Este sitio web está dirigido a profesionales sanitarios de España

modelo-dinamico-trombosis-cancer-hero

La enfermedad tromboembólica venosa (ETV) es una complicación frecuente, grave y potencialmente prevenible para los pacientes con cáncer que reciben terapia sistémica1,2.

Como hemos explicado en otras entradas de este blog, la ETV se asocia con un aumento de la mortalidad y la morbilidad, incluyendo la hospitalización prolongada y el aumento del costo de la atención sanitaria.

A pesar de este alto impacto en los pacientes oncológicos, no se recomienda la tromboprofilaxis universal2,3, principalmente debido al alto número de pacientes que se necesita tratar y al riesgo de sangrado asociado al tratamiento con anticoagulantes, que puede suponer una mortalidad del 1,5% de estos pacientes4. Por lo tanto, la identificación de pacientes con cáncer con alto riesgo de ETV es un importante reto de investigación biomédica en oncología para reducir su mortalidad y mejorar su calidad de vida.

Actualmente existen varios modelos de predicción del riesgo de ETV en pacientes con cáncer, como las puntuaciones o scores de Khorana5, Vienna CATS6, PROTECHT7, ONKOTEV8 o COMPASS-CAT9, pero su capacidad predictiva es modesta o incluso difícil de validar en otros estudios.

Recientemente, nuestro grupo ha desarrollado y validado el primer modelo predictivo, incorporando datos genómicos y clínicos del paciente, que abre las puertas a la medicina personalizada en el campo de la trombosis y el cáncer10. Este score muestra una alta y significativa capacidad predictiva, identificando el 34% de los pacientes que sufrirán una ETV y el 94% de los que no la sufrirán, reduciendo así las complicaciones por sangrado.

Sin embargo, todos estos modelos predictivos parten de una concepción estática del riesgo de ETV, donde las variables clínicas y los parámetros de laboratorio se evalúan solo una vez poco después del diagnóstico o antes de iniciar la quimioterapia.

Este concepto estático del riesgo de trombosis choca con los conocimientos científicos de los que disponemos, lo cuales demuestran que la fisiopatología de la trombosis en general, y en el contexto oncológico en particular, es una condición dependiente del tiempo, con un componente multifactorial, y dinámica, donde diferentes situaciones y parámetros biológicos pueden ocurrir o alterarse rápidamente durante la evolución de la enfermedad tumoral11.

Pero, ¿cómo podemos aprovechar todas estas variables para predecir mejor el riesgo de ETV en el cáncer?

En primer lugar, identificando todos aquellos factores de riesgo de ETV que pueden variar sustancialmente durante la progresión de la enfermedad tumoral. Por ejemplo, el hemograma y el índice de masa corporal (utilizados en algunos de los scores anteriormente mencionados) pueden cambiar durante el seguimiento del paciente debido al tratamiento del cáncer, las comorbilidades o la caquexia, entre otros12.

Otros factores que no capturan los modelos estáticos son diferentes circunstancias y eventos clínicos que pueden aumentar el riesgo de ETV en los pacientes a corto plazo, como cambios en el régimen de quimioterapia después de la progresión de la enfermedad, hospitalización debido a una enfermedad infecciosa o procedimientos diagnósticos o terapéuticos.

Una primera aproximación para incorporar este concepto dinámico del riesgo de ETV es el estudio de Posch et al.13, donde muestran el beneficio potencial de una evaluación dinámica de los niveles de dímero D para predecir el riesgo de ETV asociado con el cáncer.

En este estudio, a partir de la medición de los niveles de dímero D al inicio y un máximo de seis veces durante el seguimiento, observaron que los niveles de dímero D aumentaron significativamente un 34% por mes en pacientes que desarrollaron ETV durante el seguimiento, mientras que los niveles permanecieron relativamente estables en los demás pacientes (disminuyendo un −2,6% por mes).

Aunque este estudio aún no ha sido validado, supone una prueba de concepto de que las mediciones longitudinales de biomarcadores dinámicos pueden aportar información en la evaluación personalizada del riesgo de ETV en el entorno oncológico.

