Evaluación del Riesgo de Malignidad en Nódulos Pulmonares Solitarios mediante Tomografía Computarizada: Estudio de un Modelo Predictivo Multivariable
Introducción
El cáncer de pulmón sigue siendo la principal causa de muertes relacionadas con cáncer a nivel mundial, representando el 18,4% de las muertes totales por cáncer en 2018. El uso de tomografía computarizada de baja dosis (TCBD) para el cribado del cáncer de pulmón ha mostrado potencial para reducir las tasas de mortalidad en un 20%. Sin embargo, este método también presenta desafíos, como falsos positivos, falsos negativos, sobrediagnóstico y exposición a radiación. Cabe destacar que el 95% de los resultados positivos en TCBD no confirman un diagnóstico de cáncer, lo que puede generar estrés físico y psicológico innecesario en los pacientes.
Para mejorar la efectividad del cribado con TCBD, se han desarrollado modelos predictivos que estiman la probabilidad de malignidad de nódulos pulmonares detectados. Estos modelos buscan guiar decisiones sobre seguimiento por TC, biopsia o cirugía, optimizando la precisión diagnóstica y reduciendo intervenciones innecesarias.
Antecedentes y Objetivos del Estudio
La complejidad de las imágenes de tomografía computarizada (TC), especialmente en nódulos pulmonares solitarios (NPS), dificulta su diagnóstico. La diferenciación precisa entre nódulos benignos y malignos es crucial para un tratamiento efectivo. Aunque existen varios modelos predictivos, su aplicabilidad en distintas poblaciones requiere validación.
El modelo de Mayo, desarrollado por Swensen et al., fue el primer modelo de predicción de riesgo de cáncer de pulmón y ha sido ampliamente recomendado. Sin embargo, su desempeño en poblaciones chinas sigue siendo incierto. Este estudio buscó validar externamente y recalibrar el modelo de Mayo en una cohorte china, además de desarrollar un nuevo modelo predictivo para esta población.
Métodos
Población y Recolección de Datos
Este estudio retrospectivo incluyó a 1.450 pacientes de tres hospitales terciarios en China, sometidos a resección quirúrgica por NPS entre 2014 y 2020. Los pacientes se dividieron en conjuntos de entrenamiento (n=849), validación interna (n=365) y validación externa (n=236). Se recopilaron datos clínicos y de imágenes, como demografía, tabaquismo, características de los nódulos y diagnósticos patológicos.
Validación Externa y Recalibración del Modelo de Mayo
El modelo original de Mayo se aplicó al conjunto de entrenamiento, evaluando su rendimiento mediante el área bajo la curva ROC (AUC). Luego, se recalibró reestimando los coeficientes de las variables con los datos de entrenamiento.
Desarrollo del Nuevo Modelo Predictivo
Se desarrolló un modelo de regresión logística mediante selección inversa paso a paso, utilizando el criterio de información de Akaike. Este incorporó características clínicas y radiológicas, como tipo de nódulo, antecedentes de EPOC, márgenes del nódulo y signos imagenológicos específicos.
Evaluación del Rendimiento de los Modelos
El desempeño de los modelos se evaluó mediante AUC, precisión, sensibilidad, especificidad, valor predictivo positivo (VPP) y negativo (VPN). Las comparaciones se realizaron con la prueba de DeLong.
Resultados
Validación Externa del Modelo de Mayo
El modelo original mostró un rendimiento deficiente en el conjunto de entrenamiento (AUC: 0,653; IC95%: 0,613–0,694). Tras la recalibración, el AUC mejoró levemente a 0,671 (IC95%: 0,635–0,706). Ambos modelos tuvieron un bajo rendimiento en validación interna y externa, indicando limitada aplicabilidad en la población china.
Desempeño del Nuevo Modelo
El nuevo modelo logró un AUC de 0,891 (IC95%: 0,865–0,917) en entrenamiento, manteniendo alto rendimiento en validación interna (AUC: 0,888; IC95%: 0,842–0,934) y externa (AUC: 0,876; IC95%: 0,831–0,920). Incluyó nueve factores de riesgo independientes: tipo de nódulo, edad, EPOC, espiculación, lobulación, signo de vacuola, calcificación, presencia de vasos y nódulos satélites. Los nódulos sólidos y la calcificación se identificaron como factores protectores.
Discusión
Los hallazgos subrayan las limitaciones del modelo de Mayo en poblaciones chinas y la necesidad de modelos específicos. El nuevo modelo demostró superioridad, especialmente en diferenciar nódulos benignos y malignos.
Hallazgos Clave:
- El modelo de Mayo mostró baja precisión en la cohorte china, incluso tras recalibración.
- El nuevo modelo incorporó factores novedosos, como EPOC y características imagenológicas, mejorando su rendimiento.
- La alta sensibilidad (79,65%-92,10%) y especificidad (72,97%-83,74%) sugieren utilidad clínica para reducir diagnósticos omitidos.
- La EPOC como factor de riesgo coincide con estudios previos sobre mayor riesgo de cáncer en estos pacientes.
- Los nódulos sólidos y la calcificación como factores protectores podrían reflejar la alta prevalencia de granulomas tuberculosos en la población estudiada.
Limitaciones y Futuras Direcciones
Limitaciones:
- La cohorte de validación externa fue pequeña y limitada a dos centros.
- La población estudiada incluyó principalmente nódulos de alto riesgo, posiblemente sobreestimando el riesgo de malignidad.
- El desbalance entre casos malignos y benignos podría afectar la precisión en nódulos benignos.
Futuras investigaciones deberían:
- Ampliar la validación externa a poblaciones más diversas.
- Evaluar el modelo en contextos clínicos variados, incluido atención primaria.
- Explorar biomarcadores adicionales o características imagenológicas avanzadas.
Conclusión
Este estudio evidenció las limitaciones del modelo de Mayo en poblaciones chinas y desarrolló un nuevo modelo adaptado a esta población. El nuevo modelo mostró superioridad en diferenciar nódulos benignos y malignos, destacando la importancia de modelos específicos para optimizar decisiones clínicas y resultados en pacientes.