma superficial y
atrófica. En la gastritis superficial, la infiltración de células
inflamatorias se concentra por debajo del epitelio superficial. Si
la inflamación progresa y se difunde entre las glándulas gástricas
secretoras específicas, se trata de la gastritis crónica atrófica.
En tal caso, las estructuras glandulares normales de la mucosa
gástrica son, al menos en parte, sustituidas por cambios
metaplásicos.
El riesgo relativo de padecer cáncer gástrico en
pacientes que sufren gastritis atrófica en el área corpus del
estómago, ha sido estimado, según se calcula a partir de la
estadística de cáncer finlandesa, que está aproximadamente entre 4
y 5 veces, comparado con personas que tienen una mucosa sana.
Además, existe un riesgo de caer enfermo con anemia perniciosa
debido a la falta de factor intrínseco y a la perturbación en la
absorción de la vitamina B12. En la atrofia severa del área antral,
el riesgo es de hasta 18 veces. Si aparecen cambios atróficos tanto
en el área antral como en el área corpus (pangastritis), el riesgo
puede aumentar hasta 90 veces (Sipponen, P, Kekki, M, Haapakoski,
J. Ihamäki, T y Siurala, M (1985) "Gastric cancer risk in chronic
atrophic gastritis: statistical calculations of
cross-sectional data." Int J Cancer
35:173-77).
La Helicobacter pylori es una bacteria
con forma espiral gram negativa que prospera en la mucosidad en las
proximidades inmediatas de las células epiteliales superficiales de
la mucosa gástrica y en los intersticios celulares. Por lo visto,
la bacteria se transmite peroralmente de una persona a otra. El
efecto de la bacteria en la mucosa gástrica es una reacción
inflamatoria, que es mediada sobre un complemento liberando fuertes
sustancias mediadoras de la inflamación. Después de una etapa aguda,
la inflamación se transforma en gastritis crónica. En pacientes que
padecen gastritis crónica, entre el 70 y el 90% pueden hacer que se
establezca una infección por Helicobacter pylori (Calam, J
(1994) Helicobacter pylori (Revisión) Eur. J. Clin
Invest. 24: 501-510). Cuando la infección
por Helicobacter pylori y la gastritis crónica en el estómago
están estrechamente asociadas, se ha estipulado que esta infección
bacteriana podría ser un factor etiológico en el desarrollo del
cáncer de estómago. Por esta razón, es posible que la eliminación de
las bacterias Helicobacter pylori en las etapas iniciales de
la infección, pudiera prevenir el desarrollo de la atrofia asociada
con la gastritis crónica, y así reducir el riesgo de padecer cáncer
y el riesgo de padecer úlceras pépticas.
La publicación WO 96/15456 describe un método
para rastrear el riesgo de cáncer determinando la concentración de
los analitos pepsinógeno I y gastrina-17 a partir de
una muestra de suero de un sujeto. Según dicha publicación, los
valores de concentración así determinados son comparados entonces
con un valor límite y un valor de referencia para cada analito. Una
concentración de pepsinógeno I en suero por debajo del valor límite
para el pepsinógeno I en combinación con un valor de concentración
de gastrina-17 por encima del límite de referencia
superior indica una atrofia severa del área corpus del
estómago. Un nivel de gastrina-17 en suero por
debajo del valor límite para gastrina-17 en
combinación con un pepsinógeno I por encima del valor límite para
pepsinógeno I indica por otra parte una atrofia del área antral del
estómago. Si el pepsinógeno I en suero está por debajo del valor
límite para el pepsinógeno I, y el nivel de
gastrina-17 está en el límite inferior de su valor
de referencia, ésta es una indicación de una atrofia severa en todo
el estómago, es decir, de pangastritis atrófica. Según una
realización descrita, dichas pruebas pueden ser combinadas con una
prueba para anticuerpos de Helicobacter pylori.
Según dicha publicación internacional, el método
puede ser complementado con una llamada prueba de estimulación de
proteínas, según la cual una muestra de sangre es tomada por la
mañana en ayuno, después de lo cual el paciente come una comida
estándar rica en proteínas y se toman muestras de sangre a
intervalos de 15 minutos durante dos horas. El aumento máximo es
evidente después de aproximadamente 20 minutos. Si la atrofia está
localizada en el área antral, habrá una respuesta fuertemente
reducida en esta prueba. Cuando la atrofia está localizada en el
corpus, la respuesta será normal o mayor, mientras que la
atrofia de toda la mucosa conduce a una respuesta reducida.
La publicación internacional WO 00/67035
describe un método para evaluar el riesgo de padecer úlcera péptica
determinando cuantitativamente la concentración de pepsinógeno I en
suero y gastrina-17 en suero. Según este método, si
tanto los valores medidos de pepsinógeno I en suero como los de
gastrina-17 son altos, por encima del límite
superior de sus valores de referencia respectivos, o el valor de
pepsinógeno en suero está por encima del límite superior de su
valor de referencia en combinación con un valor de
gastrina-17 dentro del intervalo de referencia o
por debajo de su valor límite, esto es una indicación de tener un
mayor riesgo de padecer úlcera péptica.
