Nomogramma clinicamente interpretabile che combina composizione corporea e caratteristiche clinicopatologiche per la previsione di sopravvivenza a un anno nei tumori solidi avanzati

Perché la tua costituzione corporea può influenzare il successo delle terapie oncologiche

I farmaci immunoterapici hanno cambiato le prospettive per molte persone con tumori avanzati, ma solo una parte dei pazienti trae effettivo beneficio. Questo studio esplora un’idea semplice ma potente: il modo in cui grasso e muscolo sono distribuiti nel corpo, insieme alle informazioni cliniche di routine, può aiutare i medici a stimare le probabilità che un paziente sia vivo un anno dopo l’inizio dell’immunoterapia. Trasformando misurazioni complesse in uno strumento di facile utilizzo a letto del paziente, i ricercatori propongono una scheda visiva che potrebbe guidare le conversazioni sulle scelte terapeutiche e sul follow-up.

Guardare oltre il tumore, verso la persona intera

La maggior parte dei test attuali impiegati per prevedere chi risponderà agli inibitori del checkpoint immunitario si concentra su proprietà del tumore stesso, come specifiche proteine sulle cellule cancerose o il numero di mutazioni presenti. Ma le risposte immunitarie sono influenzate anche da fattori più ampi, incluse altre malattie, farmaci e lo stato nutrizionale complessivo. L’indice di massa corporea (BMI) è stato ampiamente studiato e talvolta sembra associarsi a risultati migliori nei pazienti con peso maggiore, un mistero spesso definito «paradosso dell’obesità». Tuttavia il BMI è una misura grezza: non distingue tra grasso e muscolo, né tra diversi tipi di grasso, che possono avere effetti assai diversi sul sistema immunitario.

Trasformare le scansioni in indizi sulla sopravvivenza

I ricercatori hanno esaminato 146 adulti con tumori solidi avanzati trattati con inibitori del checkpoint immunitario in un unico centro italiano. Prima del trattamento, a ogni paziente è stata effettuata una TC di routine per la stadiazione del tumore. Da una singola fetta addominale, i radiologi hanno misurato quanto muscolo e grasso erano presenti in diversi compartimenti, come il grasso viscerale profondo attorno agli organi e il grasso sottocutaneo. Hanno inoltre raccolto informazioni cliniche standard, includendo il tipo di tumore, i dettagli del trattamento, esami del sangue di base relativi a nutrizione e infiammazione e condizioni comuni come diabete, ipertensione e malattie cardiache.

Costruire un punteggio di rischio combinato

Utilizzando metodi di machine learning progettati per dati di sopravvivenza, il team ha prima testato quanto i fattori clinici usuali da soli potessero prevedere la sopravvivenza globale. Queste caratteristiche — come il tipo di tumore, il regime terapeutico, la storia di fumo, un rapporto ematico legato all’infiammazione e un punteggio nutrizionale — mostravano una certa capacità predittiva ma faticavano a generalizzare su nuovi pazienti. Successivamente hanno valutato ciascuna misura di composizione corporea singolarmente. Il rapporto tra grasso addominale profondo e grasso sottocutaneo è emerso come il miglior predittore basato su immagini, sebbene non fosse ancora sufficiente da solo. I ricercatori hanno quindi creato nuovi punteggi compositi che combinavano matematicamente varie misure di grasso e muscolo, alla ricerca della combinazione che meglio separasse i pazienti con sopravvivenza più lunga da quelli con sopravvivenza più breve.

Un grafico semplice per classificare i pazienti in gruppi di rischio

La combinazione più informativa si è rivelata essere un punteggio di composizione corporea costruito su tre misure derivate dalla TC: grasso all’interno dei muscoli, quantità di grasso addominale profondo e il rapporto tra grasso profondo e sottocutaneo. Quando questo punteggio è stato aggiunto a 12 caratteristiche cliniche raccolte di routine, il modello risultante ha nettamente superato i modelli basati solo su dati clinici o solo su immagini. I pazienti il cui punteggio di composizione corporea superava una soglia ottimizzata avevano una mediana di sopravvivenza di circa cinque mesi, rispetto a quasi tre anni per quelli sotto la soglia. Questa marcata differenza è rimasta valida anche concentrandosi solo su persone con cancro polmonare avanzato. Dal modello, gli autori hanno costruito un nomogramma — un grafico visivo in cui il clinico può allineare i valori del paziente per ciascun fattore, sommare i punti e leggere la probabilità stimata di essere vivi a un anno.

Che cosa significa per pazienti e medici

Per chi affronta un tumore avanzato, questo lavoro suggerisce che informazioni già presenti nelle scansioni e negli esami del sangue di uso quotidiano possono essere combinate per fornire un quadro più chiaro degli esiti probabili con l’immunoterapia, senza necessità di test genetici specialistici. La scheda proposta non è ancora pronta per cambiare la pratica clinica da sola: lo studio è retrospettivo, proviene da un singolo centro e coinvolge un numero modesto di pazienti, pertanto le sue previsioni devono essere confermate in gruppi più ampi e indipendenti. Ciononostante, mette in evidenza come la costituzione corporea complessiva e lo stato di salute del paziente — piuttosto che il solo tumore — possano influenzare in modo cruciale i risultati del trattamento, e indica la strada verso decisioni più personalizzate su chi possa trarre maggior beneficio da immunoterapie potenti ma costose e talvolta tossiche.

Citazione: 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

Parole chiave: immunoterapia, composizione corporea, sopravvivenza al cancro, predizione del rischio, apprendimento automatico