Herramienta de IA utiliza análisis de sangre rutinario para predecir respuesta a inmunoterapia en cáncer

Los inhibidores de los puntos de control inmunitario, una forma de inmunoterapia, son una herramienta potente en la lucha contra el cáncer. Estos inhibidores se dirigen al sistema inmunitario, no directamente al cáncer. Funcionan liberando los frenos de las células inmunitarias, mejorando su capacidad para atacar el cáncer. Sin embargo, estos medicamentos son costosos y pueden causar efectos secundarios graves, además de ser ineficaces para la mayoría de los pacientes. Por lo tanto, es crucial seleccionar a los pacientes adecuados: hacer coincidir los medicamentos con aquellos que tienen más probabilidades de beneficiarse. Si bien existen métodos para predecir si los tumores responderán a estos medicamentos, generalmente requieren pruebas genómicas avanzadas, que no son ampliamente accesibles a nivel mundial. Ahora, pronto podría estar disponible una nueva herramienta para los médicos de todo el mundo que podría predecir con mayor precisión si los pacientes de cáncer individuales se beneficiarán de los inhibidores de los puntos de control inmunitario, utilizando solo análisis de sangre de rutina y datos clínicos.

Investigadores del Centro de Cáncer Memorial Sloan Kettering (MSK, Nueva York, NY, EUA) y del Instituto de Cáncer Tisch en Mount Sinai (Mount Sinai, Nueva York, NY, EUA) han desarrollado un modelo basado en IA llamado SCORPIO. El modelo no solo es más asequible y accesible, sino también significativamente más eficaz para predecir los resultados de los pacientes que los dos biomarcadores actualmente aprobados por la Administración de Alimentos y Medicamentos de los EUA (FDA), según un estudio publicado en Nature Medicine. Los dos biomarcadores aprobados por la FDA para predecir la respuesta a los inhibidores de puntos de control son la carga mutacional tumoral (que mide las mutaciones en un tumor) y la inmunohistoquímica PD-L1 (que evalúa la expresión de la proteína PD-L1 en muestras tumorales). Ambos métodos requieren muestras tumorales. Las pruebas genómicas para detectar mutaciones son costosas y no están disponibles en todas partes, y existe una variabilidad considerable en la evaluación de la expresión de PD-L1.

Imagen: el análisis de sangre puede predecir quién se beneficiará de los inhibidores del punto de control inmunitario, un tipo de inmunoterapia (foto cortesía de Mount Sinai)

SCORPIO, por el contrario, utiliza datos clínicos de fácil acceso, incluidos análisis de sangre rutinarios, como el hemograma completo y el perfil metabólico completo, que se realizan en clínicas de todo el mundo. Los investigadores descubrieron que SCORPIO supera a las pruebas clínicas actuales. Este enfoque simple y asequible podría mejorar el acceso a la atención, reducir los costos y garantizar que los pacientes reciban los tratamientos adecuados. Inicialmente desarrollado por el equipo de MSK con datos de pacientes del MSK, SCORPIO se mejoró aún más en colaboración con investigadores de Mount Sinai utilizando aprendizaje automático en conjunto, una técnica de IA que combina múltiples herramientas para detectar patrones en datos clínicos de análisis de sangre y resultados de tratamiento. El modelo se entrenó utilizando datos retrospectivos de más de 2.000 pacientes del MSK tratados con inhibidores de puntos de control, que abarcan 17 tipos de cáncer. Luego, el modelo se probó con datos de otros 2.100 pacientes del MSK para confirmar su alta precisión en la predicción de resultados.

A continuación, el equipo aplicó el modelo a casi 4.500 pacientes tratados con inhibidores de puntos de control en 10 ensayos clínicos de fase 3 diferentes en todo el mundo. Se realizó una validación adicional con datos de casi 1.200 pacientes tratados en Mount Sinai. En total, el estudio abarca a casi 10.000 pacientes de 21 tipos de cáncer diferentes, lo que lo convierte en el conjunto de datos de inmunoterapia contra el cáncer más grande hasta la fecha. Estas pruebas y validaciones exhaustivas se llevaron a cabo no solo para desarrollar un modelo predictivo, sino para crear uno que sea ampliamente aplicable a pacientes y médicos en varios lugares. El equipo planea colaborar con hospitales y centros oncológicos de todo el mundo para probar el modelo utilizando más datos de diversos entornos clínicos y, al mismo tiempo, optimizarlo en función de los comentarios. También están trabajando en el desarrollo de una interfaz fácil de usar para los médicos, haciéndola accesible dondequiera que se encuentren.