La publicación WO 02/054084 describe un método
para evaluar la condición de la mucosa gástrica, determinando la
concentración de pepsinógeno I, gastrina-17 y un
marcador para la infección por Helicobacter pylori y
comparar el mismo con los valores límites para dichos marcadores,
para obtener, utilizando medios informáticos, una combinación de
resultados comparativos específicos para el sujeto analizado. La
publicación WO 2004/023148 describe un método para detectar el
riesgo de padecer una enfermedad relacionada con el ácido gástrico,
tal como el esófago de Barrett, determinando la concentración de
pepsinógeno I, tomando gastrina-17 en ayunas y un
marcador para la infección por Helicobacter pylori y
comparando el mismo con los valores límites para dichos
marcadores.
Se conocen métodos en la técnica para medir las
concentraciones de los diversos analitos, y hay también kits
comercialmente disponibles para este fin. Algunos métodos
ilustrativos para realizar dichas determinaciones son descritos
también en la publicación WO-96/15456.
\vskip1.000000\baselineskip
El objeto de la invención es un método para
evaluar o predecir el estado de la mucosa gástrica en un sujeto
determinando, en dicho sujeto, la probabilidad de que la mucosa
gástrica pertenezca a al menos una clase de mucosa gástrica, cuyo
método comprende:
- medir, a partir de una muestra de dicho
sujeto, las concentraciones de los analitos pepsinógeno I (PGI) y
gastrina-17 (G-17), así como
determinar la presencia o la concentración de un marcador para
Helicobacter pylori,
- introducir los datos así obtenidos en un
sistema informático que comprende un sistema operativo, una base de
datos y medios para transmitir y tratar los datos, estando adaptado
dicho sistema informático para determinar la probabilidad de que la
mucosa gástrica pertenezca a al menos una clase de mucosa gástrica,
según los datos introducidos así como los datos clínicos
predefinidos en la base de datos, comprendiendo los datos clínicos
predefinidos en la base de datos, los datos obtenidos a partir de un
grupo de población de referencia por estudio gastroscópico y la
determinación de los analitos PGI y G-17 y el
marcador de Helicobacter pylori en dicho grupo de población
de referencia, siendo indicativa la información así generada por el
sistema informático del estado de la mucosa gástrica en dicho
sujeto.
Según la invención, la información generada
puede ser así usada para la evaluación o la predicción del estado
de la mucosa gástrica en dicho sujeto.
La invención también se refiere a un kit y a un
producto de programa informático sobre todo para uso en el método
según la invención.
El kit, según la invención, comprende medios
para determinar, a partir de una muestra, la concentración de
pepsinógeno I y gastrina-17, y la concentración o
presencia de un marcador de Helicobacter pylori, así como un
producto de programa informático realizado en un medio informático
legible y que comprende medios con código informático adaptados
para determinar una probabilidad para una clase de mucosa gástrica,
según los valores medidos para dichos analitos y/o marcador, así
como datos clínicos predefinidos en una base de datos,
comprendiendo los datos clínicos predefinidos en la base de datos,
los datos obtenidos a partir de un grupo de población de referencia
por estudio gastroscópico y la determinación de los analitos PGI y
G-17 y el marcador de Helicobacter pylori en
dicho grupo de población de referencia, y proporcionar información
en respuesta a dicha determinación y óptimamente a otros datos
introducidos, cuando se tratan en un ordenador.
El producto de programa informático según la
invención se realiza en un medio informático legible y comprende
medios con códigos informáticos adaptados para determinar la
probabilidad para una clase de mucosa gástrica, según los valores
medidos para los analitos PGI y G-17 y el marcador
de Helicobacter pylori, así como datos clínicos predefinidos
en una base de datos y proporcionar información en respuesta a dicha
determinación y opcionalmente a otros datos introducidos, cuando se
tratan en un ordenador.
\vskip1.000000\baselineskip
En esta invención, la expresión "probabilidad
para una clase de mucosa gástrica" significa la probabilidad de
que la mucosa gástrica de un sujeto se determina que pertenece a una
clase de mucosa gástrica.
La expresión "clase de mucosa gástrica" de
un sujeto se refiere a la mucosa gástrica de un sujeto clasificado
como normal (N), que exhibe gastritis superficial o no atrófica (S),
atrofia corpus (C), atrofia antral (A), o atrofia antral+corpus
(AC), respectivamente. La invención hace posible determinar la
probabilidad de que el estómago del sujeto pertenezca a una o
varias de dichas clases, y/o determinar la distribución de
probabilidades de varias clases.
En la presente invención, la base de datos
clínica comprende los datos obtenidos a partir de estudios
gastroscópicos y biopsias, las concentraciones correspondientes
para los analitos específicos de la mucosa y/o marcadores,
opcionalmente otros datos introducidos, e información en clases
diferentes para predecir. Las probabilidades se determinan
preferentemente usando un método estadístico, y el método
estadístico preferido para calcular las probabilidades de
clasificación es el método de regresión logístico multinominal. Los
datos clínicos predefinidos en la base de datos comprenden los
datos obtenidos a partir de un grupo de población de referencia por
estudios gastroscópicos y la determinación de los analitos PGI y
G-17 y el marcador de Helicobacter pylori en
dicho grupo de población de
referencia.
referencia.
