A Novel Parameter for Predicting Postoperative Stone Free Status in Percutaneous Nephrolithotomy: The Stone Volume–Density Index

Resumen Técnico: El Índice de Volumen–Densidad de la Litiasis (SVDI) para la Predicción de Resultados en PNL

Planteamiento del Problema
La nefrolitotomía percutánea (PNL) es el tratamiento estándar para cálculos renales mayores de 2 cm y cargas litiásicas complejas. Sin embargo, las tasas de éxito varían ampliamente (40–90%) y las tasas de complicaciones oscilan entre el 10% y el 25%. Los sistemas de puntuación multiparamétricos existentes, como el Guy's Stone Score y la nefrolitometría S.T.O.N.E., dependen de una puntuación subjetiva o dimensiones lineales, con valores de Área Bajo la Curva (AUC) para predecir el estado de ausencia de cálculos que típicamente oscilan entre 0,62 y 0,76. Si bien evidencia reciente sugiere que el volumen del cálculo es superior al tamaño lineal, y que la densidad del cálculo (unidades Hounsfield, HU) influye en la fragmentación, ningún estudio ha investigado un índice compuesto simple que combine tanto el volumen como la densidad para predecir los resultados de la PNL.

Metodología
Este estudio retrospectivo analizó datos de 336 pacientes adultos que se sometieron a PNL convencional en un centro terciario entre enero de 2021 y junio de 2026.

• Recolección de Datos: Las imágenes de tomografía computarizada sin contraste (NCCT) preoperatoria fueron revisadas por tres urólogos para alcanzar un consenso sobre las mediciones de los cálculos.
• Parámetros Medidos:
  • Tamaño del Cálculo: Eje más largo en el corte axial.
  • Área del Cálculo: Calculada mediante la fórmula de la elipse ($A = \pi \times (a/2) \times (b/2)$).
  • Volumen del Cálculo: Calculado mediante la fórmula del elipsoide modificado ($V = (4/3)\pi \times (a/2) \times (b/2) \times (c/2)$).
  • HU Media: Promedio ponderado de las unidades Hounsfield a través de tres cortes centrales.
  • Índice de Volumen–Densidad de la Litiasis (SVDI): Calculado como el producto del Volumen del Cálculo (cm³) y la HU Media.
• Resultados (Outcomes):
  • Éxito: Estado de ausencia de cálculos o fragmentos residuales clínicamente insignificantes (<4 mm) al mes.
  • Fracaso: Fragmentos residuales >4 mm.
  • Complicaciones: Cualquier evento de grado I–V dentro de los 30 días, clasificado según el sistema Clavien–Dindo modificado.
• Análisis Estadístico: Se utilizaron curvas de Característica Operativa del Receptor (ROC) y comparaciones de pares de DeLong para evaluar la capacidad discriminativa. La regresión logística multivariante (utilizando tanto el SVDI original como el transformado logarítmicamente) identificó predictores independientes. El ajuste del modelo se evaluó mediante el Criterio de Información de Akaike (AIC) y el $R^2$ de Nagelkerke.

Contribuciones Clave
La contribución principal de este trabajo es la introducción y validación del Índice de Volumen–Densidad de la Litiasis (SVDI) como un parámetro compuesto aritmético simple. A diferencia de los sistemas de puntuación complejos que requieren una gradación subjetiva, el SVDI se deriva directamente de las mediciones estándar de la NCCT (Volumen × HU Media). El estudio proporciona un valor de corte específico para la aplicación clínica y compara el rendimiento predictivo del SVDI frente a los parámetros tradicionales (tamaño, área, volumen y HU) y las metodologías de puntuación existentes.

Resultados

• Resultados Generales: La tasa de ausencia de cálculos fue del 74,4% (250/336) y la tasa de complicaciones fue del 17,9% (60/336).
• Predicción de Fracaso (Estado de Ausencia de Cálculos):
  • Desempeño del SVDI: El SVDI produjo el AUC más alto (0,771) para predecir el fracaso.
  • Comparaciones: El SVDI demostró una superioridad estadísticamente significativa sobre el Tamaño del Cálculo (AUC 0,728; $p=0,044$) y la HU Media (AUC 0,592; $p<0,001$). Aunque el SVDI fue numéricamente superior al Volumen del Cálculo (AUC 0,753) y al Área del Cálculo (AUC 0,750), estas diferencias no alcanzaron la significancia estadística en las comparaciones por pares ($p>0,05$).
  • Valor de Corte: Un umbral de SVDI ≥3817 proporcionó el equilibrio óptimo, con un 83,7% de sensibilidad y un 60,4% de especificidad.
  • Análisis Multivariante: Los predictores independientes de fracaso incluyeron la afectación calicial múltiple (OR=3,02), el estado de caso secundario (OR=3,06) y el logaritmo del SVDI (OR=1,82).
  • Ajuste del Modelo: El modelo utilizando log(SVDI) logró el mejor ajuste (AIC=300,3) en comparación con los modelos que utilizaban el tamaño del cálculo, el volumen por sí solo o los parámetros de volumen y HU por separado. Una prueba de razón de verosimilitud confirmó que añadir la densidad (HU) al volumen mejoró significativamente el modelo ($p=0,018$).
• Predicción de Complicaciones:
  • Ningún parámetro del cálculo (incluyendo SVDI, volumen o HU) demostró una capacidad discriminativa adecuada para las complicaciones (todos los AUC < 0,60).
  • El único factor protector independiente identificado fue el procedimiento tubeless con colocación de stent doble J intraoperatorio (OR=0,17; $p=0,004$).

Significancia y Reivindicaciones
El artículo sostiene que el SVDI es un parámetro compuesto simple y objetivo que ofrece el mayor desempeño discriminativo entre las métricas específicas del cálculo para predecir el fracaso de la PNL.

• Utilidad Clínica: Los autores sugieren que el punto de corte del SVDI (≥3817) puede utilizarse para el asesoramiento preoperatorio para estimar la probabilidad de cálculos residuales, planificar procedimientos de múltiples sesiones o considerar enfoques alternativos/combinados (p. ej., ECIRS).
• Valor Incremental: Aunque la superioridad del SVDI sobre el volumen del cálculo por sí solo no fue estadísticamente significativa en la comparación de ROC, los análisis basados en modelos (AIC y pruebas de razón de verosimilitud) confirman que la incorporación de la información de densidad proporciona un valor predictivo incremental más allá del volumen únicamente.
• Limitaciones en Complicaciones: El estudio concluye modestamente que los parámetros de la carga litiásica son insuficientes para predecir las complicaciones, las cuales probablemente están impulsadas por factores del paciente, la técnica quirúrgica y la experiencia del cirujano, más que por las características del cálculo por sí mismas.
• Comparación con ML: Los autores señalan que, si bien los modelos de aprendizaje automático (machine learning) pueden lograr AUCs más altos, el SVDI ofrece una ventaja distintiva al no requerir software especializado ni infraestructura compleja, basándose en lugar en aritmética estándar.

El estudio reconoce limitaciones, incluyendo su diseño retrospectivo, el cálculo manual del volumen (fórmula del elipsoide) en lugar de la reconstrucción 3D, la falta de datos sobre la composición del cálculo y el uso exclusivo de litotricia neumática, sugiriendo que es necesaria una validación externa a través de diferentes modalidades.