Predizione dell’invasione perineurale mediante integrazione dei dati bioendoscopici, clinici e istopatologici nei carcinomi squamosi del cavo orale: uno studio retrospettivo multicentrico.

Abstract

Nel 90% dei casi i tumori del cavo orale sono riconducibili istologicamente a carcinomi squamosi (OSCC). Tra i fattori prognostici negativi, correlati a ridotta sopravvivenza, maggiore incidenza di recidive locali e locoregionali, troviamo la PNI, ottenibile a seguito di valutazione istologica del campione chirurgico. Lo studio si propone di integrare i dati clinici, laboratoristici ed endoscopici (luce bianca e NBI) per poter sviluppare uno strumento predittivo preoperatorio del PNI e orientare la decisione terapeutica nella maniera più adeguata. È stata condotta un’analisi retrospettiva multicentrica su 154 pazienti affetti da OSCC trattati chirurgicamente. Sono state raccolte informazioni cliniche (dolore, sanguinamento, etc), endoscopiche (pattern di crescita, brownish spots, depapillazione), laboratoristiche (NLR) e istopatologiche. È stata costruita una regressione logistica multivariata per identificare i valori predittivi indipendenti e sono stati sviluppati un nomogramma e un albero decisionale clinico. La PNI è stata riscontrata nel 55,2% dei campioni istologici. I fattori associati in maniera significativa sono risultati essere: stadio T avanzato (OR=8.05, p<0.001), presenza di brownish spots in NBI (OR=13.71, p<0.001), la depapillazione (OR=3.33, p=0.020), il dolore (OR=3.76, p=0.019) e grading G3 (OR=9.08, p=0.004). Il modello ha mostrato buone performance discriminative: l’area sotto la curva ROC (AUC) è risultata pari a 0.894, sensibilità 77.9%, specificità 82.4%, VPP 77.9% e VPN 82.4%. La curva di calibrazione ha confermato una buona coerenza tra probabilità predetta e osservata. Il modello predittivo proposto si è dimostrato efficace nell’identificare i pazienti con elevato rischio di presenza di PNI. Questo approccio potrebbe essere un ottimo strumento al fine di personalizzare il trattamento del paziente, suggerendo nei casi ad alto rischio in stadio clinico precoce, l’adozione di trattamenti maggiormente aggressivi.

Oral cavity tumours are histologically classified as squamous cell carcinomas (OSCC) in 90% of cases. Among the negative prognostic factors—associated with reduced survival and higher incidence of local and locoregional recurrences—perineural invasion (PNI) is one of the most significant, as it can be detected through histological evaluation of the surgical specimen. The aim of this study is to integrate clinical, laboratory, and endoscopic data (white light and NBI) to develop a preoperative predictive tool for PNI and guide therapeutic decision-making in the most appropriate way. We performed a multicentric retrospective analysis on 154 patients with OSCC who underwent surgery. Clinical (pain, bleeding, etc.), endoscopic (growth pattern, brownish spots, depapillation), laboratory (NLR), and histopathological data were collected. A multivariate logistic regression model was built to identify independent predictive values, and both a nomogram and a clinical decision tree were developed. PNI was found in 55.2% of histological samples. The factors significantly associated with PNI were advanced T stage (OR=8.05, p<0.001), presence of brownish spots on NBI (OR=13.71, p<0.001), depapillation (OR=3.33, p=0.020), pain (OR=3.76, p=0.019), and G3 grading (OR=9.08, p=0.004). The model demonstrated good discriminative performance with the area under the ROC curve (AUC) of 0.894, a sensitivity of 77.9%, a specificity of 82.4%, a PPV of 77.9%, and a NPV of 82.4%. The calibration curve confirmed good agreement between predicted and observed probabilities. The proposed predictive model proved effective in identifying patients at high risk of PNI. This approach could serve as a valuable tool for tailoring patient management, suggesting that in high-risk cases—even at an early clinical stage—more aggressive treatment strategies may be justified.