El modelo de aprendizaje automático predice la eficacia de la terapia

El nuevo modelo de aprendizaje automático podría reducir el tiempo de tratamiento al identificar rápidamente qué pacientes tienen más probabilidades de responder a la ICB en lugar del método actual de prueba y error.

Los investigadores de la Universidad Tecnológica de Eindhoven están recurriendo al aprendizaje automático para predecir mejor si una inmunoterapia en particular ayudará a los pacientes con cáncer. El modelo del último artículo se muestra prometedor e incluso supera los enfoques clínicos tradicionales hasta el momento.

Aprovechamiento de la inmunoterapia en la lucha contra el cáncer

Las células tumorales se esconden de las defensas naturales del cuerpo, lo que hace que el cáncer sea notoriamente difícil de atacar y tratar. Las células tumorales bloquean la respuesta inmunitaria natural del cuerpo, pero la inmunoterapia puede reactivarla nuevamente en algunos pacientes. El problema es descubrir pronto qué pacientes tienen más probabilidades de responder.

Una de esas terapias, los bloqueadores de puntos de control inmunitarios (ICB, por sus siglas en inglés), les dice a las células inmunitarias que ignoren cualquier orden de cierre emitida por las células cancerosas que intentan esconderse. Aunque es un descubrimiento revolucionario, solo alrededor de un tercio de los pacientes con cáncer responden al tratamiento.

El nuevo modelo de aprendizaje automático podría reducir el tiempo de tratamiento al identificar rápidamente qué pacientes tienen más probabilidades de responder a la ICB en lugar del método actual de prueba y error. Este modelo también puede ayudar a garantizar que los pacientes que probablemente no respondan reciban tratamientos oportunos. El modelo también puede descubrir exactamente por qué esos otros dos tercios de los pacientes no responden.

Ver también: La IA podría desbloquear una nueva era de ensayos clínicos

Cómo funciona el modelo de aprendizaje automático

El aprendizaje automático explora biomarcadores de tumores a partir de muestras de pacientes. Explora cómo estos marcadores se comunican con otras células provocando una respuesta a ICB o rechazándolo. A partir de ahí, la máquina puede aprender de muestras de pacientes para identificar qué pacientes futuros portan los mismos biomarcadores que indican el éxito del ICB.

El uso del aprendizaje automático no es un método nuevo, pero los investigadores agregaron un pequeño truco para resolver un problema persistente de acceso a datos. Aunque los conjuntos de datos de secuenciación de ARN están ampliamente disponibles, los específicos de la respuesta al cáncer son limitados. Los investigadores utilizaron varias respuestas inmunitarias sustitutivas. Juntos, podrían indicar una respuesta ICB positiva.

Cuando se probó contra la detección actual de biomarcadores, el modelo funcionó mejor. También podría ser útil para identificar qué marcadores son los más importantes para obtener la respuesta inmunitaria deseada. Es otro paso en la entrega de medicina personalizada en asociación con médicos y profesionales de la salud.