Nueva herramienta para el pronóstico del cáncer de pulmón: El puntaje PHOM

El cáncer de pulmón es un problema de salud serio, con unos 230,000 nuevos casos diagnosticados cada año en Estados Unidos. Desafortunadamente, unas 135,000 personas mueren por esta enfermedad anualmente. La mayoría de los casos de cáncer de pulmón, alrededor del 85%, se clasifican como cáncer de pulmón de células no pequeñas (NSCLC). Tradicionalmente, la cirugía ha sido el tratamiento principal para esta enfermedad, pero la radioterapia estereotáctica corporal (SBRT) se ha convertido en una opción viable para los pacientes que no pueden someterse a cirugía.

Evaluar el pronóstico, o los resultados esperados, para los pacientes con cáncer de pulmón es clave. Esto ayuda a los médicos a determinar los mejores planes de tratamiento. La tasa de supervivencia para el cáncer de pulmón puede variar mucho. Por ejemplo, los pacientes con NSCLC en etapa temprana tienen una tasa de supervivencia a cinco años de casi 70%. Sin embargo, esto baja a alrededor del 10% para quienes tienen enfermedad metastásica avanzada. Alarmantemente, incluso en las primeras etapas, alrededor del 30% de los pacientes no sobreviven después de cinco años, lo que sugiere la necesidad de mejores herramientas de evaluación de riesgos.

#Calculadoras de Riesgo: Herramientas para el Pronóstico

Las calculadoras de riesgo son herramientas valiosas usadas en el cuidado de la salud para ayudar a predecir los resultados en los pacientes. Analizan varios factores, incluyendo el historial médico y los resultados de pruebas, para dar una imagen más clara de lo que un paciente podría esperar. Aunque hay calculadoras que consideran información clínica y molecular para el cáncer de pulmón, obtener datos moleculares a menudo es difícil, especialmente fuera de centros médicos especializados. Por otro lado, los datos de imágenes, que se pueden obtener a través de escáneres, son mucho más fáciles de acceder.

La Radiomica es un campo en crecimiento enfocado en analizar imágenes para extraer información útil. Al examinar las características en imágenes médicas, los investigadores pueden hacer predicciones sobre los resultados del cáncer. Aunque los métodos de radiomica existentes brindan considerables conocimientos, hay potencial para mejorar estos análisis usando un método llamado homología persistente.

#Entendiendo la Homología Persistente

La homología persistente es un enfoque matemático que observa la estructura general de los datos. Al analizar la disposición de los puntos de datos, puede ayudar a separar la información útil del ruido irrelevante. En la investigación del cáncer, se han usado técnicas de análisis de estructura similares. Por ejemplo, medir la forma de los tejidos glandulares en el cáncer de próstata ayuda a evaluar su gravedad.

La premisa es que los tejidos cancerosos y no cancerosos muestran estructuras diferentes al ser vistos a través de imágenes. Los tejidos cancerosos suelen aparecer dispersos e irregulares, mientras que los tejidos benignos son generalmente bien definidos y uniformes. Al aplicar la homología persistente a los datos de imágenes, los investigadores buscan cuantificar estas diferencias, convirtiéndola en una herramienta útil para modelos predictivos en cáncer de pulmón.

#La Puntuación PHOM: Una Nueva Herramienta

Los investigadores han desarrollado una métrica conocida como la puntuación PHOM, que utiliza homología persistente. Estudios iniciales han demostrado que esta puntuación está vinculada a las tasas de supervivencia general para pacientes con NSCLC que reciben cirugía o radioterapia. Usando datos institucionales, han examinado un grupo de pacientes tratados con SBRT, centrándose en información clínica más detallada.

El objetivo de esta investigación es doble: primero, evaluar si la puntuación PHOM puede predecir la supervivencia general para pacientes con NSCLC tratados con SBRT, y segundo, crear Grupos de riesgo basados en esta puntuación. Para validar la puntuación PHOM, los investigadores analizaron un gran conjunto de datos, que consistía en 554 pacientes tratados con SBRT desde 2008 hasta 2019. Combinando la puntuación PHOM con otros factores clínicos, crearon una herramienta que podría ayudar a médicos y pacientes a tomar decisiones informadas sobre opciones de tratamiento.

