Det såkaldte Central Vein Sign (CVS) har de senere år været undersøgt som en biomarkør, der kan skelne MS fra andre lignende diagnoser, og nu har amerikanske og canadiske forskere måske fundet en måde at gøre biomarkøren anvendelig som diagnostisk værktøj i klinikken.

10 Nordamerikanske MS-centre har i et pilotstudie undersøgt anvendeligheden af nogle enkle algoritmer til dels at skelne MS-patienter fra patienter med andre neurologiske sygdomme og dels til at bekræfte en MS-diagnose, ved at se på forekomsten af CVS i forbindelse med udredningen. Den ene algoritme, Select-6, viser i pilotstudiet bemærkelsesværdig høj specificitet i forhold til at udelukke MS, og algoritmen Select-3 viste højere sensitivitet, hvilket får forskerne til at konkludere, at den vil kunne bruges til at finde MS-patienter med særligt behov for at blive fulgt tæt.

Gennem nogle år har det været kendt, at MS kan skelnes fra sygdomme som for eksempel  NMOSD, migræne og lupus ved at se på forekomsten af CVS i periventrikulære hjernelæsioner. 

CVS er områder, der på en scanning lyser op i kernen af aktive læsioner, og tegnet fremstår på T2-vægtede scanninger som en tynd hypointens linje eller lille plet, som løber delvist eller hele vejen gennem læsionen. Tidligere studier har vist, at dette signal skal findes i mere end 50 procent af patientens aktive læsioner, for at der er tale om MS, og dermed kan CVS bruges til at gøre diagnosticering af MS mere sikker. 

Udfordringen har imidlertid hidtil været at finde en måde at gøre denne viden praktisk anvendelig, så man i klinikken får mulighed for at sortere de omkring 10 procent af alle MS-diagnoser fra, som i dag gives til patienter, der i virkeligheden har en anden neurologisk sygdom.  

I det amerikanske pilotstudie har forskerne afprøvet sensitivitet og specificitet for en række forenklede algoritmer til vurdering CVS på FLAIR-billeder af i forbindelse med udredningen af 92 patienter med formodet MS, og de finder, at algoritmerne fungerer godt som diagnostisk værktøj.

Konkret har de indhentet højisotopopløsnings- og T2-vægtede segmenterede echoplan billeder (T2-EPI) fra 92 patienter med formodet MS før og efter injektion af gadolinium-kontrast, og desuden prægadolinium 3D-FLAIR-billeder.

Varierende grænseværdier

Billederne blev omdannet til FLAIR-billeder i QMENTA-platformen, og på disse billeder fandt trænede personer på de enkelte institutioner op til seks CVS-positive læsioner efter NAIMS CVS-kriterier per scanning.

CVS blev afprøvet som markør for et muligt MS-tilfælde ud fra grænseværdier der varierede fra en enkelt CVS-positiv læsion (select1) til seks CVS-positive læsioner (Select-6).

Den diagnostiske performance blev vurderet ud fra en sammenligning med diagnosticering foretaget ved hjælp af McDonald-kriterierne 2017 ved studiets start og desuden ved klinisk opfølgning efter omkring et år. 

Patienterne, der indgår i studiet, er gennemsnitligt 45 år, og 67 procent er kvinder. 38 procent levede op til McDonald 2017-kriterierne for MS ved den indledende evaluering, og resten gjorde ikke.

Efter tolv måneder var diagnosen uændret for 90 procent af deltagerne, mens ni patienter (10 procent) havde fået ændret deres diagnose. De ændrede diagnoser fordelte sig sådan, at syv patienter, som ikke blev diagnosticeret med MS ud fra McDonald-kritererne, fik diagnosen ud fra CVS-analyserne, og to patienter, der var diagnosticeret med MS ved studiets start, fik en anden diagnose.

Analyserne viste, at Select-3 algoritmen post-gadolinium havde en sensitivitet på 79 procent og specificitet på 63 procent. Ved hjælp af denne algoritme kunne forskerne klassificere fire af de syv patienter, der i løbet af studiet fik ændret deres diagnose til MS, som CVS-positive ved studiets start, hvor McDonald-kriterierne ikke havde sat dem i MS-kategorien. Select-3 klassificerede også de to patienter, der mistede deres MS-diagnose i løbet af studiet, som CVS-negative ved studiestart.  

Den diagnostiske performance blev optimeret med Select-6 på baggrund af Youdens J Index, hvor man på post-gadoliniumbilleder så en sensitivitet på 63 procent og en specificitet på 93 procent. Studiet blev præsenteret ved en postersession ved ACTRIMS Forum 2021.