¿Detectar antes la recurrencia tras cirugía de HCC? Lo que aporta el nuevo LI-RADS 2024

Artículo original: Chiu SH, Yoon L, Altmayer S, Delitto DJ, Kamaya A, Tse JR. LI-RADS CT/MRI
Nonradiation Treatment Response AssessmentVersion 2024 for Detecting Local Recurrence of
Surgically Resected Hepatocellular Carcinoma. AJR Am J Roentgenol, 2025.
DOI: https://doi.org/10.2214/AJR.25.33787
Sociedad: American Roentgen Ray Society (ARRS)
Palabras clave: LI-RADS, hepatocellular carcinoma, liver surgery, CT, MRI, recurrence.
Abreviaturas HCC ( hepatocarcinoma), LI-RADS ( Liver Imaging Reporting and Data System), TRA
(Treatment Response Assessment), TC ( tomografía computarizada), RM (resonancia magnética).
Línea editorial: La revista AJR (American Journal of Roentgenology), publicada mensualmente por la
American Roentgen Ray Society (ARRS), ofrece artículos revisados por pares que abordan los avances
más relevantes en radiología diagnóstica y terapéutica, incluyendo estudios originales, revisiones y
comentarios de expertos.
En el número correspondiente a noviembre de 2025 se incluyen trabajos sobre imagen abdominal,
oncología hepática, y actualizaciones en sistemas de reporte estandarizados como LI-RADS. Entre los
artículos destacados se encuentra el trabajo revisado, que analiza la versión 2024 del algoritmo LI-
RADS para evaluar la respuesta al tratamiento no radiativo, aplicado a la detección de recurrencia
local tras cirugía de hepatocarcinoma, un tema de gran interés clínico por su impacto en el
seguimiento y la toma de decisiones terapéuticas.
Otros artículos recomendados:

• LI-RADS CT/MRI Radiation Treatment Response Assessment Version 2024: Category
  Redistribution and Short-Term Outcomes in Patients Undergoing Y-90 Radioembolization for
  HCC Este artículo complementa la revisión porque aborda la otra rama del algoritmo LI-RADS (respuesta a tratamientos radiactivos), lo que permite entender las diferencias entre ambos enfoques y su impacto en la práctica clínica.
• LI-RADS Nonradiation Treatment Response Algorithm Version 2024: Diagnostic Performance
  and Impact of Ancillary Features.Este trabajo analiza el papel de las características adicionales (ancillary features) en la interpretación del algoritmo, lo que ayuda a comprender mejor cómo optimizar la aplicación del LI-RADS 2024 en escenarios complejos.

Motivos para la selección: Es un tema muy actual porque la recurrencia tras cirugía de HCC es
frecuente y el nuevo algoritmo LI-RADS 2024 podría ayudar a detectarla antes, lo que puede cambiar
la práctica clínica y mejorar el pronóstico.
Resumen:
El estudio incluyó 200 pacientes operados de HCC con seguimiento por TC o RM. Compararon el
algoritmo LI-RADS TRA versión 2024 con el anterior (2018).

Resultados:
● El nuevo algoritmo detectó recurrencia en el 28% de los pacientes, antes (mediana 5 meses)
y en lesiones más pequeñas (1,5 cm) que el anterior (12 meses y 2,1 cm).
● Buena concordancia entre radiólogos (kappa 0,71).
LI-RADS 2024 permite un diagnóstico más precoz y podría facilitar tratamientos de rescate.
Conclusiones
El artículo muestra que el nuevo LI-RADS es útil para seguimiento tras cirugía de HCC. Detecta
recurrencias antes y en lesiones más pequeñas, lo que puede ser clave para intervenir a tiempo.
Valoración personal:
Me parece un trabajo interesante y práctico. Aunque es retrospectivo y de un solo centro, aporta
datos que justifican usar el nuevo algoritmo en la práctica diaria. Sería bueno confirmar estos
hallazgos en estudios prospectivos.
Fortalezas:
● Tema relevante en oncología hepática.
● Tamaño de muestra adecuado (200 pacientes) y seguimiento prolongado.
● Comparación directa entre dos versiones del algoritmo LI-RADS.

● Resultados claros y con impacto clínico (detección más temprana y en lesiones más
pequeñas).

Limitaciones:
● Diseño retrospectivo, lo que puede introducir sesgos.
● Estudio de un solo centro, limita la generalización.
● No todos los casos tuvieron confirmación histológica.
● Protocolos de imagen (TC vs RM) no analizados en detalle.
Recomendaciones:
● Estudios prospectivos y multicéntricos para validar los hallazgos.
● Evaluar la reproducibilidad del algoritmo en distintos entornos.
● Incluir análisis coste-beneficio para justificar su implementación.

Bruno Winzer Meliá.

Hospital Universitario Río Hortega de Valladolid.

bwinzer@saludcastillayleon.es