La inteligencia artificial puede ayudar a predecir las respuestas a las terapias sistémicas para el cáncer de pulmón (Clin Cancer Res)


  • Noticias Médicas
El acceso al contenido completo es sólo para profesionales sanitarios registrados. El acceso al contenido completo es sólo para profesionales sanitarios registrados.

Un estudio publicado en Clinical Cancer Research muestra que la inteligencia artificial puede predecir la sensibilidad del  cáncer de pulmón de células no pequeñas (NSCLC) avanzado a tres terapias oncológicas sistémicas, basándose en tomografías computarizadas (TAC) convencionales.

El estudio está liderado por Laurent Dercle, del Centro Médico Irving de la Universidad de Columbia (Estados Unidos)

"La interpretación de los radiólogos de las TAC de los pacientes con cáncer tratados con terapias sistémicas es intrínsecamente subjetiva", explica. "El propósito de este estudio –prosigue- fue entrenar tecnologías de inteligencia artificial de vanguardia para predecir las respuestas de los pacientes al tratamiento, permitiendo a los radiólogos ofrecer predicciones más precisas y reproducibles de la eficacia del tratamiento en una etapa temprana de la enfermedad".

Para determinar si los pacientes con CPCNP están respondiendo al tratamiento sistémico, los radiólogos actualmente cuantifican los cambios en el tamaño del tumor y la aparición de nuevas lesiones tumorales, explica Dercle. Sin embargo, este tipo de evaluación puede ser limitada, especialmente en los pacientes tratados con inmunoterapia, que pueden mostrar patrones atípicos de respuesta y progresión. "Las terapias sistémicas más nuevas provocan la necesidad de métricas alternativas para la evaluación de la respuesta, que pueden dar forma a la toma de decisiones terapéuticas", señala.

Dercle y colegas utilizaron los datos de múltiples ensayos clínicos que evaluaron el tratamiento sistémico en pacientes con CPCNP. Estos pacientes fueron tratados con uno de tres agentes: el agente inmunoterapéutico nivolumab, el agente quimioterapéutico docetaxel, o el fármaco dirigido gefitinib. Los investigadores analizaron retrospectivamente las imágenes de TAC de 92 pacientes que recibieron nivolumab en dos ensayos; 50 pacientes que recibieron docetaxel en un ensayo; y 46 pacientes que recibieron gefitinib en otro ensayo.

Para desarrollar el modelo, los investigadores utilizaron las imágenes de TAC basales y en la evaluación del primer tratamiento (3 semanas para los pacientes tratados con gefitinib; 8 semanas para los pacientes tratados con nivolumab o docetaxel). Los tumores se clasificaron como sensibles al tratamiento o insensibles al tratamiento sobre la base de la norma de referencia de cada ensayo (mediana de supervivencia sin progresión en las cohortes de nivolumab y docetaxel; análisis de la muestra quirúrgica posterior al tratamiento con gefitinib). Entre las tres cohortes, los pacientes fueron asignados al azar a grupos de entrenamiento o validación.

Los investigadores utilizaron el aprendizaje automático para desarrollar un modelo multivariable para predecir la sensibilidad al tratamiento en el cohorte de entrenamiento. Cada modelo podía predecir una puntuación que iba de cero (máxima sensibilidad al tratamiento) a uno (máxima insensibilidad al tratamiento) basándose en el cambio de la mayor lesión pulmonar medible identificada en la línea de base.

Debido a que la cohorte de gefitinib tenía un número limitado de pacientes, los investigadores construyeron y validaron un modelo usando una cohorte de pacientes con cáncer colorrectal metastásico (302 individuos) tratados con terapias anti-EGFR. Las características radiológicas para predecir la sensibilidad del tratamiento identificada en la cohorte de cáncer colorrectal se utilizaron después para construir un modelo en el cohorte de entrenamiento de pacientes con CPCNP tratados con gefitinib.

En todos los cohortes, se utilizaron un total de ocho características radiológicas para construir los tres modelos de predicción. Estas características incluyeron cambios en el volumen del tumor, la heterogeneidad, la forma y el margen. Tanto el modelo nivolumab como el gefitinib utilizaron cuatro características radiológicas, y el modelo de docetaxel utilizó una.

El rendimiento de cada firma se evaluó calculando el área bajo la curva, una medida de la precisión del modelo, donde una puntuación de 1 corresponde a la predicción perfecta. Los modelos de predicción nivolumab, docetaxel y gefitinib alcanzaron un área bajo la curva de 0,77, 0,67 y 0,82 en las cohortes de validación, respectivamente.