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

Resumo Técnico: Um Nomograma Multiparamétrico Baseado em PET/CT com ¹⁸F-FDG para a Predição Pré-operatória de Disseminação através dos Espaços Aéreos em Adenocarcinoma Pulmonar em Estágio Clínico IA

Definição do Problema
A disseminação através dos espaços aéreos (STAS, do inglês spread through air spaces) é um padrão distinto de invasão do câncer de pulmão, no qual as células tumorais se estendem além da margem tumoral principal para os espaços alveolares adjacentes. No adenocarcinoma pulmonar (LUAD), a STAS é um fator prognóstico adverso significativo, associado ao aumento dos riscos de recorrência local e metástase à distância, mesmo em doenças de estágio inicial (estágio clínico IA). O consenso atual sugere que tumores STAS-positivos podem exigir margens cirúrgicas mais amplas ou lobectomia em vez de ressecção sublobar para garantir a segurança oncológica. No entanto, a STAS só pode ser diagnosticada definitivamente via histopatologia pós-operatória. O desafio clínico reside na falta de ferramentas pré-operatórias não invasivas e confiáveis para predizer o status da STAS, levando ao potencial subtratamento (se a STAS for negligenciada) ou sobretratamento (se a STAS for assumida). Embora a imagem multimodal ofereça promessas, as pesquisas existentes frequentemente dependem de parâmetros de modalidade única, carecem de validação robusta e falham em considerar subtipos específicos de nódulos (sólidos vs. parte-sólidos).

Metodologia
Este estudo retrospectivo incluiu 232 pacientes com LUAD em estágio clínico IA que foram submetidos a PET/CT com ¹⁸F-FDG pré-operatório e subsequente ressecção cirúrgica entre janeiro de 2020 e dezembro de 2024. Os pacientes foram divididos em um conjunto de treinamento (n=182, do Hospital 1) e um conjunto de validação externa (n=50, do Hospital 2).

• Coleta de Dados: O estudo integrou três domínios de dados:
  1. Parâmetros Metabólicos de PET/CT: SUVmax, volume tumoral metabólico (MTV) e glicólise tumoral total (TLG).
  2. Características Morfológicas de CT: Diâmetro tumoral, diâmetro do componente sólido, razão de consolidação-tumor (CTR), valor de atenuação média da CT e sinais específicos (lobulação, espiculação, etc.).
  3. Biomarcadores Sistêmicos: Contagens sanguíneas pré-operatórias utilizadas para calcular a razão linfócito-monócito (LMR).
• Modelagem Estatística: A análise univariada identificou variáveis com P < 0,1, que foram então inseridas em um modelo de regressão logística multivariável usando eliminação passo a passo reversa (baseada em AIC) para construir um nomograma preditivo.
• Validação e Avaliação: O desempenho do modelo foi avaliado utilizando curvas ROC (característica de operação do receptor), área sob a curva (AUC), curvas de calibração (teste de Hosmer-Lemeshow) e análise de curva de decisão (DCA). A validação interna foi realizada via reamostragem de bootstrap de 1000 iterações.
• Estratificação: Análises de subgrupos foram conduzidas separadamente para nódulos parte-sólidos e sólidos para identificar preditores específicos de nódulo. Um sistema de pontuação de risco simplificado baseado em pontos, o "Índice de Agressividade da STAS" (SAI), foi derivado dos coeficientes do nomograma para facilitar a aplicação clínica.

Resultados Principais

• Preditores Independentes: A análise multivariável identificou quatro preditores independentes para STAS no coorte geral:
  1. Diâmetro Tumoral: O maior diâmetro aumentou o risco de STAS (OR = 1,113).
  2. Valor de Atenuação Média da CT: A maior atenuação aumentou o risco (OR = 1,004).
  3. SUVmax: A maior atividade metabólica aumentou o risco (OR = 1,277).
  4. LMR: Um LMR mais baixo (indicando um estado inflamatório pró-tumoral) aumentou o risco (OR = 0,706).
• Desempenho do Modelo: O nomograma multiparamétrico demonstrou uma capacidade discriminativa robusta com uma AUC de 0,867 no conjunto de treinamento e 0,797 no conjunto de validação externa. As curvas de calibração indicaram boa concordância entre as probabilidades previstas e observadas, e a DCA confirmou um benefício clínico líquido em uma gama de probabilidades de limiar.
• Especificidade de Subgrupo:
  • Nódulos Parte-Sólidos: Os preditores incluíram diâmetro, CTR, SUVmax e LMR.
  • Nódulos Sólidos: Os preditores foram o valor de atenuação média da CT e LMR. Notavelmente, o SUVmax mostrou apenas uma correlação limítrofe em nódulos sólidos, enquanto o CTR não foi retido no modelo final para este subgrupo.
• Estratificação de Risco: O sistema de pontuação SAI derivado (variando de 0 a 51) estratificou com sucesso os pacientes em grupos de baixo risco (pontuação < 4), risco intermediário (4–21) e alto risco (≥ 22), alinhando-se com os pontos de corte matemáticos da regressão logística.

Significância e Alegações
Os autores afirmam que este estudo fornece uma estrutura não invasiva e robusta para a predição de STAS em LUAD de estágio clínico IA, integrando características morfológicas de CT, dados metabólicos funcionais de PET e biomarcadores inflamatórios sistêmicos.

• Utilidade Clínica: O nomograma desenvolvido e o sistema de pontuação simplificado SAI visam facilitar a estratificação de risco individualizada. Isso permite que os clínicos personalizem melhor as decisões cirúrgicas — especificamente a escolha entre ressecção sublobar poupadora de pulmão e lobectomia padrão — com base na probabilidade pré-operatória de STAS, em vez de depender apenas do tamanho ou morfologia do tumor.
• Insight Biológico: O estudo destaca que a STAS está associada a um perfil biológico multidimensional: crescimento macro-morfológico (diâmetro), densidade/celularidade tecidual (atenuação da CT), metabolismo glicolítico (SUVmax) e status imuno-inflamatório do hospedeiro (LMR).
• Limitações e Direções Futuras: Os autores reconhecem modestamente as limitações, incluindo a natureza retrospectiva do estudo, o tamanho relativamente pequeno do coorte de validação externa e a exclusão de nódulos de vidro fosco puro devido ao tamanho da amostra. Eles sugerem que ensaios prospectivos multicêntricos de grande escala e a aplicação de algoritmos avançados de aprendizado de máquina (para explorar relações não lineares) são necessários para validar e otimizar ainda mais o modelo.

Em conclusão, o artigo afirma que esta abordagem multiparamétrica oferece uma ferramenta prática para melhorar a identificação pré-operatória de pacientes STAS-positivos, apoiando assim um planejamento cirúrgico mais preciso e potencialmente melhorando os desfechos de longo prazo para o adenocarcinoma pulmonar de estágio inicial.