← Volver al inicio

Probar fármacos primero en tumores virtuales: una IA simbólica predice retrospectivamente la respuesta al tratamiento del cáncer de mama con una concordancia del 74% en 31 casos

Un equipo de investigación creó «gemelos digitales» de tumores a partir de datos genéticos de pacientes, reprodujo las respuestas a tratamientos ya administrados e identificó posibles opciones farmacológicas para quienes tuvieron una respuesta incompleta. Sin embargo, las mejoras previstas por las simulaciones informáticas aún deben validarse en estudios clínicos prospectivos.

By SURL BioNews

Cuando el cáncer de mama no responde al tratamiento como se esperaba, elegir el siguiente fármaco suele resultar más difícil. Un equipo de investigación británico intentó someter primero los tumores de las pacientes a distintos tratamientos en un ordenador para explorar si los datos genéticos podían revelar nuevas vías de actuación. Este pequeño estudio retrospectivo aporta indicios preliminares, pero todavía no demuestra que administrar fármacos siguiendo las recomendaciones del modelo mejore los resultados reales de las pacientes.

La investigación, realizada en colaboración por el University College London y la Universidad de Cambridge y publicada el 26 de octubre en *Cell Reports Medicine*, se centró en el cáncer de mama triple negativo. Estos tumores carecen de tres marcadores habituales para orientar el tratamiento: los receptores de estrógeno, los receptores de progesterona y HER2. Esto dificulta que las terapias hormonales y los fármacos dirigidos contra HER2 surtan efecto, y aumenta la importancia de identificar vulnerabilidades terapéuticas individuales.

El equipo utilizó «inteligencia artificial simbólica», que realiza inferencias mediante reglas lógicas que pueden examinarse y permite a los médicos rastrear cómo llega el modelo a sus recomendaciones. Los investigadores emplearon datos genéticos de 31 participantes del ensayo clínico PARTNER para crear gemelos digitales de sus respectivos tumores y simular, por separado, tres escenarios: quimioterapia sola, quimioterapia combinada con el inhibidor de PARP olaparib y ausencia de tratamiento.

Al comparar las simulaciones con las respuestas reales al tratamiento observadas en el ensayo, las predicciones del modelo coincidieron en el 74% de los casos. Esta cifra describe el rendimiento predictivo dentro de los datos de esos 31 casos; no puede interpretarse como una tasa de éxito terapéutico ni basta todavía para representar la precisión del modelo en otros hospitales o en diferentes poblaciones de pacientes.

A continuación, los investigadores se centraron en 13 pacientes cuya respuesta al tratamiento había sido incompleta. Para 12 de ellas, el modelo identificó al menos una terapia dirigida adicional que podría mejorar los resultados; simulaciones posteriores incluso predijeron que 10 podrían alcanzar una respuesta sin cáncer invasivo residual ni en la mama ni en los ganglios linfáticos. Sin embargo, todas estas son hipótesis terapéuticas generadas por ordenador, no resultados observados tras administrar realmente tratamientos adicionales a las pacientes.

La posibilidad de examinar el razonamiento del modelo podría ayudar a los médicos a evaluar si sus recomendaciones son razonables. El equipo también señaló que, aunque el ordenador proponga un fármaco, los médicos podrían descartar esa opción por factores como la toxicidad. La explicabilidad ofrece margen para debatir y revisar las recomendaciones, pero por sí sola no garantiza la eficacia ni la seguridad.

El valor de este trabajo reside en integrar las respuestas a tratamientos ya administrados y las posibles estrategias alternativas en un mismo proceso de inferencia que puede examinarse y cuestionarse. El siguiente paso sigue requiriendo estudios prospectivos para comprobar si el modelo puede predecir de forma fiable los resultados antes de iniciar el tratamiento y si elegir los fármacos según sus recomendaciones aporta realmente beneficios clínicos; hasta entonces, los gemelos digitales resultan más apropiados como fuente de pistas para la investigación y la discusión de opciones terapéuticas.

References

  1. University College London
  2. Medical Xpress (provided by University College London)
  3. Bioengineer.org