Según la presente invención, el marcador de
Helicobacter pylori es un anticuerpo de Helicobacter
pylori, cuya concentración es medida a partir de una muestra o
el antígeno de Helicobacter pylori, cuya presencia es
determinada en la muestra. El valor de gastrina que es medido es el
valor de gastrina-17 estimulado
(G-17st), o tanto gastrina-17
(base) en ayunas como la gastrina-17 estimulada.
En una realización de la invención se mide,
además, la concentración del analito pepsinógeno II (PGII), y la
proporción PGI/PGII se usa en el cálculo estadístico.
Según la invención, los analitos se miden a
partir de un fluido corporal, tal como suero, sangre entera, orina,
saliva o muestra de fluido lacrimal, sobre todo una muestra de
suero.
Según una realización de la invención, la
información generada está relacionada ventajosamente con al menos
una probabilidad de clase de mucosa gástrica, por lo cual una
estimación del cambio de dicha probabilidad puede ser usada para
proporcionar información en cuanto al cambio en el estado de la
mucosa gástrica.
Los medios informáticos pueden comprender un
visualizador en el cual sea mostrada la información generada.
El método estadístico básico usado en la
invención para clasificar la mucosa gástrica está basado en el
análisis de regresión logístico multinominal estocástico (MLR)
realizado sobre los datos clínicos. La ventaja de una versión
estocástica comparado con un enfoque determinista más simple, donde
un valor es tasado según un análisis límite simple, es que se basa
en el hecho de que los modelos estocásticos consideran la
incertidumbre como un aspecto importante del problema. Esto
significa que el enfoque estocástico es menos insensible a las
diferentes clases de errores y variación aleatoria, que realmente
existen en un proceso complejo como este y que es, claramente, el
método preferido de usar.
La regresión logística es preferida sobre la
lineal porque soluciona los problemas relacionados con las
"asunciones de regresión clásica", es decir, la
heteroskedasticidad de términos de error, requerimiento de
distribución normal y probabilidades negativas (o > 1). Esto
significa que la regresión logística a menudo es preferida porque
no requiere una relación lineal entre las variables dependientes e
independientes, que es el caso de la mayoría de los ensayos
clínicos, donde la relación típicamente sigue una curva con forma de
S.
\newpage
La regresión logística multinominal se usa
cuando hay varias variables dependientes, en el caso de las clases
de mucosa gástricas de la invención. Se presenta un modelo de
regresión logístico multinominal general como sigue:
ln
(P/1-P)
=BX+E,
en el
que,
P es un vector (n x 1) que contiene la variable
de respuesta (probabilidad de clase)
B es un vector (q x 1) que contiene los
parámetros modelos
X es una matriz (n x q) que contiene los
factores q
E es un vector (n x 1) que contiene los términos
de ruido
en el que n es el número de clases y q es el
número de parámetros.
Antes de la creación de los modelos, los valores
para los coeficientes B_{j} se calculan usando el método de
estimaciones de probabilidad máxima de las diferentes clases de
datos clínicos en una base de datos.
Cuando las clases diferentes de la mucosa
gástrica son predefinidas, cada combinación de variables
independientes genera diferentes coeficientes de B_{j}. Por lo
tanto, un método según el modelo para estimar probabilidades
requiere varios modelos que cubran todas las combinaciones posibles
de los datos introducidos. Si la combinación es limitada, y si la
base de datos es, según la estadística, bastante grande, éste es el
método preferido de elección debido a su simplicidad
computacional.
Si la base de datos es, según la estadística,
pequeña y hay un desequilibrio obviamente claro entre los datos
disponibles para las diferentes clases, una combinación de
parámetros puede generar mejores estimaciones que los otros. Dos
variantes de la modificación posible del método según modelo son
presentadas en este documento. Un "método iterativo" usa todos
los parámetros que participan en las primeras estimaciones de
probabilidad. Según el resultado, usa automáticamente un
subconjunto de parámetros introducidos para el nuevo cálculo de
estimaciones de probabilidad. Un "método permutativo", por otra
parte, usa todas las permutaciones modelo diferentes para calcular
las estimaciones de probabilidad para averiguar la clase más
probable para los parámetros introducidos.
Si la base de datos es, según la estadística,
pequeña o dinámica en su naturaleza y el sistema informático es lo
bastante rápido, las estimaciones de probabilidad pueden ser
calculadas usando las estimaciones de probabilidad máxima en los
datos introducidos a tiempo real.
Los parámetros modelo o, sobre todo, la base de
datos pueden estar localizados a una distancia del sistema
informático que calcula las probabilidades para los datos
introducidos.
En el caso de una base de datos remota es
práctico disponer de un servidor de la base de datos con una
aplicación basada en el servidor que actualice los modelos cada vez
que los nuevos datos clínicos sean introducidos en la base de datos
clínica. La aplicación de cliente remota donde los parámetros son
introducidos trae los parámetros modelos del servidor de la base de
datos remota para los cálculos de probabilidad. Es obvio que la
tecnología de Internet propor-
ciona la autopista de la información para la transmisión de información entre el cliente y los sistemas del servidor.
ciona la autopista de la información para la transmisión de información entre el cliente y los sistemas del servidor.
