Development of a Nomogram Model Based on Contrast-Enhanced CT Histogram Analysis for Preoperative Prediction of Ki-67 Expression Status in Patients with Clear Cell Renal Cell Carcinoma

El cáncer no es una única enfermedad, sino una colección de trastornos definidos por la rapidez con la que las células se dividen y la agresividad con la que se propagan. En el riñón, la forma más común de cáncer es el carcinoma de células renales de células claras, un tumor que puede variar enormemente en su comportamiento de un paciente a otro. Algunos crecen lentamente y permanecen contenidos, mientras que otros son rápidos y peligrosos. Para entender cuál es cuál, los médicos suelen buscar una proteína específica dentro de las células tumorales llamada Ki-67. Esta proteína actúa como un interruptor molecular que solo se activa cuando una célula se está preparando activamente para dividirse. Cuanta más Ki-67 esté presente, más frenética será la actividad celular y más probable será que el tumor sea agresivo. Sin embargo, averiguar cuánto existe de esta proteína suele requerir una cirugía para extirpar el tumor y luego analizar el tejido bajo un microscopio. Este proceso invasivo significa que los médicos a menudo no pueden conocer la verdadera naturaleza del tumor hasta que la operación ya se ha realizado.

Un equipo de investigadores del Segundo Hospital de la Universidad de Lanzhou ha desarrollado una forma de echar un vistazo a esta información oculta antes de que el paciente pase por el quirófano. Utilizando tomografías computarizadas (TC) estándar, que son como radiografías tridimensionales detalladas, crearon una herramienta matemática que puede predecir el nivel de actividad de Ki-67 con una precisión sorprendente. El estudio se centró en 213 pacientes que ya se habían sometido a cirugía por este tipo de cáncer de riñón. Los investigadores revisaron las imágenes de TC tomadas antes de las operaciones y las combinaron con resultados sencillos de análisis de sangre y el tamaño de los tumores. Descubrieron que la textura interna del tumor, tal como se ve en la exploración, contiene pistas sobre la rapidez con la que las células se multiplican. Al combinar estos detalles visuales con el análisis de sangre del paciente, construyeron una guía que ayuda a los médicos a estimar la agresividad del tumor por adelantado, permitiendo tomar decisiones más informadas sobre el tratamiento antes de que se realice la primera incisión.

Los investigadores comenzaron recopilando datos de pacientes tratados entre enero de 2022 y diciembre de 2024. Dividieron al grupo en dos conjuntos: un grupo más grande para construir su modelo y un grupo más pequeño para probarlo. Para cada paciente, examinaron las tomografías computarizadas realizadas en dos momentos específicos en los que el contraste fluía a través de los riñones. También analizaron los análisis de sangre de los pacientes, contando específicamente el número de monocitos, un tipo de glóbulo blanco, y calculando la relación entre neutrófilos y linfocitos, dos otros tipos de células inmunitarias. Midieron el tamaño del tumor y analizaron cuidadosamente los patrones de escala de grises dentro del tumor en la exploración. Este análisis de patrones, conocido como análisis de histograma, observa cómo se distribuye el brillo de cada diminuto píxel dentro del tumor. En lugar de mirar solo el brillo promedio, midieron qué tan desigual o "sesgada" era la distribución, un detalle que puede revelar variaciones ocultas en la estructura del tejido.

Utilizando un algoritmo informático, el equipo filtró docenas de pistas potenciales para encontrar las cuatro que más importaban. Descubrieron que el tamaño del tumor, el recuento de monocitos del paciente, la relación entre neutrófilos y linfocitos y la asimetría específica del brillo del tumor en la exploración eran los predictores más fuertes. Estos cuatro factores se combinaron en un único gráfico visual, llamado nomograma. Este gráfico permite a un médico introducir los números específicos de un paciente y ver una probabilidad calculada de si el tumor tiene una expresión de Ki-67 alta o baja. Cuando probaron esta herramienta en el grupo de pacientes utilizado para construirla, alcanzó un AUC de 0,86. Cuando probaron el grupo de pacientes separado utilizado para la validación, el AUC se mantuvo igual de alto, aproximadamente 0,86.

El estudio demostró que este enfoque combinado era mucho mejor que observar cualquier factor por sí solo. Por ejemplo, observar solo el tamaño del tumor o solo los recuentos de sangre no era suficiente para hacer una predicción fiable. El poder residía en la combinación. Los investigadores también comprobaron qué tan bien coincidían sus predicciones con la realidad mediante pruebas estadísticas, y los resultados mostraron una fuerte concordancia entre lo que el modelo predecía y lo que realmente se encontró en los informes de patología tras la cirugía. Demostraron además que el uso de esta herramienta proporcionaría un mejor resultado clínico que simplemente tratar a todos los pacientes de la misma manera o ignorar el riesgo por completo. El modelo destacó con éxito que los tumores con niveles más altos de Ki-67 tendían a ser más grandes, tenían texturas internas más irregulares en la exploración y estaban asociados con patrones específicos de inflamación en la sangre.

Aunque los resultados son prometedores, los investigadores advierten cuidadosamente que se trató de un estudio retrospectivo, lo que significa que analizaron datos pasados en lugar de seguir a los pacientes hacia adelante en el tiempo. Los datos proceden de un solo hospital y el método depende de tipos específicos de tomografías computarizadas, lo que significa que la herramienta debe probarse en otros entornos y con diferentes equipos para asegurar que funcione de manera universal. Además, el estudio no realizó un seguimiento de cuánto tiempo vivieron los pacientes después del tratamiento, por lo que la capacidad de la herramienta para predecir la supervivencia a largo plazo está aún por verse. Sin embargo, este trabajo representa un paso significativo hacia la medicina no invasiva. Al convertir una tomografía computarizada estándar y un análisis de sangre rutinario en una ventana a la biología del tumor, este modelo ofrece a los médicos una nueva forma de comprender al enemigo antes de que comience la batalla, potencialmente evitando procedimientos innecesarios para los pacientes o asegurando que reciban la intensidad de cuidado adecuada desde el primer momento.