Клинически интерпретируемый номограмма, объединяющая состав тела и клинико-патологические признаки для прогноза выживаемости на один год при продвинутых солидных опухолях

Почему состав вашего тела может определять успех лечения рака

Лекарства иммунотерапии изменили прогноз для многих людей с продвинутыми формами рака, но только часть пациентов действительно получает от них пользу. В этом исследовании рассматривается простая, но мощная идея: то, как в организме распределяются жир и мышцы, вместе с рутинной клинической информацией может помочь врачам оценить вероятность того, что пациент будет жив через год после начала иммунотерапии. Преобразуя сложные измерения в удобный инструмент для прикроватного применения, исследователи предлагают визуальную «таблицу очков», которая могла бы помочь в обсуждении вариантов лечения и планировании наблюдения.

Смотреть не только на опухоль, но и на весь организм

Большинство современных тестов, используемых для прогнозирования ответа на ингибиторы контрольных точек иммунитета, сосредоточены на свойствах самой опухоли, таких как определённые белки на раковых клетках или число мутаций в опухоли. Но иммунный ответ формируется также под влиянием более широких факторов, включая сопутствующие болезни, принимаемые препараты и общее питание. Индекс массы тела (ИМТ) широко изучался и иногда ассоциируется с лучшими исходами у людей с большей массой тела — явление, известное как «парадокс ожирения». Однако ИМТ — грубая мера: он не позволяет отличить жир от мышц и не дифференцирует типы жира, которые могут по-разному влиять на иммунную систему.

Преобразование сканов в подсказки о выживании

Исследователи проанализировали 146 взрослых с прогрессирующими солидными опухолями, лечившихся ингибиторами контрольных точек в одном итальянском центре. До начала лечения у каждого пациента делали рутинную КТ для стадирования опухоли. По одному срезу через брюшную полость радиологи измеряли, сколько мышц и жира находилось в разных компартментах — например, глубоко внутри живота вокруг органов и подкожно. Также собирали стандартные клинические данные: тип рака, детали лечения, базовые анализы крови, связанные с питанием и воспалением, а также распространённые сопутствующие состояния, такие как диабет, гипертония и сердечные заболевания.

Построение комбинированного скоринга риска

С помощью методов машинного обучения, адаптированных для данных выживаемости, команда сначала проверила, насколько хорошо обычные клинические факторы предсказывают общую выживаемость сами по себе. Эти признаки — такие как тип рака, режим терапии, история курения, соотношение маркеров воспаления в крови и показатель питания — показали некоторую прогностическую силу, но испытывали трудности с обобщением на новых пациентах. Затем исследовали каждую меру состава тела отдельно. Соотношение глубокой висцеральной (внутрибрюшной) жировой ткани к подкожной жировой ткани оказалось лучшим одиночным визуальным предиктором, но и оно само по себе было недостаточно сильным. Исследователи затем создали новые составные показатели, математически объединяющие несколько измерений жира и мышц, в поисках комбинации, которая наилучшим образом разделяет пациентов с более длительным и более коротким сроком выживания.

Простая шкала для распределения пациентов по группам риска

Наиболее информативной оказалась шкала состава тела, рассчитанная по трём измерениям, полученным из КТ: жировая ткань внутри мышц, объём глубокой висцеральной жировой ткани и соотношение глубокой к подкожной жировой ткани. Когда эта шкала была добавлена к 12 рутинно собираемым клиническим признакам, полученная модель значительно превзошла модели, основанные только на клинических данных или только на изображениях. У пациентов со значением шкалы состава тела выше оптимального порога медиана выживаемости составляла около пяти месяцев, по сравнению с почти тремя годами у тех, кто был ниже порога. Эта существенная разница сохранялась даже при анализе только пациентов с продвинутым раком лёгкого. На основе этой модели авторы сконструировали номограмму — визуальную таблицу, в которой клиницист может соотнести значения пациента по каждому фактору, суммировать баллы и получить оценку вероятности выживания через год.

Что это означает для пациентов и врачей

Для людей с продвинутым раком эта работа показывает, что информация, уже скрытая в обычных сканах и анализах крови, может быть объединена для получения более ясной картины вероятных исходов при иммунотерапии, без необходимости в специализированном генетическом тестировании. Предложенная таблица ещё не готова самостоятельно менять клиническую практику: исследование ретроспективное, выполнено в одном центре и включает сравнительно небольшую группу пациентов, поэтому его прогнозы нуждаются в подтверждении в больших независимых когортах. Тем не менее работа подчёркивает, что общий состав тела и состояние здоровья пациента — а не только опухоль — могут существенно влиять на результаты лечения, и указывает путь к более персонализированным решениям о том, кто может получить наибольшую выгоду от мощных, но дорогостоящих и иногда токсичных иммунотерапий.

Цитирование: 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

Ключевые слова: иммунотерапия, состав тела, выживаемость при раке, прогнозирование риска, машинное обучение