[ad_1]
En un pequeño porcentaje de pacientes con cáncer, los médicos no pueden determinar de dónde vino el cáncer. Esto hace que elegir un tratamiento para estos pacientes sea mucho más difícil, ya que muchos medicamentos contra el cáncer generalmente se desarrollan para tipos específicos de cáncer.
Un nuevo enfoque desarrollado por investigadores del MIT y el Instituto del Cáncer Dana-Farber podría facilitar la identificación de los lugares de origen de estos misteriosos cánceres. Utilizando el aprendizaje automático, los investigadores crearon un modelo computacional que puede analizar la secuencia de alrededor de 400 genes y utilizar esta información para predecir en qué parte del cuerpo se originó un tumor en particular.
Con la ayuda de este modelo, los investigadores demostraron que podían clasificar con un alto nivel de certeza al menos el 40 por ciento de los tumores de origen desconocido en un conjunto de datos de alrededor de 900 pacientes. Este enfoque permitió aumentar 2,2 veces el número de pacientes que habrían sido elegibles para un tratamiento dirigido y guiado genómicamente según el origen de su cáncer.
«Este fue el hallazgo clave de nuestro trabajo de que este modelo podría usarse potencialmente para respaldar las decisiones de tratamiento y podría guiar a los médicos hacia tratamientos personalizados para pacientes con cánceres de origen primario desconocido», dice Intae Moon, estudiante de posgrado en ingeniería eléctrica y Elektrotechnik del MIT. Informatik, autor principal del nuevo estudio.
Alexander Gusev, profesor asociado de medicina en la Facultad de Medicina de Harvard y el Instituto del Cáncer Dana-Farber, es el autor principal del artículo, que aparece en la edición de hoy. medicina natural.
Orígenes misteriosos
En entre el 3 y el 5 por ciento de los pacientes con cáncer, particularmente en los casos en los que los tumores han hecho metástasis en todo el cuerpo, los oncólogos no tienen una manera fácil de determinar el sitio de origen del cáncer. Estos tumores se clasifican como cánceres de primario desconocido (CUP).
Esta falta de conocimiento a menudo impide que los médicos administren «medicamentos de precisión» a sus pacientes, que generalmente están aprobados para cánceres específicos en los que se sabe que funcionan. Estos tratamientos dirigidos tienden a ser más efectivos y tener menos efectos secundarios que los tratamientos utilizados para una amplia gama de cánceres que comúnmente se recetan a los pacientes con CUP.
«Cada año se diagnostica a un número significativo de personas con estos cánceres de origen primario desconocido, y debido a que la mayoría de las terapias están aprobadas para un sitio específico y es necesario conocer el sitio principal para usarlas, tienen opciones de tratamiento muy limitadas», dice Gusev.
Moon, una filial del Laboratorio de Ciencias de la Computación e Inteligencia Artificial que Gusev codirige, decidió analizar los datos genéticos recopilados habitualmente en Dana-Farber’s para ver si podían usarse para predecir el tipo de cáncer. Los datos consisten en secuencias genéticas de unos 400 genes que comúnmente están mutados en el cáncer. Los investigadores entrenaron un modelo de aprendizaje automático utilizando datos de casi 30.000 pacientes diagnosticados con uno de los 22 tipos conocidos de cáncer. Este conjunto de datos incluyó pacientes del Memorial Sloan Kettering Cancer Center y del Vanderbilt-Ingram Cancer Center, así como de Dana-Farber.
Luego, los investigadores probaron el modelo resultante en alrededor de 7.000 tumores que no habían visto previamente pero cuyos orígenes se conocían. El modelo, que los investigadores denominaron OncoNPC, pudo predecir su origen con aproximadamente un 80 por ciento de precisión. Para los tumores con predicciones de alta confianza, que representaron alrededor del 65 por ciento del total, la precisión aumentó a alrededor del 95 por ciento.
Después de estos alentadores resultados, los investigadores utilizaron el modelo para analizar un panel de alrededor de 900 tumores de pacientes con CUP, todos ellos de Dana-Farber. Descubrieron que el modelo podía hacer predicciones fiables para el 40 por ciento de estos tumores.
Luego, los investigadores compararon las predicciones del modelo con un análisis de mutaciones de la línea germinal, o mutaciones hereditarias, en un subconjunto de tumores con datos disponibles que pueden arrojar luz sobre si los pacientes tienen una predisposición genética a desarrollar un tipo particular de cáncer. Los investigadores encontraron que las predicciones del modelo eran mucho más consistentes con el tipo de cáncer más predicho por las mutaciones de la línea germinal que con cualquier otro tipo de cáncer.
Liderar decisiones sobre drogas
Para validar aún más las predicciones del modelo, los investigadores compararon datos sobre el tiempo de supervivencia de los pacientes con CUP con el pronóstico típico para el tipo de cáncer predicho por el modelo. Descubrieron que los pacientes con CUP a los que se predijo que tendrían un cáncer de mal pronóstico, como el cáncer de páncreas, tenían tiempos de supervivencia correspondientemente más cortos. Mientras tanto, los pacientes con CUP a quienes se les predijo que tendrían cánceres que generalmente tienen un mejor pronóstico, como los tumores neuroendocrinos, tuvieron tiempos de supervivencia más largos.
Otra indicación de que las predicciones del modelo podrían ser útiles provino de observar los tipos de tratamiento que habían recibido los pacientes con CUP analizados en el estudio. Alrededor del 10 por ciento de estos pacientes habían recibido un tratamiento dirigido basado en las mejores suposiciones de sus oncólogos sobre el sitio del origen de su cáncer. Entre estos pacientes, aquellos que recibieron un tratamiento consistente con el tipo de cáncer que el modelo predijo para ellos obtuvieron mejores resultados que los pacientes que recibieron un tratamiento típicamente administrado para un tipo de cáncer diferente al que el modelo predijo para ellos.
Utilizando este modelo, los investigadores también identificaron un 15 por ciento adicional de pacientes (un aumento de 2,2 veces) que podrían haber recibido un tratamiento dirigido existente si se hubiera conocido su tipo de cáncer. En cambio, estos pacientes terminaron recibiendo medicamentos de quimioterapia más generales.
“Esto potencialmente hace que estos resultados sean más procesables desde el punto de vista clínico, ya que no requerimos la aprobación de un nuevo medicamento. Decimos que esta población ahora puede tener derecho a tratamientos de precisión preexistentes”, afirma Gusev.
Los investigadores ahora esperan ampliar su modelo para incluir otros tipos de datos, como imágenes de patología e imágenes de radiología, para permitir una predicción más completa utilizando múltiples modalidades de datos. Esto también le daría al modelo una perspectiva integral sobre los tumores, permitiéndole predecir no solo el tipo de tumor y el resultado del paciente, sino potencialmente incluso el tratamiento óptimo.
La investigación fue financiada por los Institutos Nacionales de Salud, la Fundación Louis B. Mayer, la Fundación Benéfica Doris Duke, la Hermandad de mujeres Phi Beta Psi y el Colectivo Emerson.
[ad_2]