En segundo lugar, teniendo en cuenta los factores que no cambian durante la progresión de la enfermedad tumoral, por ejemplo, los factores genéticos de riesgo de ETV del propio paciente, como demuestra el score ONCOTHROMB10.

Lo que parece incuestionable es que esta nueva visión de biomarcadores dinámicos (que cambian a lo largo de la evolución de la enfermedad tumoral), junto con biomarcadores estáticos (que no cambian), permitirá la estimación de riesgos más precisos y personalizados que podrán facilitar la toma de decisiones de los médicos, en el momento adecuado, para individualizar aún más los enfoques preventivos.

Autor

Dr. José Manuel Soria
Unidad de Genòmica de Enfermedades Complejas. Institut de Recerca del Hospital de la Santa Creu i Sant Pau, IIB Sant Pau. Barcelona

   

Actualidad científica en Trombosis

Consulta lo último en Trombosis con nuestra selección de artículos, recursos, y otros materiales de interés.

Referencias
  1. Timp JF, Braekkan SK, Versteeg HH, Cannegieter SC. Epidemiology of cancer-associated venous thrombosis. Blood. 2013;122(10):1712-23.
  2. Key NS, Khorana AA, Kuderer NM, Bohlke K, Lee AYY, Arcelus JI, et al. Venous thromboembolism prophylaxis and treatment in patients with cancer: ASCO clinical practice guideline update. J Clin Oncol. 2020;38(5):496-520.
  3. Farge D, Frere C, Connors JM, Ay C, Khorana AA, Munoz A, et al. 2019 international clinical practice guidelines for the treatment and prophylaxis of venous thromboembolism in patients with cancer. Lancet Oncol. 2019;20(10):e566-81.
  4. Trujillo-Santos J, Martos FM, Font C, Farge-Bancel D, Rosa V, Lorenzo A, et al. Analysis of clinical factors affecting the rates of fatal pulmonary embolism and bleeding in cancer patients with venous thromboembolism. Heliyon. 2017;3(1):e00229.
  5. Khorana AA, Kuderer NM, Culakova E, Lyman GH, Francis CW. Development and validation of a predictive model for chemotherapy-associated thrombosis. Blood. 2008;111(10):4902-7.
  6. Ay C, Dunkler D, Marosi C, Chiriac AL, Vormittag R, Simanek R, et al. Prediction of venous thromboembolism in cancer patients. Blood. 2010;116(24):5377-82.
  7. Verso M, Agnelli G, Barni S, Gasparini G, LaBianca R. A modified Khorana risk assessment score for venous thromboembolism in cancer patients receiving chemotherapy: the Protecht score. Intern Emerg Med. 2012;7(3):291-2.
  8. Cella CA, Di Minno G, Carlomagno C, Arcopinto M, Cerbone AM, Matano E, et al. Preventing Venous Thromboembolism in Ambulatory Cancer Patients: The ONKOTEV Study. Oncologist. 2017;22(5):601-8.
  9. Gerotziafas GT, Taher A, Abdel-Razeq H, AboElnazar E, Spyropoulos AC, El Shemmari S, et al. A Predictive Score for Thrombosis Associated with Breast, Colorectal, Lung, or Ovarian Cancer: The Prospective COMPASS-Cancer-Associated Thrombosis Study. Oncologist. 2017;22(10):1222-31.
  10. Muñoz A, Ay C, Grilz E, López S, Font C, Pachón V, et al. A Clinical-Genetic Risk Score for Predicting Cancer-Associated Venous Thromboembolism: A Development and Validation Study Involving Two Independent Prospective Cohorts. J Clin Oncol. 2023:JCO2200255.
  11. Khorana A. Modeling Complexity: The Case of Cancer-Related Venous Thromboembolism. Thromb Haemost. 2019;119(11):1713-5.
  12. Van Es N. Dynamic prediction modeling for cancer-associated venous thromboembolism. J Thromb Haemost. 2020;18(6):1276-7.
  13. Posch F, Riedl J, Reitter EM, Crowther MJ, Grilz E, Quehenberger P, et al. Dynamic assessment of venous thromboembolism risk inpatients with cancer by longitudinal D-Dimer analysis: A prospective study. J Thromb Haemost. 2020;18(6):1348-56.

MAT-ES-2300295 v1 – Febrero 2023