Đánh giá mô hình dựa trên CT trong dự đoán bệnh tồn dư và mức độ phẫu thuật ở phẫu thuật giảm u từng giai đoạn cho ung thư buồng trứng

Điểm nổi bật

– Cắt bỏ hoàn toàn đại thể (complete gross resection, CGR) là yếu tố then chốt quyết định sống còn ở ung thư buồng trứng tiến triển sau hóa trị tân bổ trợ.
– Mô hình dựa trên CT của Memorial Sloan Kettering Cancer Center (MSKCC) cho thấy độ chính xác còn hạn chế khi áp dụng cho phẫu thuật giảm u từng giai đoạn (interval debulking surgery, IDS).
– Việc tích hợp tuổi bệnh nhân, ngưỡng dấu ấn sinh học CA-125 và một số đặc điểm hình ảnh học được chọn lọc giúp cải thiện khả năng dự đoán bệnh tồn dư và mức độ phức tạp của phẫu thuật.
– Một số phát hiện trên CT có thể gợi ý nhu cầu áp dụng các kỹ thuật phẫu thuật nâng cao; tuy nhiên, việc không thấy các dấu hiệu này không loại trừ khả năng cần phẫu thuật phức tạp.

Bối cảnh nghiên cứu

Ung thư buồng trứng tiến triển (advanced ovarian cancer, AOC), chủ yếu được xếp vào giai đoạn IIIC-IV theo Liên đoàn Sản phụ khoa Quốc tế (International Federation of Gynecology and Obstetrics, FIGO), có tiên lượng xấu, phần lớn được quyết định bởi mức độ bệnh tồn dư (residual disease, RD) sau phẫu thuật giảm khối u. Đạt được cắt bỏ hoàn toàn đại thể (CGR) luôn tương quan với cải thiện sống còn. Điều trị thường bao gồm phẫu thuật giảm u ban đầu hoặc hóa trị tân bổ trợ (neoadjuvant chemotherapy, NACT) sau đó là phẫu thuật giảm u từng giai đoạn (IDS). Mặc dù mô hình dự đoán dựa trên chụp cắt lớp vi tính (computed tomography, CT) trước mổ đã cho thấy triển vọng trong dự đoán RD và độ phức tạp của phẫu thuật ở phẫu thuật ban đầu, giá trị của nó sau NACT vẫn chưa rõ ràng. Đáp ứng khối u sau NACT có thể làm thay đổi phân bố bệnh và đặc điểm hình ảnh, từ đó làm hạn chế độ chính xác của các mô hình hiện có. Cần có các công cụ tốt hơn để dự đoán RD và mức độ phức tạp của phẫu thuật sau NACT nhằm tối ưu hóa lập kế hoạch phẫu thuật và lựa chọn bệnh nhân cho IDS.

Thiết kế nghiên cứu

Đây là nghiên cứu đoàn hệ hồi cứu đa trung tâm, được thực hiện trong giai đoạn 2016–2021, bao gồm 246 bệnh nhân AOC giai đoạn IIIC-IV theo FIGO được điều trị NACT sau đó tiến hành IDS. Mục tiêu chính là đánh giá hiệu năng của mô hình dự đoán dựa trên CT của Memorial Sloan Kettering Cancer Center (MSKCC)—trước đó đã được xác thực trong bối cảnh phẫu thuật ban đầu—trong dự đoán bệnh tồn dư và mức độ phức tạp của phẫu thuật sau NACT. Các phim CT trước và sau NACT được sáu bác sĩ chẩn đoán hình ảnh rà soát độc lập đối với 18 vị trí bệnh ở ổ bụng và khung chậu đã được xác định trước. Phân tích hồi quy logistic được sử dụng để xác định các yếu tố lâm sàng và hình ảnh học dự báo RD cũng như nhu cầu thực hiện các thủ thuật phẫu thuật nâng cao như phẫu thuật cơ hoành hoặc phẫu thuật quanh gan. Mô hình MSK được hiệu chỉnh lại bằng cách tối ưu hóa ngưỡng tuổi và mức dấu ấn sinh học CA-125 nhằm xây dựng các mô hình dự đoán sửa đổi.

Kết quả chính

Trong quần thể nghiên cứu, cắt bỏ hoàn toàn đại thể (không còn RD nhìn thấy được) đạt được ở 61% bệnh nhân, trong khi 35% có RD ≤1 cm và 4% có RD >1 cm. Khi áp dụng mô hình MSK hiện có cho IDS sau NACT, khả năng phân biệt trong dự đoán RD còn hạn chế, với chỉ số c-statistic là 0,670, cho thấy hiệu năng ở mức trung bình. Các tác giả đã xây dựng một mô hình sửa đổi, trong đó tích hợp ngưỡng tối ưu của tuổi bệnh nhân và mức CA-125 cùng một số đặc điểm hình ảnh học được chọn lọc, giúp cải thiện c-statistic lên 0,711, phản ánh khả năng dự đoán được nâng cao.

Một mô hình hồi quy logistic riêng nhằm dự đoán nhu cầu thực hiện các thủ thuật phẫu thuật nâng cao cho thấy khả năng phân biệt trung bình, với c-statistic là 0,736. Đáng chú ý, các tổn thương liên quan đến bề mặt gan dưới bao và vùng quanh gan trên CT có tương quan với phẫu thuật cơ hoành. Tuy nhiên, việc không phát hiện các tổn thương này trên hình ảnh không đáng tin cậy để loại trừ nhu cầu bóc tách cơ hoành hoặc các thủ thuật phức tạp khác, cho thấy hạn chế về độ nhạy.

