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

O câncer não é uma doença única, mas sim uma coleção de distúrbios definidos pela rapidez com que as células se dividem e pela agressividade com que se espalham. No rim, a forma mais comum de câncer é o carcinoma de células claras de células renais, um tumor que pode variar drasticamente em seu comportamento de paciente para paciente. Alguns crescem lentamente e permanecem contidos, enquanto outros são rápidos e perigosos. Para entender qual é qual, os médicos frequentemente procuram por uma proteína específica dentro das células tumorais chamada Ki-67. Esta proteína atua como um interruptor molecular que só é ligado quando uma célula está se preparando ativamente para se dividir. Quanto mais Ki-67 presente, mais frenética é a atividade celular e maior a probabilidade de o tumor ser agressivo. No entanto, descobrir quanto dessa proteína existe geralmente requer cirurgia para remover o tumor e, em seguida, analisar o tecido sob um microscópio. Este processo invasivo significa que os médicos muitas vezes não conseguem saber a verdadeira natureza do tumor até que a operação já esteja concluída.

Uma equipe de pesquisadores do Segundo Hospital da Universidade de Lanzhou desenvolveu uma maneira de espiar essa informação oculta antes mesmo de o paciente passar pelo corte do bisturi. Usando tomografias computadorizadas (TC) padrão, que são como raios-X tridimensionais detalhados, eles criaram uma ferramenta matemática que pode prever o nível de atividade do Ki-67 com uma precisão surpreendente. O estudo focou em 213 pacientes que já haviam passado por cirurgia para este tipo de câncer de rim. Os pesquisadores analisaram retrospectivamente as imagens de TC tiradas antes das operações e as combinaram com resultados simples de exames de sangue e o tamanho dos tumores. Eles descobriram que a textura interna do tumor, conforme vista na tomografia, contém pistas sobre a velocidade com que as células estão se multiplicando. Ao misturar esses detalhes visuais com o exame de sangue do paciente, eles construíram um guia que ajuda os médicos a estimar a agressividade do tumor antecipadamente, permitindo decisões mais informadas sobre o tratamento antes que a primeira incisão seja feita.

Os pesquisadores começaram reunindo dados de pacientes tratados entre janeiro de 2022 e dezembro de 2024. Eles dividiram o grupo em dois conjuntos: um grupo maior para construir seu modelo e um grupo menor para testá-lo. Para cada paciente, examinaram as tomografias computadorizadas tiradas em dois momentos específicos em que o contraste estava fluindo através dos rins. Eles também analisaram os exames de sangue dos pacientes, especificamente contando o número de monócitos, um tipo de glóbulo branco, e calculando a razão entre neutrófilos e linfócitos, dois outros tipos de células imunes. Eles mediram o tamanho do tumor e analisaram cuidadosamente os padrões de escala de cinza dentro do tumor na imagem. Essa análise de padrão, conhecida como análise de histograma, observa como a luminosidade de cada pequeno pixel dentro do tumor é distribuída. Em vez de olhar apenas para a luminosidade média, eles mediram o quão irregular ou "assimétrica" era a distribuição, um detalhe que pode revelar variações ocultas na estrutura do tecido.

Usando um algoritmo de computador, a equipe vasculhou dezenas de pistas potenciais para encontrar as quatro que realmente importavam. Eles descobriram que o tamanho do tumor, a contagem de monócitos do paciente, a razão entre neutrófilos e linfócitos e a assimetria específica da luminosidade do tumor na tomografia eram os preditores mais fortes. Esses quatro fatores foram combinados em um único gráfico visual, chamado nomograma. Este gráfico permite que um médico insira os números específicos de um paciente e veja uma probabilidade calculada de o tumor apresentar expressão de Ki-67 alta ou baixa. Quando testaram essa ferramenta no grupo de pacientes usado para construir o modelo, ela alcançou uma AUC de 0,86. Quando testaram o instrumento no grupo separado de pacientes usado para validação, a AUC permaneceu tão alta quanto, em aproximadamente 0,86.

O estudo mostrou que essa abordagem combinada foi muito superior a observar qualquer fator isolado. Por exemplo, observar apenas o tamanho do tumor ou apenas as contagens sanguíneas não era suficiente para fazer uma previsão confiável. O poder vinha da combinação. Os pesquisadores também verificaram o quão bem suas previsões coincidiam com a realidade usando testes estatísticos, e os resultados mostraram uma forte concordância entre o que o modelo previa e o que foi realmente encontrado nos laudos patológicos após a cirurgia. Eles demonstraram ainda que o uso desta ferramenta proporcionaria um melhor desfecho clínico do que simplesmente tratar todos os pacientes da mesma forma ou ignorar o risco inteiramente. O modelo destacou com sucesso que tumores com níveis mais altos de Ki-67 tendiam a ser maiores, possuíam texturas internas mais irregulares na tomografia e estavam associados a padrões específicos de inflamação no sangue.

Embora os resultados sejam promissores, os pesquisadores ressaltam cautelosamente que este foi um estudo retrospectivo, o que significa que eles analisaram dados passados em vez de acompanhar os pacientes ao longo do tempo. Os dados vieram de um único hospital e o método depende de tipos específicos de tomografias computadorizadas, o que significa que a ferramenta precisa ser testada em outros ambientes e com equipamentos diferentes para garantir que funcione universalmente. Além disso, o estudo não acompanhou quanto tempo os pacientes viveram após o tratamento, portanto, a capacidade da ferramenta de prever a sobrevivência a longo prazo ainda precisa ser comprovada. No entanto, o trabalho oferece um passo significativo à frente na medicina não invasiva. Ao transformar uma tomografia computadorizada padrão e um exame de sangue de rotina em uma janela para a biologia do tumor, este modelo oferece aos médicos uma nova maneira de compreender o inimigo antes que a batalha comece, potencialmente poupando pacientes de procedimentos desnecessários ou garantindo que recebam a intensidade correta de cuidado desde o início.