Utilizamos cookies para comprender de qué manera utiliza nuestro sitio y para mejorar su experiencia. Esto incluye personalizar el contenido y la publicidad. Para más información, Haga clic. Si continua usando nuestro sitio, consideraremos que acepta que utilicemos cookies. Política de cookies.

Presenta Sitios para socios Información LinkXpress hp
Ingresar
Publique su anuncio con nosotros
INTEGRA BIOSCIENCES AG

Deascargar La Aplicación Móvil




Comparan un panel de análisis diagnósticos para el cáncer de pulmón

Por el equipo editorial de LabMedica en español
Actualizado el 30 Sep 2019
Imagen: El Microarrayer Manual de Tejidos Quick-Ray (Fotografía cortesía de Unitma).
Imagen: El Microarrayer Manual de Tejidos Quick-Ray (Fotografía cortesía de Unitma).
El cáncer de pulmón es la causa principal de muerte por cáncer. Los carcinomas de pulmón de células no pequeñas son el tipo más común de cáncer de pulmón. Se pueden dividir además en adenocarcinomas y carcinomas escamocelulares. La clasificación exacta de estos tumores es importante para seleccionar las mejores opciones de tratamiento para los pacientes.

Las pruebas inmunohistoquímicas ayudan a mejorar el diagnóstico histopatológico del cáncer. Sin embargo, se utilizan muchos anticuerpos en el proceso y no hay datos sobre los paneles de anticuerpos que funcionan mejor para el diagnóstico de los carcinomas de pulmón. El uso de marcadores apropiados para esta identificación es crucial para conservar el tejido de los pacientes con el fin de poder realizar pruebas moleculares adicionales que podrían guiar las decisiones de tratamiento y tener implicaciones pronósticas.

Los patólogos de la Universidad de Flinders (Bedford Park, Australia) seleccionaron una cohorte de 200 pacientes, diagnosticados con adenocarcinomas (ADC) o carcinomas escamocelulares (SCC) en el Centro Médico Flinders entre 1991 y 2011. A todos los pacientes les hicieron un diagnóstico histológico usando las muestras de resección y los casos se reclasificaron según la clasificación de la OMS de 2015 de tumores de pulmón. Estos casos habían sido diagnosticados inicialmente con base en la morfología, la inmunohistoquímica (IHC) y la microscopía electrónica.

Se perforaron cilindros de tejido con un diámetro de 2,0 mm de regiones tumorales representativas de cada bloque de tejido donante y se introdujeron en el bloque de parafina del receptor utilizando un Microarrayer de Tejido Manual Quick-Ray (Unitma Co., Ltd., Seongnam, Corea). El tejido de control se incluyó en cada microarray de tejidos (TMA). Hubo 116 SCC y 84 ADC. El equipo realizó la IHC en un inmunocoloreador Ventana BenchMark ULTRA (Ventana Medical Systems, Inc., Tucson, AZ, EUA) con tres clones TTF-1 (SP141, SPT24 y 8G7G3/1), Napsin A, p40, p63 y CK5/6 y se determinaron los paneles de cuatro o dos marcadores que mejor ayudaban a identificar los adenocarcinomas y los carcinomas de escamocelulares.

Los científicos informaron que sus resultados mostraron que el mejor panel de cuatro marcadores utilizó TTF-1 (clon SP141), Napsin A, p63 y CK5/6 con una sensibilidad del 98,3% y una alta especificidad del 91,7%. El mejor panel de dos marcadores fue TTF-1 (clon SP141) y p63 con 96,5% de sensibilidad y 85,71% de especificidad. Los autores concluyeron que, dado que existen variaciones en el desempeño de diferentes clones de anticuerpos TTF-1 por IHC, el clon elegido puede aumentar el valor diagnóstico para diferenciar los adenocarcinomas de los carcinomas escamocelulares. En los paneles analizados, la supervivencia de los casos concordantes con el diagnóstico tuvo una supervivencia más larga en comparación con aquellos que eran discordantes. Sin embargo, la diferencia no fue estadísticamente significativa. El estudio fue publicado el 11 de septiembre de 2019 en la revista Pathology and Laboratory Medicine International.

Enlace relacionado:
Universidad de Flinders
Unitma Co., Ltd
Ventana Medical Systems

Miembro Platino
Analizador de coagulación automatizado
Hemolumi H6
Miembro Oro
Electrolyte Analyzer
CBS-4000 (CBS-400)
Manual Pipetting Aid
Pipette Controllers macro
Automated Clinical Chemistry Analyzer
Envoy 500+

Canales

Química Clínica

ver canal
Crédito de la imagen:  Diane E. MacDougall et al., FIND Lp(a) Machine Learning Model: Targeted Screening Enrichment of Elevated Lipoprotein(a) in Atherosclerotic Cardiovascular Disease, JACC: Advances (2026). DOI: 10.1016/j.jacadv.2026.103114

El aprendizaje automático permite orientar el cribado de lipoproteína(a) elevada

La lipoproteína(a) es un factor de riesgo independiente, determinado genéticamente, de la enfermedad cardiovascular aterosclerótica; sin embargo, el cribado rutinario sigue siendo... Más

Microbiología

ver canal
Imagen: El actual brote de BDBV en la República Democrática del Congo pone de relieve los desafíos de respuesta a infecciones raras y graves (Crédito de la imagen: 123RF)

Investigación refuerza la preparación ante brotes del virus Bundibugyo con diagnósticos más rápidos

El virus de Bundibugyo (BDBV), una especie de ebolavirus, causa una enfermedad hemorrágica grave y puede ser difícil de diagnosticar rápidamente durante los brotes. Los recientes cambios... Más

Tecnología

ver canal
Imagen: ADLM recomienda que las herramientas de inteligencia artificial emergentes sigan los mismos estándares profesionales de supervisión, calidad, validación y monitoreo que las pruebas clínicas tradicionales dentro del marco existente de CLIA (Crédito de la imagen: Adobe Stock)

ADLM pide actualizar CLIA para apoyar el uso seguro de IA en medicina de laboratorio

Los laboratorios clínicos utilizan cada vez más la inteligencia artificial para verificar, interpretar e informar resultados, pero las salvaguardas de las Enmiendas para la Mejora de los... Más
Copyright © 2000-2026 Globetech Media. All rights reserved.