Correlación entre el uso intraoperatorio de ecografía cerebral neuronavegada y el ácido 5-aminolevulínico en la cirugía de gliomas de alto grado e histología de los márgenes de resección. Validez y fiabilidad de ambas técnicas

Abstract

Objectiu: Aconseguir una resecció màxima i segura dels gliomes d'alt grau (GAG), que millora les taxes de supervivència i la tolerància als tractaments adiuvants, utilitzant eines intraoperatòries. Entre elles destaquen la fluorescència de l'àcid 5-aminolevulínic (5-ALA) i l’ecografia intraoperatòria neuronavegada (ECOin). Aquest estudi busca demostrar que la combinació d’ambdues tècniques supera els resultats del seu ús per separat.

Materials i mètodes: Es van analitzar 72 pacients amb GAG intervinguts a l'Hospital de Sant Pau (2019-2024). Es van utilitzar 5-ALA i ECOin al final de la resecció per detectar restes tumorals i guiar la cirurgia, recollint una mitjana de 4,2 biòpsies cerebrals per pacient. Cada biòpsia es va classificar segons fluorescència (positiva, feble, negativa) i ecografia (positiva, dubtosa, negativa), i es va analitzar de manera cega per determinar la presència de tumor sòlid (>20 %), infiltració (<20 %) o absència de tumor (0 %). Es van calcular sensibilitat, especificitat i àrees sota la corba (AUC) per a totes dues tècniques i la seva combinació. Finalment, es va desenvolupar un algoritme predictiu basat en machine learning.

Resultats: La sensibilitat del 5-ALA i l’ECOin va ser del 84,9 % i 80,1 %, respectivament, mentre que l’especificitat va ser del 57,8 % i 71,9 %. El 5-ALA és més sensible i l’ECOin més específica, però la seva combinació millora els resultats globals: sensibilitat del 71,7 % i especificitat del 81,5 %. L’AUC combinada (0,85) va superar significativament les tècniques aïllades (0,79). També es va desenvolupar la calculadora HGGPredictor, amb un marge d’error del 25 % en la predicció de tumor en biòpsies.

Conclusions: La combinació de 5-ALA i ECOin ofereix una millor capacitat diagnòstica que cada tècnica individual, proposant-se com el nou estàndard per a la resecció de GAG. A més, l’ús d’algoritmes predictius podria optimitzar les decisions intraoperatòries. Els resultats són un projecte pilot per a futures validacions en altres cohorts.

Objetivo: Lograr una resección máxima y segura de gliomas de alto grado (GAG), que mejora las tasas de supervivencia y tolerancia a tratamientos adyuvantes, utilizando herramientas intraoperatorias. Entre ellas, destacan la fluorescencia del ácido 5-aminolevulínico (5-ALA) y la ecografía intraoperatoria neuronavegada (ECOin). Este estudio busca demostrar que la combinación de ambas técnicas supera los resultados de su uso por separado.

Materiales y métodos: Se analizaron 72 pacientes con GAG operados en el Hospital de Sant Pau (2019-2024). Se emplearon 5-ALA y ECOin al final de la resección para detectar restos tumorales y guiar la cirugía, recolectando una media de 4,2 biopsias cerebrales por paciente. Cada biopsia fue clasificada según fluorescencia (positiva, débil, negativa) y ecografía (positiva, dudosa, negativa), y analizada ciegamente para determinar la presencia de tumor sólido (>20 %), infiltración (<20 %) o ausencia de tumor (0 %). Se evaluaron sensibilidad, especificidad y áreas bajo la curva (AUC) para ambas técnicas y su combinación. Finalmente, se desarrolló un algoritmo predictivo basado en machine learning.

Resultados: La sensibilidad del 5-ALA y ECOin fue del 84,9 % y 80,1 %, respectivamente, mientras que la especificidad fue del 57,8 % y 71,9 %. El 5-ALA es más sensible y ECOin más específica, pero su combinación mejora los resultados globales: sensibilidad del 71,7 % y especificidad del 81,5 %. La AUC combinada (0,85) superó significativamente a las técnicas aisladas (0,79). También se desarrolló la calculadora HGGPredictor, con un margen de error del 25 % en la predicción de tumor en biopsias.

Conclusiones: La combinación de 5-ALA y ECOin ofrece una mejor capacidad diagnóstica que cada técnica individual, proponiéndose como nuevo estándar para la resección de GAG. Además, el uso de algoritmos predictivos podría optimizar decisiones intraoperatorias. Los resultados son un proyecto piloto para validaciones futuras en otras cohortes.

Objective: To achieve maximum and safe resection of high-grade gliomas (HGG), which improves survival rates and tolerance to adjuvant treatments, using intraoperative tools. Among these, 5-aminolevulinic acid fluorescence (5-ALA) and neuronavigated intraoperative ultrasound (ECOin) stand out. This study aims to demonstrate that combining both techniques surpasses the results of using them individually.

Materials and Methods: A total of 72 patients with HGG treated at Hospital de Sant Pau (2019–2024) were analyzed. 5-ALA and ECOin were used at the end of the resection to detect tumor remnants and guide surgery, collecting an average of 4.2 brain biopsies per patient. Each biopsy was classified according to fluorescence (positive, weak, negative) and ultrasound (positive, doubtful, negative) and analyzed blindly to determine the presence of solid tumor (>20%), infiltration (<20%), or absence of tumor (0%). Sensitivity, specificity, and area under the curve (AUC) were calculated for both techniques and their combination. Finally, a predictive algorithm based on machine learning was developed.

Results: The sensitivity of 5-ALA and ECOin was 84.9% and 80.1%, respectively, while specificity was 57.8% and 71.9%. 5-ALA is more sensitive, while ECOin is more specific. Combining both techniques improved overall results: sensitivity of 71.7% and specificity of 81.5%. The combined AUC (0.85) significantly outperformed individual techniques (0.79). Additionally, the HGGPredictor calculator was developed, with a 25% error margin in predicting tumor presence in biopsies.

Conclusions: The combined use of 5-ALA and ECOin provides better diagnostic capability than either technique alone, establishing itself as the new gold standard for HGG resection. Moreover, predictive algorithms could optimize intraoperative decision-making. These results serve as a pilot project for future validation in other cohorts.