Es algunos casos los médicos no logran determinar dónde se originó el cáncer en un paciente. Algo que supone un gran contratiempo, y provoca que sea mucho más complicado elegir qué tratamiento seguir con ellos, porque algunos medicamentos únicamente pueden utilizarse en casos específicos.
Para solucionar esto investigadores del Instituto Tecnológico de Massachusetts (MIT) y del Instituto del Cáncer Dana-Farber, ambos estadounidenses, han desarrollado una nueva herramienta que permite identificar el origen de esos cánceres “enigmáticos”.
Utilizando el aprendizaje automático, los científicos crearon un modelo computacional que puede analizar la secuencia de unos 400 genes y usar esa información para predecir dónde se originó un tumor determinado en el cuerpo.
Usando este modelo, los investigadores demostraron que podían clasificar con precisión al menos el 40% de los tumores de origen desconocido con alta confianza, en un conjunto de datos de alrededor de 900 pacientes. Este enfoque permitió un aumento de 2,2 veces en el número de pacientes que podrían haber sido elegibles para un tratamiento dirigido genómicamente, según el lugar donde se originó su cáncer.
“Ese fue el hallazgo más importante de nuestro artículo, que este modelo podría usarse potencialmente para ayudar en las decisiones de tratamiento, guiando a los médicos hacia tratamientos personalizados para pacientes con cánceres de origen primario desconocido”, aseguró Intae Moon, estudiante de posgrado del MIT en ingeniería eléctrica e informática y autor principal del nuevo estudio, que se ha publicado este lunes en la revista Nature Medicine.
Orígenes misteriosos del cáncer
Entre el 3% y el 5% de los pacientes con cáncer, y particularmente aquellos en los que los tumores han provocado metástasis, se clasifican como CUP (cánceres de origen primario desconocido, por sus siglas en inglés). Esto significa que los oncólogos no tienen una manera fácil de determinar dónde se originó el cáncer.
Esta falta de conocimiento a menudo impide que los médicos puedan dar a los pacientes medicamentos de “precisión”, que generalmente están aprobados para tipos de cáncer específicos en los que se sabe que funcionan. Estos tratamientos dirigidos tienden a ser más efectivos y tienen menos efectos secundarios que los tratamientos que se usan para un amplio espectro de cánceres, que comúnmente se recetan a los pacientes con CUP.
“Una cantidad considerable de personas desarrollan estos cánceres de origen primario desconocido cada año, y debido a que la mayoría de las terapias se aprueban en un sitio específico, en el que debe conocer el sitio primario para aplicarlas, tienen opciones de tratamiento muy limitadas“, afirmó Alexander Gusev, profesor asociado de medicina en la Escuela de Medicina de Harvard y el Instituto del Cáncer Dana-Farber.
Moon, un afiliado del Laboratorio de Ciencias de la Computación e Inteligencia Artificial que está coasesorado por Gusev, decidió analizar los datos genéticos que se recopilan de forma rutinaria en Dana-Farber para ver si podrían usarse para predecir el tipo de cáncer.
Los datos consisten en secuencias genéticas de unos 400 genes que a menudo están mutados en el cáncer. Los investigadores entrenaron un modelo de aprendizaje automático con datos de casi 30.000 pacientes a los que se les había diagnosticado uno de los 22 tipos de cáncer conocidos. Ese conjunto de datos incluía pacientes del Centro de Cáncer Memorial Sloan Kettering y del Centro de Cáncer Vanderbilt-Ingram, así como de Dana-Farber.
Posteriormente, los investigadores probaron el modelo resultante en aproximadamente 7.000 tumores que no se habían visto antes, pero cuyo origen era conocido. El modelo, que los investigadores llamaron OncoNPC, pudo predecir sus orígenes con un 80% de precisión. Para los tumores con predicciones de alta confianza, que constituían alrededor del 65 por ciento del total, su precisión aumentó a aproximadamente el 95%.
Después de esos resultados alentadores, los investigadores usaron el modelo para analizar un conjunto de aproximadamente 900 tumores de pacientes con CUP, todos de Dana-Farber. Descubrieron que en el 40% de estos casos el modelo podía hacer predicciones de alta confianza.
Por último, los investigadores compararon las predicciones del modelo con un análisis de las mutaciones de la línea germinal, o heredadas, en un subconjunto de tumores con datos disponibles, que pueden revelar si los pacientes tienen una predisposición genética a desarrollar un tipo particular de cáncer. Y descubrieron que las predicciones del modelo coincidían mucho más con el tipo de cáncer más fuertemente predicho por las mutaciones de la línea germinal que con cualquier otro tipo de cáncer.
Orientación de las decisiones sobre medicamentos
Para validar aún más las predicciones del modelo, los investigadores compararon los datos sobre el tiempo de supervivencia de los pacientes con CUP con el pronóstico típico para el tipo de cáncer que predijo el modelo. Descubrieron que los pacientes con CUP que se predijo que tendrían cáncer con un mal pronóstico, como el cáncer de páncreas, mostraron tiempos de supervivencia correspondientemente más cortos. Mientras tanto, los pacientes con CUP que se predijo que tendrían cánceres que generalmente tienen mejores pronósticos, como los tumores neuroendocrinos, tuvieron tiempos de supervivencia más prolongados.
Otra indicación de que las predicciones del modelo podrían ser útiles provino de observar los tipos de tratamientos que habían recibido los pacientes con CUP analizados en el estudio. Alrededor del 10% de estos pacientes habían recibido un tratamiento dirigido según la mejor suposición de sus oncólogos sobre dónde se había originado su cáncer. Entre esos pacientes, aquellos que recibieron un tratamiento consistente con el tipo de cáncer que el modelo predijo para ellos obtuvieron mejores resultados que los pacientes que recibieron un tratamiento típicamente dado para un tipo de cáncer diferente al que el modelo predijo para ellos.
Utilizando este modelo, los investigadores también identificaron un 15% adicional de pacientes (un aumento de 2,2 veces) que podrían haber recibido un tratamiento dirigido existente, si se hubiera conocido su tipo de cáncer. En cambio, esos pacientes terminaron recibiendo medicamentos de quimioterapia más generales.
“Potencialmente esto hace que estos hallazgos sean más procesables clínicamente, porque no estamos requiriendo que se apruebe un nuevo medicamento. Lo que estamos diciendo es que esta población ahora puede ser elegible para tratamientos de precisión que ya existen”, explicó Gusev.
Los investigadores esperan ahora expandir su modelo para incluir otros tipos de datos, como imágenes de patología e imágenes de radiología, para proporcionar una predicción más completa utilizando múltiples modalidades de datos. Esto también proporcionaría al modelo una perspectiva integral de los tumores, lo que le permitiría predecir no solo el tipo de tumor y el resultado del paciente, sino potencialmente incluso el tratamiento óptimo.
