Herramienta de aprendizaje automático ofrece esperanza en el diagnóstico de cánceres de origen primario desconocido

La mayoría de los cánceres se originan en una parte específica del cuerpo, por lo que es crucial que los médicos identifiquen la fuente para tratar a los pacientes de manera efectiva. Sin embargo, en tres a cinco por ciento de los casos, el estudio diagnóstico estándar no logra identificar el sitio primario, lo que conlleva un pronóstico sombrío para quienes padecen esta condición conocida como Cáncer de Origen Primario Desconocido (CUP, por sus siglas en inglés). A menudo, los médicos recurren a tratamientos amplios que son menos efectivos y van acompañados de más efectos secundarios que las terapias dirigidas. Como resultado, los pacientes con CUP enfrentan una progresión rápida de la enfermedad, con tasas de supervivencia que promedian solo seis a 16 meses.

Presentación de OncoNPC: Una solución de aprendizaje automático

Intae Moon, estudiante de doctorado en el Instituto Tecnológico de Massachusetts (MIT) y en el Instituto de Cáncer Dana-Farber, buscó revolucionar el diagnóstico del sitio primario del CUP. Aunque la secuenciación de nueva generación (NGS) puede identificar mutaciones tumorales y ayudar a determinar los tipos de cáncer, la gran cantidad de datos de mutaciones generadas puede abrumar a los médicos durante el diagnóstico inicial. Típicamente, la NGS se utiliza solo después de identificar el tipo de cáncer para pinpoint mutaciones específicas para terapias dirigidas. Sin embargo, la NGS no se había explorado extensamente para el diagnóstico clínico y el pronóstico del CUP. Moon y sus colegas desarrollaron un modelo de aprendizaje automático conocido como OncoNPC (Clasificador de Tipo de Cáncer Primario basado en NGS Oncológico) para cerrar esta brecha. Este enfoque innovador tiene como objetivo analizar los datos complejos de mutaciones de manera eficiente.

Desatando el poder del aprendizaje automático

Publicado en Nature Medicine, el estudio aprovecha las capacidades del algoritmo XGBoost para examinar regiones del ADN en busca de patrones de mutaciones genéticas más fuertemente asociadas con varios tipos de cáncer. Aprovechando los datos de NGS de 36.445 muestras tumorales con cánceres primarios conocidos, los investigadores emplearon OncoNPC para identificar mutaciones genéticas, alteraciones en el número de copias y firmas mutacionales. El modelo también incorporó la edad del paciente y el sexo biológico de los registros electrónicos de salud. Al entrenar OncoNPC con datos de tres centros de cáncer diferentes en EE. UU., el equipo vinculó firmas genéticas específicas con 22 tipos de cáncer diferentes. Después del entrenamiento, evaluaron el rendimiento de OncoNPC en datos previamente excluidos, logrando una impresionante tasa de precisión.

Un faro de esperanza para los pacientes con CUP

Al aplicar OncoNPC a tumores de 971 pacientes con CUP tratados en el Instituto de Cáncer Dana-Farber, los investigadores clasificaron con alta confianza el 41,2 % de los tumores de CUP. Además, identificaron las características genéticas más relevantes para identificar cada tipo de cáncer, proporcionando conocimientos clínicos y biológicos invaluables sobre la naturaleza enigmática de los tumores de CUP.

Dado que los sitios de los tumores primarios eran desconocidos en estos casos, la precisión del modelo se validó comparando los resultados con los datos de NGS de los pacientes para identificar cualquier predisposición genética a un tipo específico de cáncer. Con gran satisfacción, las predicciones del modelo se alinearon estrechamente con el tipo de cáncer indicado más fuertemente por estas mutaciones heredadas.

Mejorando la supervivencia de los pacientes mediante tratamientos de precisión

Para evaluar el impacto de tratar a los pacientes según las predicciones de OncoNPC en su supervivencia, el equipo realizó un análisis retrospectivo de 158 pacientes con CUP que recibieron su tratamiento inicial en Dana-Farber. Oncólogos certificados revisaron los historiales médicos de los pacientes para determinar si los tratamientos se alineaban con las predicciones de tipo de cáncer de OncoNPC. Los resultados fueron prometedores, mostrando que los pacientes con CUP cuyo primer tratamiento paliativo coincidió con las predicciones de OncoNPC experimentaron tasas de supervivencia significativamente mejoradas en comparación con aquellos cuyos tratamientos no se alineaban.

Perspectivas y horizontes en expansión

Los investigadores tienen planes ambiciosos para el futuro de OncoNPC. Si bien el modelo demostró un rendimiento decente para pacientes de diversos orígenes étnicos, se necesita más investigación para confirmar su efectividad en pacientes diversos. Además, OncoNPC se centra en los 22 tipos de cáncer más comunes y puede no identificar la fuente si el CUP se origina en un sitio menos común.

Sin embargo, el impacto potencial de OncoNPC en el campo médico es innegable. Los hospitales que utilizan la secuenciación de tumores NGS pueden incorporarla como una fuente adicional de información para los oncólogos, allanando el camino para decisiones de tratamiento del cáncer más precisas y efectivas. Este avance, arraigado en datos de pruebas clínicas rutinarias, ofrece esperanza a muchos pacientes con CUP, cuyo pronóstico ha sido durante mucho tiempo desalentador.

En la implacable batalla contra el cáncer, la aparición de OncoNPC representa un rayo de esperanza para los pacientes con Cáncer de Origen Primario Desconocido. Con su impresionante precisión en la identificación de tipos de cáncer y el potencial para mejorar la supervivencia de los pacientes mediante tratamientos de precisión, esta herramienta de aprendizaje automático podría revolucionar la forma en que los médicos diagnostican y manejan esta condición desafiante. Si bien hay desafíos que superar e investigación adicional que realizar, el potencial de OncoNPC para marcar la diferencia en la vida de los pacientes con CUP es tanto prometedor como revolucionario.