Según la invención, el valor de probabilidad
continuo como parámetro proporciona medios para detectar un cambio
de estado de las clases en cuestión. El remuestreo del paciente en
un tiempo posterior, la información sobre el desarrollo de
probabilidades en el tiempo, permite un mejor diagnóstico o una
sugerencia de tratamientos o investigaciones adicionales y/o
pruebas según los resultados de esta forma obtenidos.
Los datos clínicos son agrupados analizando a
los pacientes y clasificando los estómagos de los pacientes en
grupos diferentes, por lo cual son obtenidas las clases de mucosa
gástricas N=antral normal, S=superficial, C=atrofia corpus,
A=atrofia antral, AC=atrofia antral+corpus, según los estudios de
biopsia y gastroscopía.
Se realiza entonces un análisis estadístico para
averiguar las constantes para los modelos diferentes. Un programa
de aplicación según modelo usa los modelos predefinidos para
calcular las probabilidades para las clases diferentes (N, S, C, A,
AC) en los parámetros introducidos.
Si el resultado indica un caso no normal con una
infección por helicobacter presente, el tratamiento es
comenzado. Después de un período de tiempo (p.ej 3 meses) puede ser
realizado un nuevo ensayo. Comparando la distribución de
probabilidades de los más precoces, puede ser predicho un resultado
de tratamiento.
El diagnóstico sugerido proporcionado está
basado en las estimaciones de probabilidades máximas de la clase de
mucosa gástrica más probable en los niveles de ensayo medidos. El
diagnóstico del caso más probable mostrado es el de casi nunca
probable en un 100%, pero incluso mucho más bajo, aunque todavía más
alto que cualquier otra opción. De hecho la versión estocástica
muestra la diferencia de estas probabilidades por cada clase de
mucosa gástrica. Se puede ver fácilmente entonces lo que la
probabilidad es para valores sanos frente a anormales. La
distribución de probabilidades proporciona una importante
información para doctores no sólo para la sugerencia de un
diagnóstico sino también en la elección de una nueva prueba o
investigaciones adicionales.
Como el método estocástico presentado
proporciona la clase de mucosa gástrica más probable, ofrece una
ventaja más respecto a un modelo determinista. Tan pronto como el
tratamiento, p.ej la terapia de eliminación de Helicobacter
pylori haya sido realizado, puede ser tomada fácilmente una
muestra de sangre entre 3 y 6 meses más tarde y pueden realizarse
ensayos serológicos simples y baratos. Siguiendo los niveles de
ensayo, y sobre todo las probabilidades predichas, puede ser
detectada una curación posible simplemente trazando las
probabilidades frente al tiempo o usando un método matemático con
series de tiempo para predecir un cambio de estado.
En una realización preferida de la invención,
los cálculos de estimación de probabilidades máximas para las
probabilidades de clasificación basadas en los datos del analito
introducido o del marcador pueden ser hechos al mismo tiempo en la
base de datos existente o usando modelos de regresión multinominales
precalculados realizados anteriormente sobre una base de datos
clínicos.
Según una realización de la invención, se
combina una serie de medidas con probabilidades de clasificación,
lo que permite que la información de un cambio, p.ej la curación de
la mucosa de estómago, pueda ser predicho.
En la evaluación del cambio de estado de la
mucosa gástrica con el tiempo, la probabilidad para al menos una
clase de mucosa gástrica es determinada de nuevo, en un punto
posterior del tiempo, y las probabilidades así calculadas son
comparadas a fin de estimar un cambio de dichas probabilidades y
proporcionar información acerca del cambio de estado de la mucosa
gástrica.
La información generada se usa ventajosamente
para generar un diagnóstico o una sugerencia de tratamiento o
investigaciones adicionales y/o pruebas.
Los ejemplos siguientes son requeridos para
ilustrar la invención sin restringirla de ningún modo. Los analitos
medidos son pepsinógeno I, gastrina-17 y los
anticuerpos de Helicobacter pylori. Las probabilidades para
cada categoría de mucosa gástrica son determinadas por regresión
logística multinominal. También se da el diagnóstico respectivo en
cada ejemplo, junto con sugerencias adicionales de exámenes y
tratamientos, cuando sean aplicables.
\vskip1.000000\baselineskip
Ejemplo
1
Las concentraciones de analito siguientes fueron
medidas a partir de una muestra de un paciente.
Basado en las concentraciones determinadas, se
calcularon las probabilidades siguientes.
Probabilidades:
Basado en las probabilidades calculadas se
sugiere un diagnóstico de gastritis corpus atrófica. Tal diagnóstico
tiene que ver con:
1. Un mayor riesgo de cáncer gástrico (factor de
riesgo 5 X).
2. Enfermedad de úlcera péptica (duodenal o
gástrico) es improbable.
3. Infección por Helicobacter pylori.
Ejemplo
2
Las siguientes concentraciones de analito fueron
medidas a partir de una muestra de un paciente.
Basado en las concentraciones determinadas, se
calcularon las probabilidades siguientes.
Probabilidades:
Basado en las probabilidades calculadas, se
sugiere un diagnóstico de una mucosa normal. Tal diagnóstico tiene
que ver con:
1. Muy bajo riesgo de cáncer gástrico.
2. Muy bajo riesgo de úlcera péptica.
3. Ninguna infección por Helicobacter
pylori.
