La IA predice como los pacientes con CPCNM responderán a la quimioterapia

Generalmente, se adopta la quimioterapia basada en platino como el tratamiento de primera línea para el cáncer de pulmón de células no microcítico en estadio avanzado (CPCNM), aunque solo uno de cada cuatro pacientes responde bien a este tratamiento.

Actualmente no hay manera de predecir qué pacientes pueden obtener el mayor beneficio de la quimioterapia. Los exámenes por TAC se utilizan habitualmente para la estadificación del tumor y el seguimiento de la respuesta al tratamiento. Los investigadores usan un campo de estudio llamado radiómica para extraer datos cuantitativos o medibles de las imágenes de la TC que pueden revelar características de la enfermedad que no son visibles en las imágenes únicamente. En el último estudio, los investigadores se centraron en identificar el papel de las características de la textura radiómica, tanto dentro como alrededor del tumor pulmonar, con el fin de predecir el tiempo de progresión y la supervivencia general, así como la respuesta a la quimioterapia en pacientes con CPCNM.

Los investigadores analizaron los datos de 125 pacientes que habían sido tratados con quimioterapia doble de platino basada en pemetrexed. Dividieron al azar a los pacientes en dos conjuntos con un número igual de respondedores y no respondedores en el conjunto de entrenamiento. El conjunto de entrenamiento comprendía 53 pacientes con CPCNM, y el conjunto de validación comprendía 72 pacientes.

Una computadora analizó las imágenes de TC del cáncer de pulmón para identificar patrones únicos de heterogeneidad tanto dentro como fuera del tumor. Luego se compararon estos patrones entre las tomografías computarizadas de pacientes que respondieron y no respondieron a la quimioterapia. Estos patrones de características se utilizaron para entrenar a un clasificador de aprendizaje automático para identificar la probabilidad de que un paciente con cáncer de pulmón respondiera a la quimioterapia. Los resultados mostraron que las características radiómicas derivadas del tumor y el área alrededor del tumor fueron capaces de diferenciar a los pacientes que respondieron a la quimioterapia de los que no lo hicieron. Además, las características radiómicas predijeron el tiempo hasta la progresión y la supervivencia general.

De acuerdo con Mohammadhadi Khorrami, M.S, un candidato a Ph.D., del Departamento de Ingeniería Biomédica de la Escuela de Ingeniería de la Universidad Case Western Reserve en Cleveland, Ohio, quien, junto con Mónica Khunger, M.D, del Departamento de Medicina Interna de la Clínica Cleveland, dirigió el estudio, los datos radiómicos derivados de las imágenes de TC también pueden ayudar a identificar a aquellos pacientes que presentan un riesgo elevado de recurrencia y que podrían beneficiarse de una observación y seguimiento más intensivos.

“Cuando observamos los patrones dentro del tumor, obtuvimos una exactitud de 0,68. Pero cuando miramos dentro y fuera, la exactitud subió a 0,77”, dijo Khorrami. “A pesar de la gran cantidad de estudios en el espacio de la radiómica por TC, el área circundante inmediata del tumor, o la región peritumoral, ha permanecido relativamente sin explorar. Nuestros resultados mostraron una clara evidencia del papel de los patrones de textura peritumoral en la predicción de la respuesta y el tiempo de progresión después de la quimioterapia”.

“Este es el primer estudio que demuestra que los patrones de heterogeneidad o diversidad extraídos por computadora desde fuera del tumor fueron predictivos de la respuesta a la quimioterapia”, dijo la Dra. Khunger. “Esto es muy importante porque podría permitir predecir antes de la terapia qué pacientes con cáncer de pulmón tienen probabilidad de responder o no. Esto, a su vez, podría ayudar a identificar a los pacientes que probablemente no respondan a la quimioterapia y reciban terapias alternativas como la radiación o la inmunoterapia”.

Enlace relacionado:
Departamento de Ingeniería Biomédica de la Escuela de Ingeniería de la Universidad Case Western Reserve
Clínica Cleveland