Nueva herramienta rastrea cambios en biomarcadores para predecir la progresión del mieloma
Actualizado el 30 Mar 2026
El mieloma múltiple latente (MML) precede al mieloma múltiple y plantea un desafío de seguimiento porque el riesgo de progresión varía ampliamente entre los pacientes. Las evaluaciones de laboratorio estáticas y puntuales pueden pasar por alto cambios clínicamente relevantes que señalan la progresión de la enfermedad.
Recientemente se ha aprobado en Estados Unidos un tratamiento para el MML de alto riesgo, lo que refuerza la necesidad de una estratificación de riesgo precisa y oportuna. Ahora, investigadores han presentado una herramienta dinámica de acceso abierto que mejora la predicción de la progresión del MML a enfermedad activa.
Investigadores del Instituto Oncológico Dana-Farber (Boston, MA, EE. UU.) desarrollaron PANGEA-SMM, un modelo en línea que integra resultados de laboratorio seriados para refinar la evaluación de riesgos en el mieloma múltiple asintomático (MMA).
A diferencia de los enfoques puntuales, PANGEA-SMM actualiza las predicciones a medida que se incorporan nuevos datos y realiza un seguimiento de la dirección y la velocidad del cambio de biomarcadores a lo largo del tiempo. El objetivo es identificar a los pacientes que probablemente se beneficien de un tratamiento temprano, evitando intervenciones innecesarias en aquellos con enfermedad estable..
El modelo utiliza cuatro biomarcadores recopilados de forma rutinaria en el seguimiento del MML: proteína M, cadenas ligeras, función renal y recuentos sanguíneos. Cambios temporales específicos en estos parámetros actúan como señales de alerta de progresión inminente; por ejemplo, un aumento de la proteína M de 0,2 g/dL o más en un periodo de 18 meses. Dado que estos datos forman parte de la vigilancia estándar, la herramienta está bien posicionada para su uso amplio en distintos entornos asistenciales.
En un estudio publicado en Nature Medicine, el equipo reunió una cohorte de 2.344 pacientes con MMA de siete centros internacionales para desarrollar y validar PANGEA-SMM. Mediante el uso de cuatro biomarcadores dinámicos, el modelo identificó con mayor precisión los estados de alto y bajo riesgo que las herramientas existentes, como los modelos 20/2/20 e IMWG, que se basan en mediciones estáticas. Cabe destacar que las predicciones mantuvieron una alta precisión incluso sin un historial longitudinal completo ni acceso a datos recientes de biopsia de médula ósea.
Se dispone de una calculadora en línea para el seguimiento rutinario, que permite generar estimaciones de riesgo y comparar su rendimiento con el de modelos establecidos para identificar áreas de mejora. Los investigadores señalan que en el futuro se seguirá perfeccionando la precisión predictiva y determinando la frecuencia de monitorización óptima.
"Al observar la velocidad y la dirección de la trayectoria de la enfermedad, la herramienta puede identificar con mayor precisión a los pacientes de alto riesgo que necesitan tratamiento temprano, evitando así intervenciones innecesarias en aquellos con enfermedad estable", afirmó la Dra. Irene Ghobrial, Directora del Centro para la Detección Temprana e Intercepción de Cánceres de Sangre del Instituto Oncológico Dana-Farber.
"Un modelo de estratificación de riesgo unificado, sencillo y preciso que incorpore biomarcadores dinámicos es esencial para facilitar la implementación de estrategias terapéuticas y mejorar los resultados de los pacientes con mieloma múltiple latente", añadió la Dra. Irene Ghobrial.
"Es sorprendente que PANGEA-SMM funcione con una precisión similar independientemente de si se dispone o no de datos recientes de biopsia de médula ósea. Esto permite una evaluación continua del riesgo durante el seguimiento rutinario sin necesidad de realizar muestreos invasivos frecuentes, que normalmente requieren conocimientos especializados y pueden resultar engorrosos para los pacientes", afirmó Floris Chabrun, PhD, PharmD, coautor principal del Instituto Oncológico Dana-Farber.
Enlaces relacionados
Instituto Oncológico Dana-Farber