\vskip1.000000\baselineskip
Ejemplo
3
Las siguientes concentraciones de analito fueron
medidas a partir de una muestra de un paciente.
Basado en las concentraciones determinadas, se
calcularon las probabilidades siguientes.
Probabilidades:
Basado en las probabilidades calculadas se
sugiere un diagnóstico de gastritis corpus atrófica. Tal diagnóstico
tiene que ver con:
1. Un mayor riesgo de cáncer gástrico (factor de
riesgo 5 X).
2. Enfermedad de úlcera péptica (duodenal o
gástrica) es improbable.
3. Infección por Helicobacter pylori.
Ejemplo
4
Las siguientes concentraciones de analito fueron
medidas a partir de una muestra de un paciente.
Basado en las concentraciones determinadas, se
calcularon las probabilidades siguientes.
Probabilidades:
Basado en las probabilidades calculadas se
sugiere un diagnóstico de gastritis corpus atrófica. Tal diagnóstico
tiene que ver con:
1. Un mayor riesgo de cáncer gástrico (factor de
riesgo 5 X).
2. Enfermedad de úlcera péptica (duodenal o
gástrica) es improbable.
3. Ninguna infección por Helicobacter
pylori - gastritis atrófica probablemente de origen
autoinmune.
\vskip1.000000\baselineskip
Ejemplo
5
Las siguientes concentraciones de analito fueron
medidas a partir de una muestra de un paciente.
Basado en las concentraciones determinadas, se
calcularon las probabilidades siguientes.
Probabilidades:
Basado en las probabilidades calculadas se
sugiere un diagnóstico de una mucosa normal. Tal diagnóstico tiene
que ver con:
1. Muy bajo riesgo de cáncer gástrico.
2. Muy bajo riesgo de úlcera péptica.
3. Ninguna infección por Helicobacter
pylori.
Ejemplo
6
Las siguientes concentraciones de analito fueron
medidas a partir de una muestra de un paciente.
Basado en las concentraciones determinadas, se
calcularon las probabilidades siguientes.
Probabilidades:
Basado en las probabilidades calculadas se
sugiere un diagnóstico de gastritis corpus atrófica. Tal diagnóstico
tiene que ver con:
1. Un mayor riesgo de cáncer gástrico (factor de
riesgo 5 X).
2. Enfermedad de úlcera péptica (duodenal o
gástrica) es improbable.
3. Ninguna infección por Helicobacter
pylori - gastritis atrófica probablemente de origen
autoinmune.
\vskip1.000000\baselineskip
La coincidencia con el método de referencia, es
decir gastroscopía y biopsia, es dependiente de la clase de mucosa
gástrica y el modelo usado. La coincidencia total usando un modelo
con PGI, PGII, G17st y HPab es del 80,2%. Para la clase N, una
mucosa sana normal, la coincidencia total es del 90,8%. Para la
atrofia corpus (C) y gastritis no atrófica (S) el resultado es del
85,5% y del 74,0% respectivamente. Los valores correspondientes
para las clases A y AC son algo inferiores, ya que estas clases son
más difíciles de predecir.
También se ha demostrado en pruebas que la clase
más alta así predicha corresponde al mismo hallazgo de clase de
gastritis con gastroscopía con un porcentaje mucho más alto. P.ej si
la clase más probable es predicha con una probabilidad del 65%, se
consigue el mismo hallazgo de clase con gastroscopía en el 90% de
los casos. Por lo tanto, si la clase más probable es predicha con
una probabilidad de más del 90%, hay prácticamente una
correspondencia de uno a uno con la gastroscopía y la biopsia.
En la figura 1 la probabilidad de clasificación
para el paciente según el Ejemplo 1, por lo cual los primeros
resultados de ensayo para PGI y G17 están relacionados con los
valores dados en el Ejemplo 1, se presenta como una función del
tiempo para las diferentes clases (N, A, AC, C, S). Cinco juegos de
ensayos fueron hechos durante un período de dos años. El paciente
fue tratado para erradicar Helicobacter. Esto puede ser visto
como que cuando el tratamiento es puesto en marcha, la probabilidad
de padecer gastritis corpus disminuye, después de 3 meses la
probabilidad ha disminuido del 70% al 50% y después de 8 meses es de
aproximadamente el 33%. También la probabilidad para la gastritis
corpus y antral ha disminuido del 20% a alrededor del 5% durante el
mismo tiempo. La probabilidad de tener una mucosa sana normal
aumenta en este tiempo de casi el 0% a casi el 40%.
La figura 2 es una ilustración gráfica, un
"mapa" de probabilidades, generado a partir de los valores de
probabilidad cuantitativos para las diferentes clases de mucosa
gástricas. Para el caso de tres valores de marcador cuantitativos,
cada punto en el espacio representa la clase más probable y su valor
de probabilidad. La figura 2 presente muestra un caso en el que
G-17 es puesto a 3 pmol/l, proporcionando una
presentación bidimensional del mapa con PGI y CV-ab
como ejes. A partir de la figura, al insertar los valores medidos
para PGI y HPab en el sistema de coordenadas, se puede ver cuál de
las clases (A, AC, C, S, N) es la más probable. Si el punto está
situado lejos de otras regiones de la clase (A, AC, C, S, N), la
probabilidad para aquella clase es alta, si el punto está situado
cerca de la frontera con otra región, el resultado es más incierto,
y tiene que ser considerada otra clase posible.
