Modelo de IA predice respuesta al tratamiento del cáncer de vejiga

Cada año en Estados Unidos, se diagnostican alrededor de 81.000 nuevos casos de cáncer de vejiga, lo que provoca aproximadamente 17.000 muertes al año. El cáncer de vejiga músculo-invasivo (CVMI) es una forma grave de cáncer de vejiga en la que los tumores invaden el músculo detrusor. El tratamiento estándar para el CVMI ha sido la quimioterapia neoadyuvante (QNA) seguida de cistectomía radical (CR), pero este enfoque presenta importantes desafíos. La cistectomía radical conlleva una tasa de mortalidad del 0,3 al 5,7 %, junto con una morbilidad quirúrgica considerable, ya que el 64 % de los pacientes experimentan complicaciones posoperatorias en un plazo de 90 días. Si bien alrededor del 35 % de los pacientes con CVMI logran una respuesta patológica completa (RCp), lo que significa que no queda tumor residual tras el tratamiento con QNA, predecir qué pacientes se beneficiarán de este tratamiento ha sido difícil debido a la heterogeneidad del tumor. A pesar de los numerosos estudios en esta área, el desarrollo de modelos de predicción precisos y la identificación de biomarcadores que puedan indicar con fidelidad cómo responderán los pacientes al tratamiento han resultado ser un desafío. Ahora, los investigadores han desarrollado un modelo más eficaz para predecir la respuesta de los pacientes con CVMI a la quimioterapia.

Este modelo predictivo, creado en Weill Cornell Medicine (Nueva York, NY, EUA), utiliza el poder de la inteligencia artificial (IA) y el aprendizaje automático. Combina datos de imágenes tumorales de portaobjetos completos con análisis de expresión génica, mejorando así los modelos anteriores que dependían de un solo tipo de datos. El estudio, publicado en npj Digital Medicine, destaca genes clave y características tumorales que podrían determinar la respuesta de los pacientes al tratamiento. Al predecir con precisión la respuesta de un individuo al tratamiento estándar para el cáncer de vejiga invasivo (CVMI), este modelo podría ayudar a los médicos a personalizar la atención y, potencialmente, evitar que los pacientes con buena respuesta se sometan a una cirugía de extirpación de vejiga.

Para mejorar la capacidad predictiva del modelo, los investigadores utilizaron datos de la Red de Investigación del Cáncer SWOG, que diseña y realiza ensayos clínicos multicéntricos para cánceres en adultos. Integraron específicamente datos de imágenes de muestras tumorales y perfiles de expresión génica, que muestran qué genes están activados o suprimidos. Para el análisis de imágenes, emplearon redes neuronales de grafos, una técnica especializada de IA que captura la disposición e interacción de células cancerosas, células inmunitarias y fibroblastos dentro del tumor. También se utilizó el análisis automatizado de imágenes para identificar los distintos tipos de células presentes en el tumor. Al combinar los datos basados en imágenes con los perfiles de expresión génica, el modelo basado en IA superó significativamente a los modelos que utilizaban solo uno de los tipos de datos en la predicción de la respuesta clínica.

De cara al futuro, los investigadores planean incorporar datos adicionales, como análisis mutacionales del ADN tumoral, que se puede detectar en sangre u orina, así como análisis espaciales para identificar los tipos precisos de células presentes en la vejiga. El modelo también presentó nuevas hipótesis para futuras pruebas, como la idea de que la proporción de células tumorales con respecto a las células normales, como los fibroblastos, puede influir en las predicciones de la respuesta a la quimioterapia. En el futuro, el equipo busca validar sus hallazgos con otras cohortes de ensayos clínicos y está dispuesto a ampliar su colaboración para determinar si su modelo puede predecir la respuesta terapéutica en un grupo más amplio de pacientes.

“Queremos identificar el tratamiento adecuado para el paciente adecuado en el momento oportuno”, afirmó el Dr. Bishoy Morris Faltas, codirector del estudio. “El sueño es que los pacientes entren en mi consulta y yo pueda integrar todos sus datos en el marco de IA y otorgarles una puntuación que prediga su respuesta a una terapia específica. Va a suceder. Pero los médicos como yo tendremos que aprender a interpretar estas predicciones de IA y saber que puedo confiar en ellas, y ser capaces de explicárselas a mis pacientes de una manera que ellos también puedan confiar”.

Visitar la expo >

Miembro Platino

Analizador de coagulación automatizado

Hemolumi H6

βeta-Hydroxybutyrate Reagent
β-Hydroxybutyrate LiquiColor®

New

Neurofilament Light Chain Assay

Lumipulse G NfL Blood

Miembro Oro

SISTEMA DE EXTRACCIÓN DE ÁCIDOS NUCLEICOS

NEOS-96 XT