Herramienta de IA clasifica con precisión a pacientes con cáncer según sus posibles resultados

Las compañías farmacéuticas y los proveedores de atención médica a menudo se enfrentan al reto de determinar qué pacientes responderán con mayor eficacia a un fármaco determinado. Para abordar este problema, se ha desarrollado un nuevo método basado en inteligencia artificial (IA) que ofrece una forma más precisa de agrupar a los pacientes con cáncer según características similares antes del tratamiento y resultados similares después del tratamiento. Este método, detallado en un estudio publicado en Nature Communications, demostró que su capacidad para predecir los resultados del tratamiento a partir de los datos de las historias clínicas superó el rendimiento de cualquier método anterior. Este enfoque tiene el potencial de mejorar la selección de pacientes en ensayos clínicos y permitir opciones de tratamiento más personalizadas para cada paciente.

El aprendizaje automático ha sido una herramienta prometedora para detectar patrones sutiles pero significativos en grandes conjuntos de datos, incluyendo aquellos en el campo médico. Sin embargo, aunque estos sistemas pueden agrupar a los pacientes según datos de salud compartidos, estas agrupaciones no siempre se correlacionan estrechamente con las respuestas posteriores al tratamiento. Para mejorar esto, investigadores de Weill Cornell Medicine (Nueva York, NY, EUA) en colaboración con Regeneron Pharmaceuticals (Tarrytown, NY, EUA), desarrollaron una plataforma capaz de clasificar a pacientes con la misma enfermedad y tratamiento en grupos que compartan tanto características clínicas iniciales como resultados terapéuticos. La plataforma fue entrenada con registros médicos desidentificados de 3.225 pacientes con cáncer de pulmón provenientes de una base de datos comercial. Cada registro incluía 104 variables, entre ellas resultados de análisis de sangre, historial médico, prescripciones y estadio del tumor.

Los investigadores probaron este método utilizando una base de datos del mundo real con pacientes que padecían cáncer de pulmón de células pequeñas en estado avanzado y que fueron tratados con inhibidores de puntos de control inmunitario. En esta prueba inicial, la plataforma agrupó a los pacientes en tres categorías distintas. El grupo con el mayor tiempo promedio de supervivencia global desde el inicio del tratamiento estaba compuesto mayoritariamente por mujeres (55,5 %) y presentaba tasas relativamente bajas de otras afecciones, como diabetes e insuficiencia cardíaca. Por el contrario, el grupo con el menor tiempo de supervivencia tenía menos de la mitad del tiempo promedio del primer grupo, estaba compuesto principalmente por hombres (66,2 %) y presentaba tasas más altas de metástasis tumorales, junto con análisis de sangre anormales que indicaban problemas hepáticos, renales e inflamatorios.

Utilizando una métrica conocida como índice de concordancia, los investigadores demostraron que este nuevo método superó las técnicas estadísticas y de aprendizaje automático estándar en la predicción de la supervivencia de los pacientes. Al aplicar el sistema de aprendizaje automático a un nuevo conjunto de datos de 1441 pacientes con cáncer de pulmón de células no pequeñas, se obtuvieron agrupaciones similares de pacientes en cuanto a características basales y resultados de supervivencia. En el futuro, el equipo planea continuar desarrollando y probando este método para la estratificación de pacientes en ensayos clínicos de nuevos fármacos, así como para la selección de los tratamientos más adecuados para cada paciente. La capacidad de su plataforma para agrupar a los pacientes de forma fiable según sus resultados también sugiere que podría proporcionar información valiosa sobre la biología de la enfermedad.

“Confiamos en que este enfoque, con el tiempo, será útil para probar y dirigir tratamientos en una amplia variedad de enfermedades”, afirmó el Dr. Fei Wang, autor principal. “Probablemente necesitemos más que datos de historiales médicos electrónicos para esto, pero queremos comprender los mecanismos biológicos que explican estos distintos subgrupos de pacientes”.

Enlaces relacionados:
Medicina Weill Cornell
Regeneron Pharmaceuticals