Klinisch interpreteerbare nomogram die lichaamscompositie en klinisch-pathologische kenmerken combineert voor éénjaarsoverlevingsvoorspelling bij gevorderde solide tumoren

Waarom je lichaamsopbouw het succes van kankerbehandeling kan bepalen

Immunotherapie heeft voor veel mensen met gevorderde kanker het vooruitzicht verbeterd, maar slechts een deel van de patiënten profiteert er echt van. Deze studie onderzoekt een eenvoudig maar krachtig idee: dat de manier waarop vet en spier over het lichaam verdeeld zijn, samen met routinematige klinische informatie, artsen kan helpen de kans te schatten dat een patiënt één jaar na het starten van immunotherapie in leven is. Door complexe metingen om te zetten in een gebruiksvriendelijk bedtools, stellen de onderzoekers een visuele scorekaart voor die gesprekken over behandelingskeuzes en vervolgzorg kan informeren.

Verder kijken dan de tumor: de hele persoon

De meeste huidige tests om te voorspellen wie zal reageren op remmers van immuuncheckpoint richten zich op eigenschappen van de tumor zelf, zoals specifieke eiwitten op kankercellen of het aantal mutaties dat de tumor draagt. Maar immuunreacties worden ook beïnvloed door bredere factoren, waaronder andere ziektes, medicijnen en de algemene voedingstoestand. Body mass index (BMI) is veel bestudeerd en lijkt in sommige onderzoeken verbonden met betere uitkomsten bij zwaardere patiënten, een raadsel dat soms het “obesitasparadox” wordt genoemd. BMI is echter een grove maat: het onderscheidt niet tussen vet en spier, noch tussen verschillende vetsoorten, die heel verschillende effecten op het immuunsysteem kunnen hebben.

Scans omzetten in aanwijzingen over overleving

De onderzoekers onderzochten 146 volwassenen met gevorderde solide tumoren die werden behandeld met immuuncheckpointremmers in één Italiaans centrum. Voor de behandeling kreeg elke patiënt een routinematige CT-scan voor de stadiering van de kanker. Uit één snede door de buik maten radiologen hoeveel spier en vet zich in verschillende compartimenten bevond, zoals diep abdominaal vet rond de organen en onderhuids vet. Ze verzamelden ook standaard klinische gegevens, waaronder kankertype, behandelingsgegevens, basale bloedtests gerelateerd aan voeding en ontsteking, en veelvoorkomende aandoeningen zoals diabetes, hoge bloeddruk en hartziekte.

Een gecombineerde risicoscore opbouwen

Met machine-learningmethoden die zijn ontworpen voor overlevingsdata testte het team eerst hoe goed gebruikelijke klinische factoren alleen de totale overleving konden voorspellen. Deze kenmerken — zoals kankertype, behandelingsregime, rookgeschiedenis, een op bloed gebaseerde ontstekingsratio en een voedingsscore — lieten enige voorspellende waarde zien maar hadden moeite te generaliseren naar nieuwe patiënten. Vervolgens evalueerden ze elke maat van lichaamscompositie afzonderlijk. De verhouding tussen diep abdominaal vet en onderhuids vet kwam naar voren als de beste enkele beeldgebaseerde voorspeller, maar was nog steeds niet sterk genoeg op zichzelf. De onderzoekers creëerden daarna nieuwe samengestelde scores die wiskundig meerdere vet- en spiermetingen combineerden, op zoek naar de combinatie die patiënten met langere en kortere overleving het beste onderscheidde.

Een eenvoudige grafiek om patiënten in risicogroepen te verdelen

De meest informatieve combinatie bleek een lichaamscompositiescore te zijn opgebouwd uit drie CT-afgeleide metingen: vet binnen spieren, de hoeveelheid diep abdominaal vet en de verhouding van diep tot subcutaan vet. Toen deze score werd toegevoegd aan 12 routinematig verzamelde klinische kenmerken, presteerde het resulterende model duidelijk beter dan modellen die alleen op klinische gegevens of alleen op beeldvorming waren gebaseerd. Patiënten waarvan de lichaamscompositiescore boven een geoptimaliseerde drempel lag, hadden een mediaanoverleving van ongeveer vijf maanden, vergeleken met bijna drie jaar voor degenen onder de drempel. Dit sterke verschil bleef bestaan zelfs wanneer alleen werd gekeken naar mensen met gevorderde longkanker. Vanuit dit model bouwden de auteurs een nomogram — een visuele kaart waarop een clinicus de waarden van elke factor van een patiënt kan uitlijnen, punten kan optellen en de geschatte kans kan aflezen om na één jaar nog in leven te zijn.

Wat dit betekent voor patiënten en artsen

Voor mensen met gevorderde kanker suggereert dit werk dat informatie die al verborgen zit in alledaagse scans en bloedtests kan worden gecombineerd om een duidelijker beeld te geven van waarschijnlijke uitkomsten met immunotherapie, zonder gespecialiseerde genetische tests. De voorgestelde kaart is nog niet klaar om op zichzelf de praktijk te veranderen: de studie is retrospectief, komt uit één centrum en omvat een beperkt aantal patiënten, dus de voorspellingen moeten worden bevestigd in grotere, onafhankelijke groepen. Toch benadrukt het hoe iemands algehele lichaamsopbouw en gezondheid — in plaats van alleen de tumor — de behandelresultaten wezenlijk kunnen beïnvloeden, en het wijst op meer gepersonaliseerde beslissingen over wie het meest kan profiteren van krachtige maar dure en soms toxische immunotherapieën.

Bronvermelding: 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

Trefwoorden: immunotherapie, lichaamscompositie, kanker overleving, risicovoorspelling, machine learning