Ensayo de aprendizaje automático basado en sangre detecta de forma no invasiva el cáncer de ovario

La enfermedad es particularmente letal porque a menudo no causa síntomas en sus primeras etapas. La ausencia de herramientas de detección eficaces y la naturaleza asintomática de la enfermedad contribuyen a su diagnóstico durante las últimas etapas, cuando las opciones de tratamiento son menos efectivas. Un método de detección accesible y rentable podría revolucionar el enfoque clínico para la detección del cáncer de ovario y potencialmente salvar vidas. Aunque se han explorado las tecnologías de biopsia líquida, que analizan la sangre en busca de ADN derivado de tumores, para la detección no invasiva del cáncer, su utilidad en el cáncer de ovario ha sido limitada. Ahora, un estudio retrospectivo presentado en el congreso AACR 2024 ha demostrado que un ensayo de aprendizaje automático basado en sangre, que combina patrones de fragmentos de ADN libre de células (ADNlc) con niveles de las proteínas CA125 y HE4, puede distinguir eficazmente a pacientes con cáncer de ovario de controles sanos. o pacientes con masas ováricas benignas.

El método DELFI (Evaluación de ADN de fragmentos para la intercepción temprana) emplea un novedoso enfoque de biopsia líquida llamado fragmentómica. Esta técnica mejora la precisión de las pruebas al detectar cambios en la circulación en el tamaño y la distribución de los fragmentos de ADNlc en todo el genoma. Investigadores del Centro Oncológico Kimmel Johns Hopkins (Baltimore, MD, EUA) aplicaron DELFI para analizar los fragmentomas de individuos con y sin cáncer de ovario. El estudio incluyó muestras de plasma de 134 mujeres con cáncer de ovario, 204 mujeres sin cáncer y 203 mujeres con masas anexiales benignas. Entrenaron un algoritmo de aprendizaje automático para integrar los datos de este fragmentoma con los niveles plasmáticos de CA125 y HE4, dos biomarcadores establecidos para el cáncer de ovario.

Los investigadores desarrollaron dos modelos: uno para detectar el cáncer de ovario en una población asintomática y otro para diferenciar de forma no invasiva masas benignas de cancerosas. Con una especificidad superior al 99 % (prácticamente eliminando los falsos positivos), el modelo de detección detectó el 69 %, el 76 %, el 85 % y el 100 % de los casos de cáncer de ovario en las etapas I a IV, respectivamente; el área bajo la curva (una medida de la precisión de la prueba) fue de 0,97 en todas las etapas, superando significativamente a los biomarcadores actuales. A modo de comparación, el uso exclusivo de los niveles de CA125 identificó el 40 %, el 66 %, el 62 % y el 100 % de los casos en estadios I-IV, respectivamente. El modelo de diagnóstico distinguió el cáncer de ovario de las masas benignas con un área bajo la curva de 0,87. Los investigadores planean validar sus modelos en cohortes más grandes para confirmar estos hallazgos, pero los resultados iniciales son prometedores.

"Este estudio contribuye a una gran cantidad de trabajo de nuestro grupo que demuestra el poder de la fragmentación del ADN libre de células en todo el genoma y el aprendizaje automático para detectar cánceres con un alto rendimiento", dijo Victor Velculescu, MD, PhD, FAACR, autor principal del estudio. "Nuestros hallazgos indican que este enfoque combinado dio como resultado un mejor rendimiento de la detección en comparación con los biomarcadores existentes".

Enlaces relacionados:
Medicina Johns Hopkins