Modelo molecular de IA mejora la predicción del riesgo en tumores cerebrales pediátricos

Este equilibrio se complica por las diferencias en los resultados entre los niños dentro del mismo grupo clínico de riesgo. Para ayudar a perfeccionar estas evaluaciones, los investigadores han desarrollado un modelo de inteligencia artificial diseñado para ofrecer predicciones de supervivencia más individualizadas para los tumores cerebrales pediátricos.

Un equipo internacional dirigido por el Instituto Oncológico Dana-Farber (Boston, MA, EE. UU.) desarrolló MANTIS, siglas de perfiles de metilación y redes neuronales artificiales para predicciones de supervivencia individualizadas dependientes del tiempo.

El modelo utiliza el perfilado de metilación del ADN, una prueba que ya se emplea en el diagnóstico de tumores cerebrales, para generar predicciones de supervivencia personalizadas para niños con meduloblastoma y ependimoma. En función de la biología de cada tumor, estima cómo cambia con el tiempo la probabilidad de supervivencia, proporcionando información más allá de las amplias clasificaciones de riesgo.

MANTIS combina datos moleculares de todo el genoma, incluidos los patrones de metilación del ADN y los cambios en el número de copias, con el seguimiento a largo plazo de los pacientes. Los investigadores desarrollaron inicialmente el modelo para el meduloblastoma, uno de los tumores cerebrales malignos más comunes en los niños, antes de ampliar el marco al ependimoma, otro tumor cerebral pediátrico con resultados muy variables.

En varias grandes cohortes de validación, MANTIS superó a los enfoques actuales de predicción del riesgo para muchos pacientes. El equipo también lo adaptó para estimar los posibles efectos de distintas dosis de radiación en el meduloblastoma. El análisis sugirió que más de la mitad de los niños con meduloblastoma de riesgo estándar podrían ser candidatos a una irradiación craneoespinal de dosis más bajas. En este grupo, el tratamiento de dosis más bajas se asoció con mejores resultados cognitivos sin que se detectara una desventaja estadísticamente significativa en la supervivencia.

Publicados en Nature Genetics el 3 de noviembre de 2026, los hallazgos se basan en información molecular ya generada durante las pruebas rutinarias de los tumores. Los investigadores sugirieron que métodos similares basados en IA podrían, con el tiempo, extenderse a otros cánceres pediátricos y del adulto en los que pacientes con el mismo diagnóstico experimentan cursos clínicos diferentes.

“Nuestro objetivo es ir más allá de las amplias categorías de riesgo y avanzar hacia una comprensión más individualizada del tumor de cada niño. Para los niños con tumores cerebrales, eso podría ayudarnos a ajustar mejor la intensidad del tratamiento a la biología de la enfermedad y, en última instancia, reducir los efectos secundarios a largo plazo para algunos pacientes”, dijo Volker Hovestadt, Ph.D., biólogo computacional del Instituto Oncológico Dana-Farber y autor principal del estudio. 

“Un aspecto emocionante de este trabajo es que muestra cómo la inteligencia artificial puede aprender de pruebas moleculares que ya forman parte de la atención. Con más estudios clínicos, este tipo de enfoque podría ayudar a respaldar decisiones de tratamiento más personalizadas no solo para los tumores cerebrales pediátricos, sino potencialmente también para muchos otros cánceres”, dijo Sabina Stefan, Ph.D., investigadora posdoctoral del Instituto Oncológico Dana-Farber y primera autora del estudio.

Enlaces relacionados
Instituto Oncológico Dana-Farber