Si el resulta de HP (negativo o positivo) es
conocido por pruebas serológicas u otras, dos mapas, uno para HP -
(figura 3) y uno para HP + (figura 4) proporcionan una ayuda
práctica para la clasificación. En este caso, los ejes son
obviamente PGI y G-17. En general, al presentar las
clases más probables en un mapa no sólo se proporciona un modo
práctico para obtener una clasificación con forma de documento, sino
que además proporciona una ayuda visual cuando se realiza y se
muestra en una visualización informática, p.ej cuando las muestras
de diferentes grupos de pacientes son (p.ej no
fumadores-fumadores,
mujeres-hombres, tratados - no tratados) son
representadas en el mismo mapa. Tal ayuda visual proporciona medios
fáciles para comparar grupos entre sí.
Claims (13)
1. Un método para evaluar o predecir el estado
de la mucosa gástrica en un sujeto determinando, en dicho sujeto,
la probabilidad de que la mucosa gástrica pertenezca a al menos una
clase de mucosa gástrica, cuyo método
comprende:
comprende:
- medir, a partir de una muestra de dicho
sujeto, las concentraciones de los analitos pepsinógeno I (PGI) y
gastrina-17 (G-17), así como
determinar la presencia o la concentración de un marcador para
Helicobacter pylori,
- introducir los datos así obtenidos en un
sistema informático que comprende un sistema operativo, una base de
datos y medios para transmitir y tratar los datos, estando adaptado
dicho sistema informático para determinar la probabilidad de que la
mucosa gástrica pertenezca a al menos una clase de mucosa gástrica,
consistiendo la clase de mucosa gástrica, seleccionada entre el
grupo de clases, en normal (N), atrofia antral (A), atrofia antral
y corpus (AC), atrofia corpus (C) y gastritis superficial o no
atrófica (S) según los datos introducidos así como los datos
clínicos predefinidos en la base de datos, comprendiendo los datos
clínicos predefinidos en la base de datos los datos obtenidos a
partir de un grupo de población de referencia por estudios
gastroscópicos y la determinación de los analitos PGI y
G-17 y el marcador de Helicobacter pylori en
dicho grupo de población de referencia, siendo indicativa la
información así generada por el sistema informático del estado de la
mucosa gástrica en dicho sujeto.
2. El método según la reivindicación 1 para
evaluar un cambio del estado de la mucosa gástrica, comprendiendo
el método repetir la determinación de la probabilidad para al menos
una clase de mucosa gástrica, y comparar las probabilidades así
obtenidas con las probabilidades previamente determinadas a fin de
proporcionar información acerca del cambio de estado de la mucosa
gástrica.
3. El método según cualquiera de las
reivindicaciones anteriores, en el que las probabilidades son
determinadas usando un método estadístico para el cálculo de las
probabilidades de clasificación.
4. El método según la reivindicación 3, en el
que el método estadístico para el cálculo de las probabilidades de
clasificación es un método de regresión logístico multinominal
(MLR).
5. El método según cualquiera de las
reivindicaciones anteriores, que comprende el paso adicional de usar
la información generada para proporcionar un diagnóstico y/o una
sugerencia de otros tratamientos o exámenes.
6. El método según cualquiera de las
reivindicaciones anteriores, en el que el marcador de
Helicobacter pylori es un anticuerpo de Helicobacter
pylori, cuya concentración es medida a partir de la muestra.
7. El método según cualquiera de las
reivindicaciones anteriores, en el que el marcador de
Helicobacter pylori es el antígeno de Helicobacter
pylori, cuya presencia se determina en la muestra.
8. El método según cualquiera de las
reivindicaciones anteriores, en el que el valor de gastrina medido
es el valor de gastrina-17 estimulado
(G-17st), o tanto la gastrina-17
como la gastrina-17 estimulada.
9. El método según cualquiera de las
reivindicaciones anteriores, en el que, además, es medida la
concentración del analito pepsinógeno II (PGII), y la proporción
PGI/PGII se usa en el cálculo estadístico.
10. El método según la reivindicación 1, en el
que los analitos son medidos a partir de un fluido corporal, tal
como suero, sangre entera, orina, saliva o muestra de fluido
lacrimal, sobre todo una muestra de suero.
11. El método según cualquiera de las
reivindicaciones anteriores, en el que los medios informáticos
comprenden un visualizador, y la información generada es mostrada
en el visualizador.
12. Un kit que comprende medios para la
determinación, a partir de una muestra, de la concentración de
pepsinógeno I y gastrina-17, y la concentración o
la presencia de un marcador de Helicobacter pylori, así como
un producto de programa informático realizado en un medio legible
informático y que comprende medios con códigos informáticos
adaptados para determinar la probabilidad para una clase de mucosa
gástrica, siendo seleccionada la clase de mucosa gástrica a partir
del grupo de clases que consisten en normal (N), atrofia antral (A),
atrofia antral y corpus (AC), atrofia corpus (C) y gastritis
superficial o no atrófica (S) según los valores medidos para dichos
analitos y/o marcador así como los datos clínicos predefinidos en
una base de datos, comprendiendo los datos clínicos predefinidos
datos obtenidos a partir de un grupo de población de referencia por
estudios gastroscópicos y la determinación de valores para los
analitos PGI y G-17 y el marcador de Helicobacter
pylori de dicho grupo de población de referencia, y
proporcionar información en respuesta a dicha determinación y
opcionalmente en respuesta a otros datos introducidos, cuando se
tratan en un ordenador.
