Módulo 1

Un modelo interesante ha sido publicado por el grupo de Viena basado tan solo en 2 variables clínicas fácilmente disponibles en la práctica clínica: dímero-D y tipo de tumor [31]. Los autores utilizaron los datos procedentes de 1.423 pacientes de la cohorte prospectiva Vienna Cancer and Thrombosis Study (CATS) para seleccionar las variables a incluir en el modelo. Posteriormente, el modelo seleccionado fue validado externamente en 832 pacientes procedentes de la cohorte prospectiva holandesa Multinational Cohort Study to Identify Cancer Patients at High Risk of Venous Thromboembolism (MICA). Se calcularon los c-índices en las 2 cohortes. Finalmente, tras el análisis de una gran cantidad de parámetros clínicos y de laboratorio, y el uso de un proceso de selección preespecificado, se seleccionaron 2 variables para su inclusión en el modelo de predicción clínica: tipo de tumor (muy alto, alto e intermedio-bajo riesgo) y concentraciones continuas de dímero-D que se pueden obtener fácilmente en la práctica clínica diaria. La clasificación de tipo de tumor se recoge en la (Tabla 13); no se incluyeron gliomas de alto grado ni mieloma múltiple. Las 2 poblaciones no fueron homogéneas en cuanto a los tipos de tumores incluidos; las mayores diferencias se obsevaron en los tumores esofágicos y en los linfomas. Las HR fueron de 1,96 (IC 95%: 1,41-2,72; p = 0,0001) para muy alto o alto riesgo versus intermedio o bajo riesgo y de 1,32 (IC 95%: 1,12-1,56; p = 0,001) para la duplicación de la concentración de dímero-D. Los c-índices alcanzados en las 2 cohortes fueron de 0,66 (IC 95%: 0,63-0,67) en Vienna CATS y de 0,68 (0,62-0,74) en la cohorte MICA. Basado en un riesgo a 6 meses de ETV del 15%, la sensibilidad del modelo fue del 15%, con una especificidad del 96%, y el número necesario de pacientes a tratar para prevenir un evento sería < 14 en esta población de mayor riesgo. Se obtuvo un nomograma (Figura 5) con el que se puede calcular la incidencia de ETV a 6 meses. El modelo de predicción clínica se calibró adecuadamente en ambas cohortes.

El nomograma se estableció y validó usando un método de medida particular del D-dímero (Diagnostica Stago). Estos resultados no se pueden generalizar a otros métodos de medida, ya que pueden generar diferentes resultados y deberían ser validados previamente.

Uno de los resultados que destacan de este estudio es la no inclusión de una variable clínica en el modelo de predicción, como es el estadio de la enfermedad, siendo esta una de las variables clásicamente reconocidas con más peso en la predicción del riesgo de ETV. También destaca que los c-índices observados en la cohorte de desarrollo (0,66) y validación (0,68) son inferiores al AUC observado en las cohortes iniciales del modelo de Khorana.

Este modelo es importante porque intenta simplificar la evaluación del riesgo de ETV en pacientes con cáncer. Elimina numerosas variables que se incluyeron en los modelos previos y tan solo incluye un biomarcador que puede obtenerse fácilmente en la práctica clínica habitual. Inicialmente, este modelo puede parecer sencillo al utilizar únicamente 2 variables. Sin embargo, el nomograma es posiblemente más complicado de utilizar y calcular el riesgo que la puntuación del score de Khorana. Con los modelos en los que se incluye el D-dímero siempre aparece la misma cuestión: ¿estamos realmente ante un modelo predictivo o un modelo de diagnóstico precoz de eventos subclínicos o paucisintomáticos? El D-dímero actualmente se considera una herramienta diagnóstica que se incluye en los algoritmos diagnósticos de ETV, a diferencia de lo que puede ser el GRS (score de riesgo genómico) que es una herramienta puramente predictiva sin ninguna capacidad diagnóstica. Es, por tanto, difícil trazar una línea entre herramienta puramente predictiva frente a diagnóstica. Los autores de este modelo proponen que los pacientes con una estimación del riesgo superior al 10-15% a 6 meses podrían ser candidatos a recibir tromboprofilaxis primaria ambulatoria, que va en la línea con la propuesta de la guía de la ESMO de establecer el riesgo de ETV para indicar tromboprofilaxis en el 8-10%.

En enero de 2023 se publica el primer modelo de predicción de primer evento tromboembólico venoso en paciente con cáncer basado en tecnología de inteligencia artificial (procesamiento del lenguaje natural) [32]. Este modelo se desarrolla en una cohorte de 9.769 pacientes del Harris Health System y se valida externamente en una cohorte independiente de 79.517 pacientes procedentes del Veterans Affairs. Este modelo se puede considerar disruptivo porque propone un cambio en la clasificación del riesgo de ETV que se había manejado hasta ahora, que estaba basada en lo propuesto por Khorana en 2008. En la nueva clasificación (Tabla 14) propuesta, a los tumores biliares (colangiocarcinoma y cáncer de vesícula biliar) se les otorga el máximo riesgo trombótico, como al cáncer de páncreas o cáncer gástrico. Al sarcoma se le considera ahora un tumor de alto riesgo y al cáncer colorrectal se le aumenta de riesgo pasando de una categoría de bajo riesgo a riesgo intermedio. Este modelo se basa en el modelo de Khorana y propone 11 variables clínicas fácilmente accesibles en la práctica asistencial habitual. En este modelo se incluyen las variables del modelo de Khorana, variables dependientes del tumor (estadio y tratamiento antitumoral) y variables dependientes del paciente (Tabla 14). Se debe señalar que no emplea ningún biomarcador. Este modelo se compara con el score de Khorana, obteniendo una capacidad de predicción superior: estadístico-C HHS 0,71 y VA 0,68 frente a Khorana HHS 0,65 y VA 0,60. Además, el nuevo modelo reclasificó adecuadamente al 28% de los pacientes y aumentó la proporción de ETV en el grupo de alto riesgo del 37 al 68% en la cohorte de validación. En palabras del Dr. J.W. Friedberg, editor en jefe del Journal of Clinical Oncology, este score está llamado a sustituir al modelo de Khorana si se realizan validaciones posteriores.