Predicting Survival in Patients with Colorectal Liver Metastases Using CT Imaging and Clinical Parameters: Introducing a User-Friendly Online Calculator

Resumo Técnico: Predição de Sobrevivência em Pacientes com Metástases Hepáticas de Câncer Colorretal Utilizando Imagem de TC e Parâmetros Clínicos

Definição do Problema
O câncer colorretal (CCR) frequentemente sofre metástase para o fígado, com 15% a 25% dos pacientes apresentando metástases hepáticas de câncer colorretal (MHCR) ao diagnóstico. Embora a ressecção hepática ofereça uma melhoria na sobrevida de longo prazo (47%–60%), as taxas de recorrência permanecem altas, e o tempo ideal para a ressecção ainda está sob investigação. Um desafio clínico significativo reside na identificação de candidatos adequados para a cirurgia e na avaliação precisa do prognóstico pós-operatório. Embora a Tomografia Computadorizada (TC) seja a modalidade de imagem padrão para detecção e estadiamento, os modelos de predição existentes muitas vezes carecem da integração de dados clínicos e radiológicos prontamente disponíveis em uma ferramenta amigável para o estratificação de risco individualizada. Além disso, embora o aprendizado de máquina (ML) esteja ganhando tração, ele frequentemente requer grandes conjuntos de dados e carece da transparência e acessibilidade dos modelos de regressão tradicionais, particularmente em ambientes com recursos limitados.

Metodologia
O estudo empregou um delineamento de coorte retrospectiva utilizando dados de 174 pacientes que foram submetidos à ressecção hepática por MHCR no Memorial Sloan Ketting Cancer Center (MSKCC). O conjunto de dados foi obtido através do The Cancer Imaging Archive (TCIA).

• Coleta de Dados e Variáveis: O estudo integrou parâmetros clínicos pré-operatórios e achados de imagem de TC. Os preditores incluíram fatores demográficos (idade, sexo, IMC), histórico clínico (comorbidades maiores, quimioterapia pré-operatória, embolização da veia porta) e características específicas de TC (tamanho do tumor, multiplicidade, doença bilobar, metástase sincrônica, doença extrahepática, envolvimento de linfonodos). Características patológicas como taxa de resposta ao tratamento total, dilatação sinusoidal hepática e escores de NASH também foram incorporadas.
• Análise Estatística: A regressão de riscos proporcionais de Cox foi utilizada para desenvolver dois modelos distintos: um para Sobrevida Global (SG) e outro para Sobrevida Livre de Doença (SLD/Recorrência). O estudo aderiu às diretrizes TRIPOD.
  • Validação do Modelo: A validação interna foi realizada utilizando métodos de bootstrap e reamostragem Jack-Knife.
  • Métricas de Desempenho: A discriminação do modelo foi avaliada via curvas ROC dependentes do tempo e Área Sob a Curva (AUC). A calibração foi avaliada por meio de gráficos de calibração e valores de p. A adequação do ajuste foi medida utilizando o Critério de Informação de Akaike (AIC) e escores de Brier.
  • Seleção de Variáveis: A análise de dominância foi conduzida para classificar os preditores com base em sua contribuição para a classificação do desfecho. A colinearidade foi inspecionada usando Fatores de Inflação de Variância (VIF), e nenhuma multicolinearidade substancial foi encontrada.
• Desenvolvimento da Ferramenta: Com base nos modelos validados, uma calculadora web gratuita e de acesso aberto foi desenvolvida para estimar probabilidades personalizadas de morte e recorrência em intervalos de 3, 5, 8 e 10 anos.

Principais Resultados

• Características da Coorte: O estudo incluiu 174 pacientes, com 87 mortes (50,0%) e 108 recorrências (62,1%) observadas durante o acompanhamento.
• Desempenho Preditivo:
  • Modelo de Sobrevida Global (SG): Alcançou uma AUC de 0,700 (IC 95%: 0,618–0,783) e um escore de Brier de 0,219. O modelo demonstrou boa calibração (p=0,92).
  • Modelo de Recorrência (SLD): Alcançou uma AUC de 0,724 (IC 95%: 0,645–0,802) e um escore de Brier de 0,203, com boa calibração (p=0,72).
• Estratificação de Risco: Utilizando pontos de corte ideais derivados do índice de Youden (59,6% para SG e 33,5% para recorrência), os pacientes foram estratificados em grupos de baixo e alto risco.
  • O grupo de alto risco para SG apresentou uma Razão de Risco (HR) de 2,83 em comparação ao grupo de baixo risco, com uma SG média de 73,1 meses versus 105,1 meses.
  • O grupo de alto risco para recorrência apresentou um HR de 2,90, com uma SLD média de 38,0 meses versus 80,7 meses para o grupo de baixo risco.
• Principais Preditores: A análise de dominância identificou as variáveis mais informativas para a SG de longo prazo como: comorbidade maior, tamanho máximo do tumor, quimioterapia pré-operatória, taxa de resposta total, sexo, múltiplas metástases e metástase hepática sincrônica.
• Análise de Curva de Decisão: Ambos os modelos mostraram um benefício líquido positivo, particularmente para pacientes com prognósticos intermediários ou indeterminados (probabilidade de morte/recorrência de 25–85%).

Principais Contribuições

1. Modelos Prognósticos Integrados: O estudo desenvolveu e validou com sucesso modelos prognósticos que combinam dados clínicos facilmente acessíveis com características de imagem de TC padrão, evitando a necessidade de radiômica complexa ou marcadores moleculares.
2. Ferramenta Clínica Amigável: Os autores introduziram uma calculadora online gratuita e de acesso aberto que traduz modelos estatísticos complexos em probabilidades de risco personalizadas e acionáveis para clínicos.
3. Desempenho Comparativo: Os modelos demonstraram precisão preditiva superior (AUC 0,70 para SG, 0,72 para recorrência) em comparação com modelos de aprendizado de máquina previamente publicados que dependiam de características radiômicas (que reportaram AUCs de 0,62 e 0,59, respectivamente).
4. Acessibilidade: Ao utilizar métodos de regressão tradicionais e parâmetros de TC padrão, a ferramenta foi projetada para ser interpretável e aplicável em centros com recursos limitados ou que carecem de sistemas avançados de processamento de imagem.

Significância e Alegações
Os autores alegam que a integração de parâmetros clínicos e imagem de TC em um modelo acessível permite a predição precisa da SG e da SLD de longo prazo em pacientes com MHCR submetidos à ressecção hepática. Eles postulam que a incorporação desses modelos aos protocolos de avaliação convencionais pode melhorar a estratificação de risco e a tomada de decisão terapêutica. O estudo enfatiza que a calculadora desenvolvida auxilia na padronização das práticas de saúde, reduzindo o erro médico em cálculos complexos e facilitando a tomada de decisão compartilhada entre provedores e pacientes. Os autores observam que, embora os modelos tenham um bom desempenho, eles são baseados em dados retrospectivos e que estudos futuros devem explorar a combinação desses parâmetros clínicos com aprendizado de máquina e radiômica para potencialmente aprimorar ainda mais o planejamento do tratamento. Eles também reconhecem limitações quanto à detecção de metástases subcentimétricas por TC em comparação com RM.