13. Un producto de programa informático
realizado en un medio informático legible y que comprende medios con
códigos informáticos adaptados para determinar una probabilidad
para una clase de mucosa gástrica, siendo seleccionada la clase de
mucosa gástrica a partir del grupo de clases que consiste en normal
(N), atrofia antral (A), atrofia antral y corpus (AC), atrofia
corpus (C) y gastritis superficial o no atrófica (S) según los
valores medidos para los analitos PGI y G-17 y el
marcador de Helicobacter pylori, así como datos clínicos
predefinidos en una base de datos, y proporcionar la información en
respuesta a dicha determinación y opcionalmente a otros datos
introducidos, cuando se tratan en un ordenador.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FI20040359 | 2004-03-05 | ||
| FI20040359A FI119572B (fi) | 2004-03-05 | 2004-03-05 | Menetelmä vatsan limakalvon tilan ennustamiseksi |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| ES2325170T3 true ES2325170T3 (es) | 2009-08-27 |
Family
ID=32039385
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| ES05717315T Expired - Lifetime ES2325170T3 (es) | 2004-03-05 | 2005-03-03 | Un metodo para predecir el estado de la mucosa gastrica. |
Country Status (10)
| Country | Link |
|---|---|
| US (1) | US20080162101A1 (es) |
| EP (1) | EP1725876B1 (es) |
| JP (1) | JP4814212B2 (es) |
| CN (1) | CN1950704A (es) |
| AT (1) | ATE430938T1 (es) |
| DE (1) | DE602005014345D1 (es) |
| ES (1) | ES2325170T3 (es) |
| FI (1) | FI119572B (es) |
| PL (1) | PL1725876T3 (es) |
| WO (1) | WO2005085871A1 (es) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2203745A4 (en) * | 2007-10-26 | 2010-12-08 | Biohit Oyj | METHODS AND PRODUCTS FOR DIAGNOSING AUTOIMMUNE DISEASES AND GASTRIC CANCER RELATED TO ATROPHIC GASTRITIS |
| WO2011161301A1 (en) * | 2010-06-24 | 2011-12-29 | Valtion Teknillinen Tutkimuskeskus | State inference in a heterogeneous system |
| WO2012154987A1 (en) | 2011-05-10 | 2012-11-15 | Nestec Sa | Methods of disease activity profiling for personalized therapy management |
| US11162943B2 (en) | 2017-05-31 | 2021-11-02 | Prometheus Biosciences Inc. | Methods for assessing mucosal healing in Crohn's disease patients |
| CN112002414B (zh) * | 2020-08-23 | 2024-01-26 | 吾征智能技术(北京)有限公司 | 一种基于胃液认知胃病的系统、设备、存储介质 |
| CN113466471B (zh) * | 2021-09-06 | 2021-11-26 | 中国农业科学院农产品加工研究所 | 胃粘膜损伤相关生物标志物、筛选方法及用途 |
Family Cites Families (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0746111B2 (ja) * | 1988-03-18 | 1995-05-17 | 株式会社日立製作所 | 試料分析方法及びこれを用いた自動分析装置 |
| US6861510B1 (en) * | 1989-01-24 | 2005-03-01 | Aphton Corporation | Immunogenic compositions against gastrin peptides |
| FI97304C (fi) * | 1994-11-16 | 1996-11-25 | Locus Genex Oy | Menetelmä mahasyövän riskin seulonnaksi |
| JP2949474B2 (ja) * | 1995-08-28 | 1999-09-13 | 隆久 古田 | ペプシノーゲンｉ／ｉｉ比の変化率を基礎としたヘリコバクター・ピロリ除菌判定方法 |
| JP2000270897A (ja) * | 1999-03-23 | 2000-10-03 | Mitsubishi Kagaku Bio-Clinical Laboratories Inc | トランスフォーミング増殖因子β１の遺伝子多型による骨粗鬆症危険因子の検出法 |
| FI118653B (fi) * | 1999-04-30 | 2008-01-31 | Biohit Oyj | Menetelmä peptisen haavan riskin määrittämiseksi |
| WO2001077685A2 (en) * | 2000-04-10 | 2001-10-18 | The General Hospital Corporation | Diagnosis and treatment of gastrointestinal disease |
| FI20010019A7 (fi) * | 2001-01-05 | 2002-07-06 | Biohit Oyj | Menetelmä atrofisen gastriitin diagnostisoimiseksi |
| FI20011908L (fi) * | 2001-09-28 | 2003-03-29 | Biohit Oyj | Menetelmä vatsasyövän osoittamiseksi |
| SE0200974D0 (sv) * | 2002-03-27 | 2002-03-27 | Phagen Ab | Screening method for gastritis |
| FI119571B (fi) * | 2002-09-06 | 2008-12-31 | Biohit Oyj | Menetelmä esofagiitin tai Barrettin ruokatorven riskin osoittamiseksi yksilöllä |
| US6950544B2 (en) * | 2003-02-14 | 2005-09-27 | Virtualscopics, Llc | Automated measurement of anatomical structures in medical imaging |
-
2004
- 2004-03-05 FI FI20040359A patent/FI119572B/fi active
-
2005
- 2005-03-03 JP JP2007501300A patent/JP4814212B2/ja not_active Expired - Lifetime
- 2005-03-03 ES ES05717315T patent/ES2325170T3/es not_active Expired - Lifetime
- 2005-03-03 US US10/598,606 patent/US20080162101A1/en not_active Abandoned
- 2005-03-03 AT AT05717315T patent/ATE430938T1/de not_active IP Right Cessation
- 2005-03-03 CN CNA2005800142478A patent/CN1950704A/zh active Pending
