Herramienta computacional predice resultados de inmunoterapia en cáncer de mama metastásico

Un equipo de científicos computacionales del Centro Oncológico Kimmel de Johns Hopkins (Baltimore, MD, EUA) y de la Facultad de Medicina de la Universidad Johns Hopkins (Baltimore, MD, EUA) utilizaron un modelo matemático llamado farmacología de sistemas cuantitativos para generar 1.635 pacientes virtuales con cáncer de mama triple negativo metastásico y realizaron simulaciones de tratamiento utilizando el fármaco de inmunoterapia pembrolizumab. Analizaron estos datos con herramientas computacionales avanzadas, incluidos métodos estadísticos y de aprendizaje automático, para identificar biomarcadores que puedan predecir con precisión las respuestas al tratamiento. Su objetivo era determinar qué pacientes responderían positivamente al tratamiento y cuáles no. Al utilizar los datos parcialmente sintéticos generados a partir del ensayo clínico virtual, los investigadores evaluaron el rendimiento de 90 biomarcadores tanto de forma individual como en combinaciones de dos, tres y cuatro.

Los resultados revelaron que los biomarcadores previos al tratamiento, que son mediciones tomadas de biopsias tumorales o muestras de sangre antes de que comience el tratamiento, tuvieron una eficacia limitada para predecir los resultados del tratamiento. Por el contrario, los biomarcadores durante el tratamiento, que se recopilan después del inicio del tratamiento, demostraron ser más predictivos de los resultados. Curiosamente, el estudio encontró que algunas mediciones de biomarcadores comúnmente utilizadas, como la expresión de PD-L1 y la presencia de linfocitos dentro del tumor, funcionaron mejor cuando se evaluaron antes de comenzar el tratamiento en lugar de después de comenzar. Los científicos también investigaron la precisión de las mediciones no invasivas, como los recuentos de células inmunes en la sangre, para predecir los resultados del tratamiento. Según su investigación publicada en Proceedings of the National Academy of Sciences, se encontró que algunos biomarcadores basados en la sangre eran comparablemente efectivos que los biomarcadores basados en tumores o ganglios linfáticos para identificar pacientes con probabilidades de responder al tratamiento, lo que sugiere un enfoque predictivo menos invasivo.

Las mediciones de los cambios en el tamaño del tumor, que se pueden obtener fácilmente mediante tomografías computarizadas, también mostraron potencial como indicadores predictivos. Cabe destacar que estas mediciones tomadas dentro de las dos semanas posteriores al inicio del tratamiento demostraron un potencial significativo para identificar quién respondería favorablemente si el tratamiento continuaba. Para confirmar sus hallazgos, los investigadores llevaron a cabo un ensayo clínico virtual en el que seleccionaron a los pacientes en función de los cambios en el diámetro del tumor en la marca de dos semanas después de comenzar el tratamiento. Sorprendentemente, las tasas de respuesta simuladas aumentaron más del doble, del 11 % al 25 %. Esto subraya el potencial de los biomarcadores no invasivos como alternativas cuando no es posible recolectar muestras de biopsia del tumor. En general, estos nuevos conocimientos resaltan la posibilidad de una mejor selección de pacientes para la inmunoterapia en casos de cáncer de mama metastásico. Los investigadores anticipan que estos hallazgos ayudarán a diseñar futuros estudios clínicos, con la metodología potencialmente aplicable a otros tipos de cáncer.

“Los biomarcadores predictivos son fundamentales a medida que desarrollamos estrategias optimizadas para el cáncer de mama triple negativo, a fin de evitar el tratamiento excesivo en pacientes que se espera que evolucionen bien sin inmunoterapia y el tratamiento insuficiente en aquellas que no responden bien a la inmunoterapia”, dijo el coautor del estudio, el Dr. Cesar Santa-Maria, profesor asociado de oncología y oncólogo médico de mama en el Centro Oncológico Kimmel de Johns Hopkins. “Las complejidades del microambiente tumoral hacen que el descubrimiento de biomarcadores en la clínica sea un desafío, pero las tecnologías que aprovechan el modelado in silico [basado en computadora] tienen el potencial de capturar dichas complejidades y ayudar en la selección de pacientes para la terapia”.