A Simple Clinical–MRI Model Combining Tumor Mobility and ADC for Preoperative Prediction of Malignancy in Parotid Gland Tumors

Las glándulas parótidas, ubicadas justo delante de las orejas, son las más grandes de las glándulas salivales en el cuerpo humano. Al igual que muchas partes del cuerpo, pueden desarrollar bultos, la mayoría de los cuales son crecimientos inofensivos que no causan problemas. Sin embargo, una pequeña parte de estos bultos es maligna, lo que significa que son cancerosos y capaces de propagarse o invadir los tejidos cercanos. Distinguir entre un bulto benigno y uno peligroso antes de la cirugía es un desafío crítico para los médicos. Si un tumor es benigno, un cirujano podría extirparlo con un procedimiento sencillo, preservando el nervio facial que pasa directamente a través de la glándula. Si es maligno, la cirugía se vuelve mucho más compleja, requiriendo a menudo una extirpación más amplia de tejido y un manejo cuidadoso de ese mismo nervio para prevenir la parálisis. Durante décadas, los médicos han dependido de exámenes físicos y de la resonancia magnética, o RM, para tomar esta decisión. La RM es una herramienta poderosa que utiliza campos magnéticos para crear imágenes detalladas del interior del cuerpo, y un tipo específico de escaneo llamado imagen ponderada por difusión puede medir cómo se mueven las moléculas de agua dentro de un tumor. En general, las células cancerosas densamente agrupadas restringen este movimiento más que la estructura más laxa de los tumores benignos. Sin embargo, incluso con estas herramientas, la incertidumbre persiste, y los médicos a menudo necesitan saber más para planificar el tratamiento adecuado.

Investigadores de la Universidad Médica de Kansai en Japón se propusieron crear una forma más sencilla y fiable de predecir si un tumor parotídeo es benigno o maligno antes de una operación. Se centraron en combinar dos piezas específicas de información: un hallazgo físico de una visita médica estándar y una medición cuantitativa de una exploración de RM. La primera pieza de información es la movilidad del tumor. Durante un examen físico, un médico presiona suavemente el bulto para ver si se mueve libremente bajo la piel o si se siente atrapado. Un tumor que no se mueve a menudo sugiere que ha crecido hacia los tejidos circundantes o se ha quedado pegado a ellos, un signo de malignidad. La segunda pieza de información es el coeficiente de difusión aparente, un número derivado de la RM que cuantifica cuánto puede moverse el agua dentro del tumor. El equipo quería ver si el uso de solo estos dos factores juntos podía proporcionar una respuesta clara, evitando la necesidad de modelos computacionales complejos o software de análisis de imágenes costoso y lento que es difícil de usar en las clínicas cotidianas.

Para probar esta idea, los investigadores revisaron los registros médicos de 146 pacientes que se sometieron a cirugía por tumores parotídeos entre mayo de 2021 y julio de 2025. Excluyeron a pacientes con linfoma, un tipo de cáncer de la sangre, porque se comporta de manera diferente de los tumores típicos de las glándulas salivales que estaban estudiando. El grupo incluyó a 125 pacientes con tumores benignos y 21 con tumores malignos. El equipo dividió a los pacientes en dos grupos: un grupo más grande de 109 cuyas exploraciones de RM se realizaron en su propio hospital, y un grupo más pequeño de 37 cuyas exploraciones procedían de otros centros médicos. Utilizaron el primer grupo para construir su modelo de predicción y el segundo para ver si el modelo funcionaría con datos que nunca había visto. Los investigadores midieron la movilidad del tumor basándose en lo escrito en los registros médicos y calcularon los números de difusión de las exploraciones de RM, asegurándose de evitar las áreas del tumor que eran quísticas o presentaban hemorragias, lo que podría sesgar los resultados.

El análisis reveló que tanto la movilidad del tumor como el número de difusión estaban fuertemente vinculados al hecho de si un tumor era canceroso. Los pacientes con tumores malignos tenían una probabilidad significativamente mayor de tener bultos que no se movían durante el examen físico. También presentaban números de difusión más bajos, lo que indica que el movimiento del agua dentro del tumor estaba más restringido. Cuando los investigadores combinaron estos dos factores en un solo modelo, los resultados fueron prometedores. El modelo distinguió con éxito entre tumores benignos y malignos en el grupo utilizado para construirlo, y mantuvo un nivel de precisión similar cuando se probó en los pacientes de otros hospitales. Esta prueba externa fue importante porque demostró que el modelo podía manejar las diferencias entre las máquinas de RM y los ajustes de escaneo, lo que sugiere que podría funcionar en diversos entornos clínicos. Los investigadores descubrieron que añadir la medición de la difusión a la simple comprobación de la movilidad mejoraba significتivamente la capacidad de predecir la malignidad en comparación con la comprobación de la movilidad por sí sola.

El estudio también examinó otras pistas potenciales, como el brillo del tumor en diferentes tipos de imágenes de RM en comparación con el tejido muscular y glandular circundante. Aunque estos ratios de brillo también estaban vinculados a la malignidad en las pruebas iniciales, no aportaban suficiente información nueva como para justificar su inclusión en el modelo final. Los investigadores decidieron que mantener el modelo simple con solo dos variables era mejor, especialmente dado que su conjunto de datos de casos de cáncer era relativamente pequeño. Un modelo más complejo con demasiadas variables corría el riesgo de ajustarse demasiado perfectamente al grupo específico de pacientes estudiados, lo que lo haría menos útil para futuros pacientes. Al ceñirse a la movilidad y al número de difusión, crearon una herramienta que es fácil de usar e interpretar. El resultado final se presentó como un nomograma, un gráfico visual que permite a un médico simplemente sumar puntos por el estado de movilidad y el número de difusión para obtener una puntuación de probabilidad de malignidad.

Los autores reconocen que su estudio tiene limitaciones. Fue una revisión retrospectiva de datos pasados de un solo hospital, lo que significa que podría haber sesgos en la selección de los pacientes. El número de tumores malignos fue relativamente bajo, lo que hace que las estimaciones estadísticas sean menos precisas que lo serían con un grupo más grande. Además, el grupo de pacientes de otros hospitales utilizado para las pruebas era pequeño, por lo que la confianza en el rendimiento del modelo fuera del hospital original no es absoluta. Los investigadores también señalaron que las mediciones de difusión pueden variar dependiendo de la máquina de RM específica utilizada, y no aplicaron una corrección matemática estricta para estandarizar estas diferencias entre todos los escáneres. A pesar de estas advertencias, el estudio sugiere que un enfoque directo que combine un hallazgo de un examen físico con una medición estándar de RM puede ofrecer una forma útil y de baja carga para estimar el riesgo de cáncer. Este método no reemplaza la necesidad de biopsias o de imágenes avanzadas en cada caso, pero proporciona una herramienta práctica para que los médicos tomen decisiones mejor informadas sobre la planificación quirúrgica y el asesoramiento al paciente antes de realizar la primera incisión.