Model predykcyjny skuteczności leczenia w zaawansowanym raku jelita grubego z dzikim typem RAS: opracowanie i zewnętrzna walidacja dla inhibitora EGFR plus terapia antyangiogeniczna na podstawie kohorty retrospektywnej

Dlaczego to ma znaczenie dla chorych na raka jelita

Leczenie zaawansowanego raka jelita grubego przestało być jednorodne, lecz lekarze wciąż mają trudność z przewidywaniem, którzy pacjenci skorzystają na określonych kombinacjach leków celowanych. To badanie stawia praktyczne pytanie: czy codzienne informacje kliniczne można połączyć w prostie narzędzie, które oszacuje, jak długo pacjent może pozostać wolny od progresji choroby przy zastosowaniu konkretnej pary terapii celowanych, i czy takie narzędzie może wspomóc decyzje w szpitalach pozbawionych zaawansowanych badań genetycznych?

Leki celowane i potrzeba lepszych wskazówek

U pacjentów z guzami mającymi dziką wersję genów rodziny RAS powszechnie stosuje się dwa główne typy leków celowanych. Jedna grupa blokuje białko powierzchniowe zwane EGFR, druga ogranicza wzrost naczyń krwionośnych unieszczając ukrwienie guza. W praktyce klinicznej te leki często podaje się łącznie, czasem wraz z łagodną chemioterapią, szczególnie u starszych lub bardziej osłabionych pacjentów, którzy nie tolerują agresywnych schematów. Jednak wielu takich chorych nie reaguje dobrze, a obowiązujące wytyczne dają szerokie rekomendacje bez jasnego sposobu oceny korzyści dla konkretnej osoby. Ta luka napędza zainteresowanie narzędziami predykcyjnymi bazującymi na informacjach już zbieranych rutynowo.

Budowa skali ryzyka z rutynowych badań

Badacze przejrzeli zapisy 600 osób z zaawansowanym rakiem jelita grubego leczonych w trzech dużych ośrodkach w Chinach w latach 2018–2021. Wszyscy mieli guzy RAS w typie dzikim i otrzymywali kombinację inhibitora EGFR z lekiem antyangiogenicznym, zwykle wraz ze standardową chemioterapią. Z tych przypadków zebrano cztery rodzaje informacji: podstawowe dane kliniczne, takie jak wiek i ogólny stan sprawności, rutynowe badania krwi i markery nowotworowe, szczegółowe pomiary z tomografii komputerowej oraz miarę opartą na DNA określającą liczbę mutacji w guzie. Przy użyciu technik statystycznych zapobiegających nadmiernemu dopasowaniu wyselekcjonowano dziesiątki kandydatów do pięciu podstawowych czynników i połączono je w wizualny schemat punktacji, tzw. nomogram, który szacuje prawdopodobieństwo pozostania bez progresji w różnych przedziałach czasowych.

Pięć prostych czynników stojących za modelem

Ostateczne narzędzie opiera się na pomiarach dostępnych w większości ośrodków onkologicznych. Pierwszym jest gęstość naczyń, oszacowana w TK jako miara gęstości drobnych naczyń wewnątrz guza, odzwierciedlająca jego ukrwienie. Drugim jest stosunek neutrofili do limfocytów, prosty marker stanu zapalnego wyliczany z morfologii krwi. Trzecim jest poziom antygenu karcinoembrionalnego (CEA), długo stosowany marker krwi w raku jelita grubego. Pozostałe dwa to liczba odległych miejsc przerzutowych oraz wskaźnik sprawności pacjenta (performance score), odzwierciedlający jego aktywność i samodzielność w codziennym życiu. Przypisując punkty każdemu z tych elementów, nomogram klasyfikuje pacjentów jako niskiego, pośredniego lub wysokiego ryzyka szybkiej progresji podczas terapii skojarzonej.

Jak dobrze skala sprawdza się w praktyce

W testach na grupie wyjściowej 420 pacjentów model wykazał umiarkowaną zdolność rozróżniania tych, którzy radzili sobie lepiej, od tych, którzy gorzej, i wyraźnie rozdzielił krzywe przeżycia między grupami ryzyka. Następnie sprawdzono go w niezależnej grupie 180 pacjentów z innego szpitala. Tam jego zdolność rozróżniania wyników była słabsza i tylko nieznacznie lepsza niż użycie dwóch bardzo podstawowych cech klinicznych z obecnych wytycznych. Jednak przewidywane prawdopodobieństwa pozostania bez progresji dobrze odpowiadały rzeczywistym wynikom, zwłaszcza w okresie sześciu miesięcy. Pacjenci z wysokiego ryzyka mieli krótszy czas wolny od progresji i krótsze przeżycie ogólne, a w tej grupie osoby, u których lekarze zmienili leczenie, wydawały się dłużej utrzymywać stabilizację — co jednak może wynikać z innych różnic między pacjentami i nie stanowi dowodu, że zmiana leku jest jednoznacznie korzystna.

Wskazówki z naczyń i DNA

Analiza próbowała również wyjaśnić, dlaczego niektórzy pacjenci lepiej odpowiadali na te same leki. Guzy o gęstszej sieci naczyń wewnętrznych miały tendencję do lepszej odpowiedzi, być może dlatego, że leki celujące w ukrwienie i sygnały wzrostu działały silniej. Innym czynnikiem była liczba mutacji w guzie (tumor mutational burden) — pacjenci z większą liczbą mutacji zwykle pozostawali dłużej w stanie stabilizacji, co obserwowano zarówno w grupie głównej, jak i walidacyjnej. Proste skumulowane wskaźniki zapalenia oparte na morfologii krwi również korelowały z częstością zmniejszania się guzów na obrazach, sugerując, że ogólny stan immunologiczny i zapalny organizmu ma znaczenie dla odpowiedzi na leczenie.

Co to oznacza dla pacjentów i lekarzy

Autorzy konkludują, że model nie jest na razie wystarczająco silny, by decydować, kto powinien, a kto nie powinien otrzymać kombinacji leków, ani aby jednoznacznie dyktować moment zmiany schematów. Raczej stanowi on wczesny krok w kierunku bardziej spersonalizowanej opieki, wykorzystując powszechne badania do wykrywania pacjentów o wyższym ryzyku szybkiej progresji, szczególnie w ośrodkach bez dostępu do zaawansowanego profilowania molekularnego. Na dziś najlepiej traktować go jako dodatkową perspektywę, a nie zastępstwo dla oceny klinicznej; będzie wymagał dalszego dopracowania, dodania dynamicznych markerów i testów w przyszłych badaniach prospektywnych, zanim będzie mógł istotnie wpłynąć na indywidualne decyzje terapeutyczne.

Cytowanie: Jin, Y., Gong, L. & Tang, S. A predictive model for treatment efficacy in RAS wild-type advanced colorectal cancer: development and external validation for EGFR inhibitor plus anti-angiogenic therapy based on a retrospective cohort. Sci Rep 16, 14890 (2026). https://doi.org/10.1038/s41598-026-44562-w

Słowa kluczowe: rak jelita grubego, terapia celowana, model predykcyjny, stratyfikacja ryzyka, biomarkery nowotworowe