Dữ liệu cho thấy các thông số hình ảnh học đơn thuần là chưa đủ để lập kế hoạch phẫu thuật sau NACT. Việc tích hợp các dấu ấn lâm sàng như CA-125 và tuổi bệnh nhân giúp cải thiện dự đoán, phản ánh bản chất đa yếu tố của mức độ phức tạp phẫu thuật sau khi khối u bị biến đổi bởi hóa trị.

Bình luận chuyên gia

Nghiên cứu này giải quyết một khoảng trống quan trọng trong quản lý ung thư buồng trứng bằng cách thẩm định một công cụ dự đoán dựa trên CT được trích dẫn rộng rãi trong bối cảnh NACT-IDS. Các c-statistic ở mức trung bình phản ánh những thách thức vốn có của dự đoán dựa trên hình ảnh sau hóa trị, khi hóa trị làm thay đổi gánh nặng khối u và đặc tính mô, có thể che lấp bệnh tồn dư. Điều này nhấn mạnh sự cần thiết phải kết hợp hình ảnh học với các dấu ấn sinh học lâm sàng và đánh giá đa chuyên khoa để định hướng lập kế hoạch phẫu thuật một cách hiệu quả.

Hạn chế của nghiên cứu bao gồm thiết kế hồi cứu và khả năng biến thiên giữa các quan sát viên giữa các bác sĩ chẩn đoán hình ảnh, mặc dù đã có các đánh giá độc lập. Ngoài ra, quyết định phẫu thuật còn bao gồm các yếu tố ngoài hình ảnh và CA-125, chẳng hạn như tình trạng toàn thân của bệnh nhân và các phát hiện trong mổ, vốn khó mô hình hóa. Nghiên cứu này củng cố rằng mặc dù các mô hình như MSK có thể hỗ trợ phân tầng nguy cơ và lập kế hoạch phẫu thuật, một kết quả chụp âm tính không làm mất đi nhu cầu về các ê-kíp phẫu thuật giàu kinh nghiệm, sẵn sàng thực hiện giảm tế bào u toàn diện.

Các phát hiện này phù hợp với hướng dẫn hiện hành của NCCN, nhấn mạnh cách tiếp cận phẫu thuật cá thể hóa trong IDS và giá trị của việc tích hợp dấu ấn sinh học trong phân tầng bệnh nhân. Các nghiên cứu tiền cứu trong tương lai nên hướng tới tinh chỉnh mô hình dự đoán bằng cách tích hợp các kỹ thuật hình ảnh tiên tiến, dấu ấn sinh học phân tử và các biến số phẫu thuật thời gian thực, có thể tận dụng các phương pháp machine learning để nâng cao độ chính xác dự đoán.

Kết luận

Tóm lại, mô hình CT của MSKCC, ban đầu được phát triển cho phẫu thuật ung thư buồng trứng nguyên phát, chỉ cho thấy độ chính xác hạn chế trong dự đoán bệnh tồn dư sau hóa trị tân bổ trợ trong quá trình phẫu thuật giảm u từng giai đoạn. Việc hiệu chỉnh lại mô hình với các tham số lâm sàng như tuổi và CA-125 giúp cải thiện nhẹ khả năng phân biệt nhưng chưa khắc phục hoàn toàn các hạn chế dự đoán. Một số phát hiện đặc hiệu trên CT có giá trị trong việc dự báo các thao tác phẫu thuật phức tạp, tuy nhiên lập kế hoạch phẫu thuật phải tính đến việc không có bằng chứng hình ảnh của bệnh không đồng nghĩa với việc không cần can thiệp phẫu thuật rộng rãi. Đánh giá đa chuyên khoa, tích hợp dữ liệu lâm sàng, hình ảnh và dấu ấn sinh học, vẫn là yếu tố thiết yếu để tối ưu hóa kết quả phẫu thuật ở bệnh nhân ung thư buồng trứng tiến triển sau NACT. Nghiên cứu này nhấn mạnh nhu cầu về các công cụ dự đoán được tăng cường, phù hợp với bối cảnh phẫu thuật sau hóa trị, nhằm định hướng tốt hơn lựa chọn bệnh nhân và chiến lược phẫu thuật.

Kinh phí và thử nghiệm lâm sàng

Nghiên cứu không báo cáo nguồn kinh phí cụ thể hoặc số đăng ký thử nghiệm lâm sàng. Tính chất hồi cứu và sự tham gia đa trung tâm cho thấy nỗ lực hợp tác giữa các cơ sở chuyên về ung thư phụ khoa.

Tài liệu tham khảo

1. Ainio C, Caruso G, Alessi S, et al. Predicting residual disease and extent of surgery after neoadjuvant chemotherapy for ovarian cancer: Does the MSKCC model from the primary setting apply? Gynecologic Oncology. 2026 Aug 18;212:145-151. PMID: 42612479.
2. National Comprehensive Cancer Network. NCCN Clinical Practice Guidelines in Oncology: Ovarian Cancer Including Fallopian Tube Cancer and Primary Peritoneal Cancer. Version 1.2024.
3. Eisenhauer EA, et al. New response evaluation criteria in solid tumours: Revised RECIST guideline (version 1.1). Eur J Cancer. 2009 Jan;45(2):228-47.
4. Fagotti A, et al. Prospective validation study of a laparoscopic predictive model for optimal cytoreduction in advanced ovarian carcinoma. Am J Obstet Gynecol. 2008;199(6):617.e1-617.e6.
5. Rutten MJ, et al. Predictive diagnostic models of residual disease after primary debulking surgery in advanced-stage ovarian cancer. J Clin Oncol. 2019;37(25):2259-2269.