Nomogramme cliniquement interprétable combinant composition corporelle et caractéristiques clinicopathologiques pour prédire la survie à un an dans les tumeurs solides avancées

Pourquoi la composition de votre corps peut influencer le succès du traitement du cancer

Les médicaments d’immunothérapie ont transformé le pronostic de nombreuses personnes atteintes de cancers avancés, mais seule une partie des patients en tirent vraiment bénéfice. Cette étude explore une idée simple mais puissante : la répartition des graisses et des muscles dans le corps, associée à des informations cliniques de routine, peut aider les médecins à estimer les chances qu’un patient soit en vie un an après le début de l’immunothérapie. En convertissant des mesures complexes en un outil facile à utiliser au chevet, les chercheurs proposent une fiche visuelle qui pourrait orienter les discussions sur le choix des traitements et le suivi.

Regarder au-delà de la tumeur, vers la personne dans son ensemble

La plupart des tests actuels visant à prédire qui répondra aux inhibiteurs de points de contrôle immunitaire se concentrent sur des caractéristiques de la tumeur elle‑même, comme certaines protéines présentes à la surface des cellules cancéreuses ou le nombre de mutations portées par le cancer. Mais les réponses immunitaires sont aussi façonnées par des facteurs plus larges, notamment d’autres maladies, des médicaments et l’état nutritionnel global. L’indice de masse corporelle (IMC) a été largement étudié et semble parfois associé à de meilleurs résultats chez les patients les plus lourds, un paradoxe souvent appelé « paradoxe de l’obésité ». Cependant, l’IMC reste une mesure grossière : il ne distingue pas la masse grasse de la masse musculaire, ni les différents types de graisse, qui peuvent avoir des effets très différents sur le système immunitaire.

Transformer les scans en indices de survie

Les chercheurs ont examiné 146 adultes atteints de tumeurs solides avancées traités par inhibiteurs de points de contrôle immunitaire dans un centre italien unique. Avant le traitement, chaque patient a bénéficié d’un scanner thoraco‑abdominal de routine utilisé pour le stadification. À partir d’une seule coupe abdominale, des radiologues ont mesuré la quantité de muscle et de graisse présents dans différents compartiments, comme la graisse intra‑abdominale autour des organes (graisse viscérale) et la graisse sous‑cutanée. Ils ont également recueilli des informations cliniques standard, notamment le type de cancer, les détails du traitement, des tests sanguins de base liés à la nutrition et à l’inflammation, ainsi que des affections courantes comme le diabète, l’hypertension et les maladies cardiovasculaires.

Construire un score de risque combiné

En utilisant des méthodes d’apprentissage automatique conçues pour des données de survie, l’équipe a d’abord testé la capacité des facteurs cliniques habituels seuls à prévoir la survie globale. Ces caractéristiques — comme le type de cancer, le schéma thérapeutique, l’antécédent tabagique, un ratio inflammatoire sanguin et un score nutritionnel — montraient un certain pouvoir prédictif mais peinaient à se généraliser à de nouveaux patients. Ensuite, ils ont évalué chaque mesure de composition corporelle isolément. Le ratio entre la graisse intra‑abdominale profonde et la graisse sous‑cutanée est apparu comme le meilleur prédicteur issu de l’imagerie, sans toutefois être suffisamment puissant à lui seul. Les chercheurs ont alors créé de nouveaux scores composites combinant mathématiquement plusieurs mesures de graisse et de muscle, à la recherche de la combinaison qui séparait le mieux les patients à survie plus longue ou plus courte.

Un graphique simple pour classer les patients par risques

La combinaison la plus informative s’est révélée être un score de composition corporelle construit à partir de trois mesures obtenues au scanner : la graisse intramusculaire, la quantité de graisse abdominale profonde et le ratio de graisse profonde sur graisse sous‑cutanée. Lorsque ce score a été ajouté à 12 caractéristiques cliniques recueillies de routine, le modèle résultant a clairement surpassé les modèles fondés uniquement sur les données cliniques ou sur l’imagerie. Les patients dont le score de composition corporelle dépassait un seuil optimisé avaient une médiane de survie d’environ cinq mois, contre près de trois ans pour ceux dont le score était en dessous du seuil. Cette différence marquée se maintenait même en se concentrant uniquement sur les personnes atteintes d’un cancer du poumon avancé. À partir de ce modèle, les auteurs ont construit un nomogramme — un graphique visuel où le clinicien aligne les valeurs du patient pour chaque facteur, additionne des points et lit la probabilité estimée d’être en vie à un an.

Ce que cela signifie pour les patients et les médecins

Pour les personnes confrontées à un cancer avancé, ce travail suggère que des informations déjà présentes dans les scanners et les analyses sanguines de routine peuvent être combinées pour donner une image plus claire des résultats probables sous immunothérapie, sans recourir à des tests génétiques spécialisés. Le graphique proposé n’est pas encore prêt à modifier la pratique clinique à lui seul : l’étude est rétrospective, issue d’un seul centre et porte sur un nombre modeste de patients, de sorte que ses prédictions doivent être confirmées dans des cohortes indépendantes plus larges. Néanmoins, elle souligne comment la constitution corporelle et l’état de santé global d’un patient — plutôt que la tumeur seule — peuvent influencer de manière cruciale les résultats du traitement, et elle ouvre la voie à des décisions plus personnalisées sur qui pourrait bénéficier le plus d’immunothérapies puissantes, coûteuses et parfois toxiques.

Citation: 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

Mots-clés: immunothérapie, composition corporelle, survie du cancer, prévision du risque, apprentissage automatique