An 18F-FDG PET/CT-Based Multiparametric Nomogram for Preoperative Prediction of Spread Through Air Spaces in Clinical Stage IA Lung Adenocarcinoma

Resumen Técnico: Un nomograma multiparamétrico basado en PET/CT con ¹⁸F-FDG para la predicción preoperatoria de la propagación a través de los espacios aéreos en el adenocarcinoma de pulmón en estadio clínico IA

Planteamiento del problema
La propagación a través de los espacios aéreos (STAS, por sus siglas en inglés) es un patrón distintivo de invasión del cáncer de pulmón donde las células tumorales se extienden más allá del margen tumoral principal hacia los espacios alveolares adyacentes. En el adenocarcinoma de pulmón (LUAD), la STAS es un factor pronóstico adverso significativo asociado con un mayor riesgo de recurrencia local y metástasis a distancia, incluso en la enfermedad de estadio temprano (estadio clínico IA). El consenso actual sugiere que los tumores STAS-positivos pueden requerir márgenes quirúrgicos más amplios o lobectomía en lugar de resección sublobar para garantizar la seguridad oncológica. Sin embargo, la STAS solo puede diagnosticarse definitivamente mediante histopatología postoperatoria. El desafío clínico radica en la falta de herramientas preoperatorias no invasivas y fiables para predecir el estado de la STAS, lo que conduce a un posible subtratamiento (si se pasa por alto la STAS) o sobretratamiento (si se asume la presencia de STAS). Si bien la imagen multimodal ofrece una promesa, la investigación existente suele depender de parámetros de un solo modo, carece de una validación robusta y no tiene en cuenta subtipos de nódulos específicos (sólidos frente a part-sólidos).

Metodología
Este estudio retrospectivo incluyó a 232 pacientes con LUAD en estadio clínico IA que se sometieron a PET/CT con ¹⁸F-FDG preoperatorio y posterior resección quirúrgica entre enero de 2020 y diciembre de 2024. Los pacientes se dividieron en un grupo de entrenamiento (n=182, del Hospital 1) y un grupo de validación externa (n=50, del Hospital 2).

• Recopilación de datos: El estudio integró tres dominios de datos:
  1. Parámetros metabólicos de PET/CT: SUVmax, volumen tumoral metabólico (MTV) y glucólisis tumoral total (TLG).
  2. Características morfológicas de CT: Diámetro tumoral, diámetro del componente sólido, relación de consolidación-tumor (CTR), valor de atenuación media de CT y signos específicos (lobulación, espiculación, etc.).
  3. Biomarcadores sistémicos: Recuento de sangre preoperatorio utilizado para calcular la relación linfocito-monocito (LMR).
• Modelado estadístico: El análisis univariante identificó variables con P < 0.1, que luego fueron introducidas en un modelo de regresión logística multivariable mediante la eliminación regresiva paso a paso (basada en AIC) para construir un nomograma predictivo.
• Validación y evaluación: El rendimiento del modelo se evaluó mediante curvas ROC, área bajo la curva (AUC), curvas de calibración (prueba de Hosmer-Lemeshow) y análisis de la curva de decisión (DCA). La validación interna se realizó mediante un remuestreo de bootstrap de 1000 iteraciones.
• Estratificación: Se realizaron análisis de subgrupos por separado para nódulos part-sólidos y sólidos para identificar los predictores específicos de cada nódulo. Se derivó un sistema de puntuación de riesgo simplificado basado en puntos, el "Índice de Agresividad de la STAS" (SAI), a partir de los coeficientes del nomograma para facilitar su aplicación clínica.

Resultados clave

• Predictores independientes: El análisis multivariable identificó cuatro predictores independientes para la STAS en la cohorte general:
  1. Diámetro tumoral: Un mayor diámetro aumentó el riesgo de STAS (OR = 1.113).
  2. Valor de atenuación media de CT: Una mayor atenuación aumentó el riesgo (OR = 1.004).
  3. SUVmax: Una mayor actividad metabólica aumentó el riesgo (OR = 1.277).
  4. LMR: Un LMR más bajo (que indica un estado inflamatorio pró-tumoral) aumentó el riesgo (OR = 0.706).
• Rendimiento del modelo: El nomograma multiparamétrico demostró una capacidad de discriminación robusta con un AUC de 0.867 en el grupo de entrenamiento y de 0.797 en el grupo de validación externa. Las curvas de calibración indicaron una buena concordancia entre las probabilidades predichas y observadas, y el DCA confirmó un beneficio clínico neto a través de un rango de probabilidades de umbral.
• Especificidad de los subgrupos:
  • Nódulos part-sólidos: Los predictores incluyeron diámetro, CTR, SUVmax y LMR.
  • Nódulos sólidos: Los predictores fueron el valor de atenuación media de CT y el LMR. Notablemente, el SUVmax mostró solo una correlación limítrofe en los nódulos sólidos, mientras que el CTR no fue retenido en el modelo final para este subgrupo.
• Estratificación de riesgo: El sistema de puntuación SAI derivado (con un rango de 0–51) estratificó con éxito a los pacientes en grupos de bajo riesgo (puntuación < 4), riesgo intermedio (4–21) y alto riesgo (≥ 22), alineándose con los puntos de corte matemáticos de la regresión logística.

Significancia y afirmaciones
Los autores afirman que este estudio proporciona un marco no invasivo y robusto para la predicción de la STAS en el LUAD de estadio clínico IA mediante la integración de características morfológicas de CT, datos metabólicos funcionales de PET y biomarcadores inflamatorios sistémicos.

• Utilidad clínica: El nomograma desarrollado y el sistema de puntuación simplificado SAI tienen como objetivo facilitar la estratificación de riesgo individualizada. Esto permite a los clínicos adaptar mejor las decisiones quirúrgicas —específicamente la elección entre una resección sublobar de preservación pulmonar y una lobectomía estándar— basándose en la probabilidad preoperatoria de STAS en lugar de depender únicamente del tamaño o la morfología del tumor.
• Perspectiva biológica: El estudio destaca que la STAS está asociada con un perfil biológico multidimensional: crecimiento macro-morfológico (diámetro), densidad/celularidad tisular (atenuación de CT), metabolismo glucolítico (SUVmax) y estado inmunoinflamatorio del huésped (LMR).
• Limitaciones y direcciones futuras: Los autores reconocen modestamente las limitaciones, incluyendo la naturaleza retrospectiva del estudio, el tamaño relativamente pequeño de la cohorte de validación externa y la exclusión de los nódulos de vidrio esmerilado puro debido al tamaño de la muestra. Sugieren que es necesario realizar ensayos prospectivos multicéntricos a gran escala y aplicar algoritmos avanzados de aprendizaje automático (para explorar relaciones no lineales) para validar y optimizar aún más el modelo.

En conclusión, el artículo sostiene que este enfoque multiparamétrico ofrece una herramienta práctica para mejorar la identificación preoperatoria de pacientes con STAS-positiva, apoyando así una planificación quirúrgica más precisa y, potencialmente, mejorando los resultados a largo plazo para el adenocarcinoma de pulmón en estadios tempranos.