Klinicznie interpretowalny nomogram łączący skład ciała i cechy kliniczno-patologiczne do przewidywania przeżycia w ciągu roku u zaawansowanych nowotworów litych

Dlaczego skład ciała może wpływać na powodzenie leczenia raka

Leki immunoterapeutyczne zmieniły perspektywy dla wielu osób z zaawansowanymi nowotworami, jednak tylko część pacjentów rzeczywiście odnosi z nich korzyść. W tej pracy badacze analizują prosty, lecz mocny pomysł: że sposób rozmieszczenia tłuszczu i mięśni w ciele, wraz z rutynowymi informacjami klinicznymi, może pomóc lekarzom oszacować szanse pacjenta na przeżycie jednego roku od rozpoczęcia immunoterapii. Przekształcając złożone pomiary w łatwe w użyciu narzędzie przy łóżku pacjenta, autorzy proponują wizualną kartę punktową, która mogłaby wspierać rozmowy o wyborze leczenia i opiece po terapii.

Patrząc poza guz na całą osobę

Większość obecnych testów stosowanych do przewidywania, kto odpowie na inhibitory punktów kontrolnych układu odpornościowego, koncentruje się na cechach samego guza, takich jak specyficzne białka na komórkach nowotworowych czy liczba mutacji w nowotworze. Jednak odpowiedzi immunologiczne kształtują także szersze czynniki, w tym inne choroby, leki i ogólny stan odżywienia. Wskaźnik masy ciała (BMI) był szeroko badany i czasami wiązany z lepszymi wynikami u osób o wyższej masie, co bywa nazywane „paradoksem otyłości”. BMI jest jednak miarą grubą: nie rozróżnia tłuszczu od mięśni ani różnych typów tkanki tłuszczowej, które mogą mieć bardzo odmienne skutki dla układu odpornościowego.

Przekształcanie skanów w wskazówki dotyczące przeżycia

Badacze przeanalizowali 146 dorosłych z zaawansowanymi nowotworami litymi leczonych inhibitorami punktów kontrolnych w jednym ośrodku we Włoszech. Przed leczeniem każdy pacjent miał rutynowe badanie TK służące do określenia zaawansowania choroby. Z pojedynczego wycinka przez jamę brzuszną radiolodzy zmierzyli, ile mięśni i tłuszczu znajduje się w różnych przedziałach, takich jak głęboka tkanka tłuszczowa wokół narządów oraz tłuszcz podskórny. Zebrali też standardowe informacje kliniczne, w tym typ nowotworu, szczegóły leczenia, podstawowe badania krwi związane z odżywianiem i zapaleniem oraz powszechne choroby towarzyszące, takie jak cukrzyca, nadciśnienie czy choroba serca.

Budowanie złożonego wskaźnika ryzyka

Wykorzystując metody uczenia maszynowego zaprojektowane dla danych przeżycia, zespół najpierw sprawdził, jak dobrze same zwykłe czynniki kliniczne potrafią prognozować całkowite przeżycie. Te cechy — takie jak typ nowotworu, schemat leczenia, historia palenia, wskaźnik zapalny w krwi oraz wskaźnik odżywienia — wykazywały pewną moc predykcyjną, ale miały trudności z uogólnianiem na nowych pacjentów. Następnie oceniono każdą miarę składu ciała oddzielnie. Najlepszym pojedynczym predyktorem obrazowym okazał się stosunek głębokiej tkanki tłuszczowej do tłuszczu podskórnego, choć sam w sobie nadal nie był wystarczająco silny. Badacze stworzyli więc nowe skale złożone, które matematycznie łączyły kilka pomiarów tłuszczu i mięśni, poszukując kombinacji najlepiej rozdzielającej pacjentów z dłuższym i krótszym przeżyciem.

Prosty wykres do podziału pacjentów na grupy ryzyka

Najbardziej informatywna kombinacja okazała się być wskaźnikiem składu ciała zbudowanym z trzech pomiarów pochodzących z TK: tłuszczu wewnątrz mięśni, ilości głębokiej tkanki tłuszczowej w jamie brzusznej oraz stosunku tłuszczu głębokiego do podskórnego. Gdy ten wskaźnik dodano do 12 rutynowo zbieranych cech klinicznych, otrzymany model wyraźnie przewyższał modele oparte tylko na danych klinicznych lub tylko na obrazowaniu. Pacjenci, u których wskaźnik składu ciała przekraczał zoptymalizowany próg, mieli medianę przeżycia wynoszącą około pięciu miesięcy, w porównaniu z prawie trzema latami u tych poniżej progu. Ten silny rozdźwięk utrzymał się nawet przy analizie tylko osób z zaawansowanym rakiem płuca. Na podstawie tego modelu autorzy skonstruowali nomogram — wykres wizualny, na którym klinicysta może wyrównać wartości pacjenta dla każdego czynnika, zsumować punkty i odczytać oszacowane prawdopodobieństwo przeżycia jednego roku.

Co to oznacza dla pacjentów i lekarzy

Dla osób stających w obliczu zaawansowanego raka praca ta sugeruje, że informacje już ukryte w codziennych skanach i badaniach krwi można połączyć, by uzyskać jaśniejszy obraz prawdopodobnych wyników po immunoterapii, bez konieczności specjalistycznych badań genetycznych. Proponowany wykres nie jest jeszcze gotowy, by samodzielnie zmieniać praktykę: badanie ma charakter retrospektywny, pochodzi z jednego ośrodka i obejmuje umiarkowaną liczbę pacjentów, więc jego przewidywania trzeba potwierdzić w większych, niezależnych grupach. Mimo to podkreśla, że ogólny skład ciała i stan zdrowia pacjenta — a nie tylko guz — mogą mieć kluczowy wpływ na wyniki leczenia, oraz wskazuje drogę do bardziej spersonalizowanych decyzji, kto może najbardziej skorzystać z silnych, lecz kosztownych i czasem toksycznych immunoterapii.

Cytowanie: 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

Słowa kluczowe: immunoterapia, skład ciała, przeżycie w nowotworze, predykcja ryzyka, uczenie maszynowe