Herramienta de aprendizaje automático mejora predicción de recurrencia del cáncer de hígado

La recurrencia del carcinoma hepatocelular (HCC) después de la cirugía sigue siendo una de las principales causas de malos resultados y contribuye a que el cáncer de hígado sea la tercera causa principal de muerte por cáncer en el mundo. La carga es particularmente alta en Asia, y los clínicos siguen careciendo de biomarcadores fiables para estratificar el riesgo de recurrencia. La mayoría de las recaídas ocurren dentro del hígado, con una proporción menor que se presenta como metástasis a distancia.

Un nuevo estudio muestra que una herramienta multi-ómica basada en aprendizaje automático puede predecir con mayor precisión la recurrencia después de la resección y delinear rutas biológicas distintas de recaída.

Investigadores del Centro Nacional del Cáncer de Singapur (NCCS), la Facultad de Medicina Duke-NUS y el Instituto del Genoma de Singapur de ASTAR (ASTAR GIS) desarrollaron una herramienta multiómica basada en aprendizaje automático para estimar el riesgo individual de recurrencia del carcinoma hepatocelular (CHC) después de la resección quirúrgica.

El modelo combina múltiples indicadores biológicos y clínicos, incluidos el tamaño del tumor y el estadio del cáncer, con información genética y biomarcadores sanguíneos. También incorpora un panel de 15 genes estrechamente relacionados con la recurrencia para perfeccionar las estimaciones de riesgo, integrando la carga tumoral con características moleculares que no son captadas por la estadificación convencional.

Utilizando información clínica y análisis genéticos exhaustivos de una cohorte del estudio PLANet (Precision Medicine in Liver Cancer across an Asia-Pacific Network), el equipo también definió dos vías distintas de recurrencia: la siembra policlonal y la siembra monoclonal.

La siembra policlonal, en la que múltiples grupos de células cancerosas se diseminan desde el tumor primario, se asoció con mayor frecuencia con recaída intrahepática y mostró características que sugieren una mayor susceptibilidad a ciertas inmunoterapias.

La siembra monoclonal, en la que la recurrencia surge de un solo clon, se vinculó con mayor frecuencia a una recaída tardía y a la propagación fuera del hígado. Entre los 106 pacientes estudiados, 68 (64,2%) recayeron: 48 dentro del hígado, 11 en sitios distantes y nueve en ambos.

La herramienta de predicción se validó en tres cohortes independientes, incluido el conjunto de datos de carcinoma hepatocelular del Atlas del Genoma del Cáncer (TCGA). La validación satisfactoria en TCGA, una cohorte predominantemente occidental que complementa a la población de Asia-Pacífico del estudio PLANet, respaldó la reproducibilidad y una mayor generalización de los resultados entre distintas poblaciones.

El rendimiento, medido mediante el área bajo la curva (AUC), alcanzó el 86 %, superando ampliamente el 56 %–68 % obtenido con la estadificación tumor-ganglio-metástasis (TNM). En general, el modelo superó a la estadificación TNM para el cáncer de hígado resecado, ya que esta no tiene en cuenta la genética del cáncer.

Publicados en Gut, los hallazgos indican que una mejor estratificación del riesgo podría ayudar a personalizar el seguimiento, identificar a los pacientes con mayor probabilidad de beneficiarse de una terapia adicional después de la resección y orientar el diseño de ensayos clínicos más específicos. A partir de este trabajo, el equipo está aplicando secuenciación espacial para identificar biomarcadores del microambiente tumoral que puedan servir como dianas terapéuticas para el carcinoma hepatocelular (CHC).

También trabaja para mejorar la herramienta mediante la incorporación de imágenes de tomografía computarizada (TC) y datos adicionales de aprendizaje automático, con el objetivo de aumentar aún más la precisión y permitir una vigilancia focalizada de los pacientes de alto riesgo.

“Al descubrir dos mecanismos distintos de recurrencia del cáncer de hígado, hemos obtenido nuevas ideas sobre los procesos biológicos que impulsan la progresión de la enfermedad después de la cirugía. Comprender estas diferencias es un paso importante hacia enfoques más personalizados para la predicción del riesgo y el desarrollo de biomarcadores más precisos y terapias dirigidas para los pacientes con HCC”, afirmó la Dra. Zhang Ying, coautora principal del estudio y científica sénior en A*STAR GIS.

Enlaces relacionados
National Cancer Center Singapore 
Duke-NUS Medical School
A*STAR GIS

Visitar la expo >

Miembro Platino

Analizador de coagulación automatizado

Hemolumi H6

Miembro Oro

HISOPOS DE FIBRA FLOCADA

Puritan® Patented HydraFlock®

Immunofluorescence Analyzer

IFA System

Hematology Consumables

Bioblood Devices