- 2005-03-03 EP EP05717315A patent/EP1725876B1/en not_active Expired - Lifetime
- 2005-03-03 WO PCT/FI2005/050061 patent/WO2005085871A1/en not_active Ceased
- 2005-03-03 DE DE602005014345T patent/DE602005014345D1/de not_active Expired - Lifetime
- 2005-03-03 PL PL05717315T patent/PL1725876T3/pl unknown
Also Published As
| Publication number | Publication date |
|---|---|
| CN1950704A (zh) | 2007-04-18 |
| JP4814212B2 (ja) | 2011-11-16 |
| JP2007526470A (ja) | 2007-09-13 |
| FI119572B (fi) | 2008-12-31 |
| WO2005085871A1 (en) | 2005-09-15 |
| DE602005014345D1 (de) | 2009-06-18 |
| PL1725876T3 (pl) | 2009-10-30 |
| EP1725876A1 (en) | 2006-11-29 |
| FI20040359L (fi) | 2005-09-06 |
| FI20040359A0 (fi) | 2004-03-05 |
| ATE430938T1 (de) | 2009-05-15 |
| EP1725876B1 (en) | 2009-05-06 |
| US20080162101A1 (en) | 2008-07-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Thongprayoon et al. | Determining the true burden of kidney stone disease | |
| Lopes et al. | Helicobacter pylori infection-recent developments in diagnosis | |
| Shaukat et al. | Longer withdrawal time is associated with a reduced incidence of interval cancer after screening colonoscopy | |
| RU2262706C2 (ru) | Способ для диагностики атрофических гастритов | |
| Koutroumpakis et al. | Admission hematocrit and rise in blood urea nitrogen at 24 h outperform other laboratory markers in predicting persistent organ failure and pancreatic necrosis in acute pancreatitis: a post hoc analysis of three large prospective databases | |
| Broutet et al. | Pepsinogen A, pepsinogen C, and gastrin as markers of atrophic chronic gastritis in European dyspeptics | |
| Kim et al. | Helicobacter pylori infection is an independent risk factor of early and advanced colorectal neoplasm | |
| Al Efishat et al. | Multi-institutional validation study of pancreatic cyst fluid protein analysis for prediction of high-risk intraductal papillary mucinous neoplasms of the pancreas | |
| Paek et al. | Prognostic significance of human epididymis protein 4 in epithelial ovarian cancer | |
| Gisbert et al. | Evaluation of three different tests for the detection of stool antigens to diagnose Helicobacter pylori infection in patients with upper gastrointestinal bleeding | |
| Cho et al. | Analysis of factors associated with recovery of the serum pepsinogen ratio after Helicobacter pylori eradication: a long-term follow-up study in Korea | |
| Ahmadi et al. | Influence of age and site of disease on lymph node yield in colorectal cancer | |
| Diebold et al. | Neurokinin A levels predict survival in patients with stage IV well differentiated small bowel neuroendocrine neoplasms | |
| Balamou et al. | Prediction of the severity of colorectal lesion by fecal hemoglobin concentration observed during previous test in the French screening program | |
| EP1725876B1 (en) | A method for predicting the state of the gastric mucosa | |
| Bersani et al. | Comparison between the two systems to evaluate the appropriateness of endoscopy of the upper digestive tract | |
| Ahmed et al. | Lung injury prediction scores: clinical validation and C-reactive protein involvement in high risk patients | |
| Caron et al. | The fecal immunochemical test (fit): Selected aspects regarding its effectiveness for colorectal cancer screening in Quebec City | |
| Jindal et al. | Idiopathic perniosis presenting as acral purpuric lesions: Clustering of cases before COVID‐19 pandemic and their comparison with chilblain like lesions reported in the literature | |
| Murphy et al. | Discrimination between precancerous gastric lesions and gastritis using a gastric cancer risk stratification model | |
| Alshaikh et al. | Original article prevalence and diagnosis of Helicobacter pylori infection in a tertiary hospital in the Kingdom of Bahrain | |
| Wald et al. | Adding free to total prostate-specific antigen levels in trials of prostate cancer screening | |
| Ruaux et al. | Protein‐losing enteropathy in dogs is associated with decreased fecal proteolytic activity | |
| Aida et al. | High subcutaneous fat area is an independent risk factor for parastomal hernia after transperitoneal colostomy for colorectal cancer | |
| Ying et al. | Preoperative urine sediment chromosomal instability level predicts urothelial cancer prognosis |