Nomograma clínicamente interpretable que combina composición corporal y características clinicopatológicas para la predicción de supervivencia a un año en tumores sólidos avanzados

Por qué la constitución corporal puede influir en el éxito del tratamiento del cáncer

Los fármacos de inmunoterapia han cambiado el pronóstico de muchas personas con cánceres avanzados, aunque solo una parte de los pacientes obtiene un beneficio real. Este estudio explora una idea sencilla pero potente: que la forma en que se distribuyen la grasa y el músculo en el cuerpo, junto con información clínica de rutina, puede ayudar a los médicos a estimar las probabilidades de que un paciente esté vivo un año después de iniciar la inmunoterapia. Convirtiendo mediciones complejas en una herramienta de fácil uso junto a la cama del paciente, los investigadores proponen una tarjeta visual que podría orientar las conversaciones sobre las opciones de tratamiento y el seguimiento.

Mirar más allá del tumor hacia la persona completa

La mayoría de las pruebas actuales utilizadas para predecir quién responderá a los inhibidores de puntos de control inmunitarios se centran en propiedades del propio tumor, como proteínas específicas en las células cancerosas o la carga mutacional. Pero las respuestas inmunitarias también vienen determinadas por factores más amplios, incluidas otras enfermedades, medicamentos y el estado nutricional general. El índice de masa corporal (IMC) se ha estudiado ampliamente y a veces parece asociarse con mejores resultados en pacientes con mayor peso, un enigma a menudo denominado “paradoja de la obesidad”. Sin embargo, el IMC es una medida tosca: no distingue entre grasa y músculo, ni entre distintos tipos de grasa, que pueden tener efectos muy diferentes en el sistema inmunitario.

Convertir exploraciones en pistas sobre la supervivencia

Los investigadores examinaron a 146 adultos con tumores sólidos avanzados tratados con inhibidores de puntos de control inmunitarios en un único centro italiano. Antes del tratamiento, cada paciente se sometió a una TC de rutina utilizada para estadificar el cáncer. A partir de una sola sección abdominal, los radiólogos midieron cuánto músculo y grasa había en distintos compartimentos, como la grasa visceral profunda alrededor de los órganos y la grasa subcutánea. También recogieron información clínica estándar, incluido el tipo de cáncer, detalles del tratamiento, análisis de sangre básicos relacionados con la nutrición y la inflamación, y enfermedades comunes como diabetes, hipertensión y cardiopatía.

Construir una puntuación de riesgo combinada

Empleando métodos de aprendizaje automático diseñados para datos de supervivencia, el equipo probó primero cuán bien los factores clínicos habituales por sí solos podían predecir la supervivencia global. Estas características—como el tipo de cáncer, el régimen terapéutico, el historial de tabaquismo, una relación inflamatoria en sangre y un puntaje nutricional—mostraron cierto poder predictivo, pero tuvieron dificultades para generalizar a nuevos pacientes. A continuación, evaluaron cada medida de composición corporal por separado. La proporción entre grasa abdominal profunda y grasa subcutánea resultó ser el mejor predictor basado en imágenes por sí solo, aunque aun así no era lo bastante fuerte. Los investigadores crearon luego puntuaciones compuestas que combinaban matemáticamente varias mediciones de grasa y músculo, buscando la combinación que mejor separara a los pacientes con supervivencias más largas y más cortas.

Un gráfico sencillo para clasificar a los pacientes en grupos de riesgo

La combinación más informativa resultó ser una puntuación de composición corporal construida a partir de tres mediciones derivadas de la TC: grasa intramuscular, la cantidad de grasa abdominal profunda y la proporción de grasa profunda frente a subcutánea. Cuando esta puntuación se añadió a 12 características clínicas recogidas de forma rutinaria, el modelo resultante superó claramente a los modelos basados solo en datos clínicos o solo en imágenes. Los pacientes cuya puntuación de composición corporal excedía un umbral optimizado tuvieron una supervivencia mediana de aproximadamente cinco meses, frente a casi tres años para aquellos por debajo del umbral. Esta marcada diferencia se mantuvo incluso al centrarse únicamente en personas con cáncer de pulmón avanzado. A partir de este modelo, los autores construyeron un nomograma—un gráfico visual donde el clínico puede alinear los valores del paciente para cada factor, sumar puntos y leer la probabilidad estimada de estar vivo a un año.

Qué significa esto para pacientes y médicos

Para las personas que afrontan un cáncer avanzado, este trabajo sugiere que la información ya oculta en las exploraciones y análisis de sangre cotidianos puede combinarse para ofrecer una imagen más clara de los resultados probables con inmunoterapia, sin necesidad de pruebas genéticas especializadas. El gráfico propuesto aún no está listo para cambiar la práctica por sí solo: el estudio es retrospectivo, procede de un único centro y abarca un número modesto de pacientes, por lo que sus predicciones deben confirmarse en cohortes más grandes e independientes. Aun así, subraya cómo la constitución corporal y el estado de salud global del paciente—más que el tumor por sí solo—pueden influir de forma crucial en los resultados del tratamiento, y apunta hacia decisiones más personalizadas sobre quién podría beneficiarse más de inmunoterapias potentes pero costosas y a veces tóxicas.

Cita: 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

Palabras clave: inmunoterapia, composición corporal, supervivencia al cáncer, predicción de riesgo, aprendizaje automático