Sistema de biomarcadores con IA redefine progresión y subtipos del cáncer de tiroides

Sin embargo, sigue siendo un reto clínico importante determinar qué pacientes son aptos para la vigilancia activa e identificar cuándo es probable que la enfermedad progrese. Los métodos tradicionales de estadificación a menudo no detectan la transición de una enfermedad estable a una de progresión rápida, lo que dificulta la intervención temprana. Ahora, un innovador sistema de biomarcadores dinámicos puede identificar transiciones críticas donde la enfermedad comienza a progresar rápidamente, ofreciendo una ventana potencial para la detección e intervención tempranas.

Este sistema de biomarcadores dinámicos, desarrollado por investigadores del Primer Hospital Afiliado de la Universidad de Zhengzhou (Henan, China), utilizó un algoritmo optimizado de biomarcadores de red dinámica (DNB) para identificar un punto crítico en el CDT en estadio II. El equipo introdujo un sistema de puntuación llamado TCPSLevel para cuantificar el riesgo individual del paciente mediante la captura de señales moleculares de alerta temprana, mostrando un rendimiento superior en comparación con los métodos de estadificación tradicionales. Aplicaron la agrupación por consenso basada en IA a más de 1.100 muestras de cáncer de tiroides e identificaron tres subtipos moleculares reproducibles, cada uno con perfiles inmunitarios y riesgos de progresión distintos. El subtipo más agresivo se relacionó con el gen ASPH, que también se validó experimentalmente. Para ampliar su uso clínico, los investigadores desarrollaron un clasificador simplificado de 12 genes llamado miniPC, que permite una predicción precisa de subtipos en diferentes conjuntos de datos.

El estudio demostró que los pacientes con puntuaciones altas en TCPSLevel presentaban una enfermedad más avanzada y peores pronósticos, lo que destaca la utilidad del sistema de puntuación en la estratificación temprana del riesgo. El marco de IA redefinió con éxito la progresión del cáncer de tiroides y los subtipos moleculares, ofreciendo una vía más práctica hacia el tratamiento personalizado. Al integrar datos multiómicos, aprendizaje automático y análisis unicelular, la herramienta proporciona información valiosa sobre las bases moleculares del cáncer de tiroides. Los investigadores planean validar aún más la herramienta en entornos clínicos y explorar su aplicación para orientar las decisiones terapéuticas.

"Esta puntuación supera la estadificación tradicional a la hora de identificar a individuos de alto riesgo", afirmó el Dr. Ge Zhang, coautor y colaborador del estudio de biomarcadores del cáncer de tiroides.