#Participantes del Estudio y Recolección de Datos

Los investigadores establecieron un sistema para analizar tomografías computarizadas (CT) de tumores y calcular la puntuación PHOM para los pacientes. Solo se incluyeron en el estudio pacientes con NSCLC en etapa temprana que se habían sometido a una biopsia y no tenían tratamientos previos. Comenzaron con un gran conjunto de datos de 803 pacientes y lo redujeron excluyendo a los que tenían enfermedad avanzada o tratamientos previos.

Esto dejó un grupo de estudio de 554 pacientes, todos los cuales recibieron SBRT como su tratamiento principal. Los investigadores recopilaron datos clínicos, incluyendo fechas de diagnóstico e historia de tratamientos, asegurando parámetros de imagen uniformes para las tomografías computarizadas.

#Análisis de la Puntuación PHOM

El tumor de cada paciente fue cuidadosamente seccionado por un oncólogo radioterápico. La puntuación PHOM se calculó utilizando los datos de imagen disponibles a través de estas exploraciones. Los investigadores aplicaron métodos estadísticos, específicamente un modelo de riesgos proporcionales de Cox, para determinar cómo varios factores, incluyendo la puntuación PHOM, afectaban los resultados de supervivencia.

El análisis produjo un nomograma, que es una herramienta visual que muestra predicciones de supervivencia basadas en las características del paciente. Este nomograma está diseñado para proyectar las probabilidades de supervivencia en diferentes intervalos, incluyendo uno, dos, cinco y ocho años.

#Resultados y Hallazgos

El estudio encontró que la puntuación PHOM predecía significativamente tanto la supervivencia general como la específica del cáncer. Cuando los pacientes fueron divididos según sus puntuaciones PHOM, aquellos con puntuaciones más bajas tuvieron tasas de supervivencia significativamente mejores que aquellos con puntuaciones altas. Además, la investigación exploró cómo estas puntuaciones podrían usarse para establecer grupos de riesgo, dividiendo a los pacientes en categorías de bajo, medio y alto riesgo basadas en sus puntuaciones PHOM.

El análisis indicó que los pacientes en el grupo de alto riesgo tenían una supervivencia media de alrededor de 25 meses, mientras que aquellos en el grupo de bajo riesgo tenían una supervivencia media de aproximadamente 47 meses. Esta información ayuda a los médicos a identificar qué pacientes podrían beneficiarse de terapias o intervenciones adicionales.

#Fortalezas e Implicaciones Clínicas

Una de las principales fortalezas de la puntuación PHOM es su capacidad para predecir con precisión los resultados de supervivencia. Este uso novedoso de la topología en imágenes agrega una nueva dimensión a las herramientas disponibles para evaluar a los pacientes con cáncer de pulmón. La capacidad para categorizar a los pacientes según el riesgo puede informar decisiones de tratamiento y puede conducir a una atención más personalizada.

El estudio sugiere que la puntuación PHOM podría ser particularmente útil para identificar a los pacientes que podrían necesitar tratamiento adicional después de la SBRT. También ofrece perspectivas que podrían guiar el diseño de ensayos clínicos agrupando a los pacientes según sus resultados predichos.

#Direcciones Futuras

Si bien los hallazgos son prometedores, hay limitaciones a considerar. La validación del nomograma es específica para pacientes con NSCLC en etapa temprana que reciben SBRT. Se necesita más investigación para determinar qué tan bien funciona esta herramienta para pacientes que se someten a diferentes tipos de tratamientos o aquellos en otras etapas del cáncer de pulmón.

A medida que la tecnología de imágenes continúa avanzando, es probable que la utilidad de la puntuación PHOM se expanda. Futuros estudios podrían explorar cómo esta puntuación interactúa con otros modelos predictivos, incluyendo datos genómicos. La integración de diferentes tipos de datos, en última instancia, mejorará los planes de tratamiento y ayudará en el desarrollo de terapias dirigidas para pacientes con cáncer de pulmón.

#Conclusión

La puntuación PHOM representa un avance significativo en el campo de la investigación y atención del cáncer de pulmón. Al utilizar la homología persistente para analizar datos de imágenes, los profesionales de la salud podrían obtener una comprensión más precisa de las características del tumor y los resultados del paciente. A medida que este campo evoluciona, la esperanza es desarrollar herramientas más completas que mejoren las tasas de supervivencia y la calidad de vida para los pacientes con cáncer de pulmón.