Klinisch interpretierbares Nomogramm, das Körperzusammensetzung und klinisch-pathologische Merkmale für die Ein-Jahres-Überlebensvorhersage bei fortgeschrittenen soliden Tumoren kombiniert

Warum Ihre Körperzusammensetzung den Behandlungserfolg bei Krebs mitgestalten kann

Immuntherapeutika haben die Prognose für viele Menschen mit fortgeschrittenen Krebserkrankungen verändert, doch nur ein Teil der Patientinnen und Patienten profitiert tatsächlich von ihnen. Diese Studie untersucht eine einfache, aber wirkungsvolle Idee: dass die Verteilung von Fett und Muskelmasse im Körper zusammen mit routinemäßigen klinischen Informationen Ärzten helfen kann, die Wahrscheinlichkeit abzuschätzen, dass ein Patient ein Jahr nach Beginn der Immuntherapie noch lebt. Indem komplexe Messungen in ein benutzerfreundliches Werkzeug für die Praxis übersetzt werden, schlagen die Forschenden eine visuelle Übersicht vor, die Gespräche über Therapieentscheidungen und Nachsorge unterstützen könnte.

Über den Tumor hinaus: Blick auf den ganzen Menschen

Die meisten aktuellen Tests zur Vorhersage, wer auf Immun-Checkpoint-Inhibitoren anspricht, konzentrieren sich auf Eigenschaften des Tumors selbst, etwa bestimmte Proteine auf Krebszellen oder die Anzahl der Mutationen im Tumor. Doch Immunantworten werden auch durch umfassendere Faktoren geprägt, darunter Begleiterkrankungen, Medikamente und der allgemeine Ernährungszustand. Der Body-Mass-Index (BMI) wurde vielfach untersucht und scheint in manchen Studien mit besseren Ergebnissen bei schwereren Patienten verbunden zu sein — ein Phänomen, das oft als „Adipositas-Paradoxon“ bezeichnet wird. Der BMI ist jedoch ein grobes Maß: Er unterscheidet nicht zwischen Fett und Muskelmasse und nicht zwischen verschiedenen Fetttypen, die sehr unterschiedliche Wirkungen auf das Immunsystem haben können.

CT-Scans als Hinweise auf das Überleben nutzen

Die Forschenden untersuchten 146 Erwachsene mit fortgeschrittenen soliden Tumoren, die an einem einzigen italienischen Zentrum mit Immun-Checkpoint-Inhibitoren behandelt wurden. Vor der Therapie erhielt jede Patientin und jeder Patient eine routinemäßige CT-Untersuchung zur Stadieneinteilung. Aus einer einzelnen Schicht durch den Bauch maßen Radiologinnen und Radiologen, wie viel Muskel- und Fettgewebe in verschiedenen Kompartimenten lag, etwa tiefes viszerales Fett um die Organe herum und subkutanes Fett unter der Haut. Außerdem sammelten sie standardmäßige klinische Informationen, darunter Tumorart, Behandlungsdetails, grundlegende Blutwerte zu Ernährung und Entzündung sowie häufige Begleiterkrankungen wie Diabetes, Bluthochdruck und Herzkrankheiten.

Ein kombiniertes Risikoprofil erstellen

Mithilfe von maschinellen Lernverfahren, die für Überlebensdaten ausgelegt sind, prüfte das Team zunächst, wie gut übliche klinische Faktoren allein das Gesamtüberleben vorhersagen konnten. Diese Merkmale — wie Tumorart, Therapieschema, Raucheranamnese, ein blutbasierter Entzündungsindex und ein Ernährungsscore — zeigten eine gewisse Vorhersagekraft, hatten jedoch Probleme, auf neue Patientinnen und Patienten zu verallgemeinern. Anschließend bewerteten sie jede Messung der Körperzusammensetzung einzeln. Das Verhältnis zwischen tiefem viszeralem Fett und subkutanem Fett erwies sich als der beste Einzelbild-basierte Prädiktor, war aber allein noch nicht stark genug. Daraufhin entwickelten die Forschenden neue zusammengesetzte Scores, die mehrere Fett- und Muskelmessungen mathematisch kombinierten und nach der Kombination suchten, die Patientinnen und Patienten mit längerem beziehungsweise kürzerem Überleben am besten trennte.

Eine einfache Tabelle, um Patientengruppen nach Risiko zu ordnen

Die informativste Kombination erwies sich als ein Körperzusammensetzungs-Score, der aus drei CT-abgeleiteten Messgrößen aufgebaut war: Fett innerhalb von Muskeln, die Menge an tiefem viszeralem Fett und das Verhältnis von viszeralem zu subkutanem Fett. Wenn dieser Score zu 12 routinemäßig erhobenen klinischen Merkmalen hinzugefügt wurde, übertraf das resultierende Modell deutlich Modelle, die nur auf klinischen Daten oder nur auf Bildgebung beruhten. Patientinnen und Patienten mit einem Körperzusammensetzungs-Score oberhalb eines optimierten Schwellenwerts hatten eine mittlere Überlebenszeit von etwa fünf Monaten, gegenüber fast drei Jahren für diejenigen unterhalb des Schwellenwerts. Dieser deutliche Unterschied blieb bestehen, selbst wenn man nur Personen mit fortgeschrittenem Lungenkrebs betrachtete. Aus diesem Modell konstruierten die Autorinnen und Autoren ein Nomogramm — ein visuelles Diagramm, mit dem eine Ärztin oder ein Arzt die Werte eines Patienten für jeden Faktor ausrichten, Punkte addieren und die geschätzte Wahrscheinlichkeit ablesen kann, nach einem Jahr noch am Leben zu sein.

Was das für Patientinnen, Patienten und Ärztinnen und Ärzte bedeutet

Für Menschen mit fortgeschrittenem Krebs legt diese Arbeit nahe, dass Informationen, die bereits in alltäglichen Scans und Bluttests verborgen sind, kombiniert werden können, um ein klareres Bild der wahrscheinlichen Ergebnisse unter Immuntherapie zu liefern, ohne spezialisierte Gentests zu benötigen. Die vorgeschlagene Tabelle ist jedoch noch nicht bereit, allein die Praxis zu verändern: Die Studie ist retrospektiv, stammt aus einem einzelnen Zentrum und umfasst nur eine begrenzte Patientenzahl, sodass die Vorhersagen in größeren, unabhängigen Kohorten bestätigt werden müssen. Dennoch unterstreicht sie, wie die allgemeine Körperzusammensetzung und Gesundheitslage einer Patientin bzw. eines Patienten — und nicht nur der Tumor allein — die Behandlungsergebnisse entscheidend beeinflussen können, und weist den Weg zu individuelleren Entscheidungen darüber, wer am meisten von wirksamen, aber teuren und mitunter toxischen Immuntherapien profitieren könnte.

Zitation: Bruschi, G., Paoloni, F., Pecci, F. et al. Clinically interpretable nomogram combining body composition and clinicopathological features for one year survival prediction in advanced solid tumors. Sci Rep 16, 13200 (2026). https://doi.org/10.1038/s41598-026-37510-1

Schlüsselwörter: Immuntherapie, Körperzusammensetzung, Krebsüberleben, Risikovorhersage, Maschinelles Lernen