Comparação de métricas de SUVr em PET com ¹⁸F-Flutemetamol recorrendo aos softwares: SPM e CPET
Palavras-chave:
PET-CT, Doença de Alzheimer, Software de Quantificação, Flutemetanol, SPMResumo
A doença de Alzheimer(DA), pode ser caracterizada pela deposição de placas β-amiloide(βA) cerebrais. A tomografia por emissão de positrões com tomografia computorizada (PET-CT) com 18F-Flutemetamol permite identificar anatomo-fisiologicamente e quantificar a deposição de placas βA através do Standard Uptake Value ratio (SUVr). Estes exames são tipicamente quantificados com recurso a softwares pagos tais como o Comprehensive PET Analysis (CPET), motivações económicas levaram ao desenvolvimento do software Statistical Parametric Mapping (SPM) para substituir o CPET. Este estudo teve como objetivo comparar a quantificação da densidade de placas βA de ambos os softwares em pacientes com suspeita de DA, recorrendo a métricas baseadas no SUVr. Foi efetuado um estudo transversal retrospetivo com uma amostra não probabilística por conveniência de 30 Imagens de PET-CT com 18F-Flutemetamol, em pacientes adultos com suspeita de DA. Todas as imagens foram previamente anonimizadas, garantindo a confidencialidade dos participantes. Por se tratar de um estudo com dados secundários totalmente anonimizados, não se levantaram questões éticas adicionais.
A análise estatística foi realizada com o software SPSS e a concordância dos softwares variou de pobre (K=0,294) a muito boa (K=0,865).
No diagnóstico o SPM revelou sensibilidade de 82,35% e especificidade de 81,25%, apresentando uma taxa de concordância de 90%, uma taxa de falsos positivos de 0% e de 18,75% nos falsos negativos. Atualmente, o SPM não deve substituir o CPET, a sua disparidade de concordância pode afetar o diagnóstico dos pacientes. O SPM poderá mostrar-se promissor como ferramenta complementar ou alternativa ao CPET, caso a sua metodologia e precisão melhorem.
Referências
1. CHMP. Guideline INN-flutemetamol (18F). European Medicines Agency. 2019;
2. Soria Lopez JA, González HM, Léger GC. Handbook of Clinical Neurology. Vol. 167, Handbook of Clinical Neurology. Elsevier; 2019. 231–255 p.
3. Hameed S, Fuh JL, Senanarong V, Ebenezer EGM, Looi I, Dominguez JC, et al. Role of Fluid Biomarkers and PET Imaging in Early Diagnosis and its Clinical Implication in the Management of Alzheimer’s Disease. J Alzheimers Dis Rep. 2020;4(1):21–37.
4. Smith NM, Ford JN, Haghdel A, Glodzik L, Li Y, D’Angelo D, et al. Statistical Parametric Mapping in Amyloid Positron Emission Tomography. Front Aging Neurosci. 2022 Apr 25;14:849932.
5. Consistent and reproducible quantification via AI tools [Internet]. GE Healthcare; 2021 [cited 2024 Mar 28]. Available from: https://pilot.cneuro.com/cpet/reports/pet?version=1.0.0
6. Jagust WJ, Mattay VS, Krainak DM, Wang SJ, Weidner LD, Hofling AA, Koo H, Hsieh P, Kuo PH, Farrar G, Marzella L. Quantitative Brain Amyloid PET. J Nucl Med. 2024 May 1;65(5):670-678. doi: 10.2967/jnumed.123.265766
7. Cattoretti M. Validation of an optimized SPM procedure for PET images analysis in neurodegenerative disease diagnosis in a clinical setting. [Varese]: Ospedale Di Circolo Fondazione Macchi; 2022
8. Presotto L, Ballarini T, Caminiti SP, Bettinardi V, Gianolli L, Perani D. Validation of 18 F FDG-PET Single-Subject Optimized SPM Procedure with Different PET Scanners. Neuroinformatics. 2017;15:151–63
9. Matsuda H, Soma T, Okita K, Shigemoto Y, Sato N. Development of software for measuring brain amyloid accumulation using 18F-florbetapir PET and calculating global Centiloid scale and regional Z-score values. Bischoff-Grethe A, editor. Vol. 13, Brain and Behavior. San Diego: John Wiley and Sons Ltd; 2023
10. Marôco J. Análise Estatística com o SPSS Statistics. 8th ed. Marôco J, editor. ReportNumber; 2021
11. Wang L, Kolobaric A, Aizenstein H, Lopresti B, Tudorascu D, Snitz B, et al. Identifying Sex specific Risk Architectures for Predicting Amyloid Deposition using Neural Networks. Neuroimage. 2023 Jul 7;275:120147
12. Pan F, Wang Y, Wang Y, Wang X, Guan Y, Xie F, et al. Sex and APOE genotype diferences in amyloid deposition and cognitive performance along the Alzheimer’s Continuum. Neurobiol Aging. 2023 Oct 1;130:84–92
13. Mosconi L, Berti V, Dyke J, Schelbaum E, Jett S, Loughlin L, et al. Menopause impacts human brain structure, connectivity, energy metabolism, and amyloid-beta deposition. Sci Rep. 2021 Dec 1;11(1):10867
14. Shang Y, Mishra A, Wang T, Wang Y, Desai M, Chen S, et al. Evidence in support of chromosomal sex influencing plasma based metabolome vs APOE genotype influencing brain met abolome profile in humanized APOE male and female mice. PLoS One. 2020 Jan 1;15(1)
Downloads
Publicado
Edição
Secção
Categorias
Licença
Direitos de Autor (c) 2026 Rafaela Gomes, Elisabete Carolino, Lina Vieira
Este trabalho encontra-se publicado com a Licença Internacional Creative Commons Atribuição-NãoComercial-CompartilhaIgual 4.0.
