La mayoría de los cánceres se originan en una parte específica del cuerpo, por lo que es fundamental que los médicos identifiquen el origen para tratar a los pacientes de forma eficaz. Sin embargo, entre el tres y el cinco por ciento de los casos, el estudio de diagnóstico estándar no logra identificar el sitio primario, lo que lleva a un pronóstico sombrío para quienes padecen esta afección conocida como cáncer de origen primario desconocido (CUP). A menudo, los médicos recurren a tratamientos amplios que son menos eficaces y van acompañados de más efectos secundarios que las terapias dirigidas. Como resultado, los pacientes con CUP se enfrentan a una rápida progresión de la enfermedad, con tasas de supervivencia que promedian sólo entre seis y 16 meses.
Presentamos OncoNPC: una solución de aprendizaje automático
Intae Moon, estudiante de doctorado en el Instituto Tecnológico de Massachusetts (MIT) y el Instituto del Cáncer Dana-Farber, buscó revolucionar el diagnóstico del sitio primario de CUP. Si bien la secuenciación de próxima generación (NGS) puede identificar mutaciones tumorales y ayudar a determinar los tipos de cáncer, la gran cantidad de datos sobre mutaciones generadas puede abrumar a los médicos durante el diagnóstico inicial. Normalmente, la NGS se utiliza sólo después de la identificación del tipo de cáncer para identificar mutaciones específicas para terapias dirigidas. Sin embargo, la NGS no se había explorado exhaustivamente para el diagnóstico y pronóstico clínico de la CUP. Moon y sus colegas desarrollaron un modelo de aprendizaje automático conocido como OncoNPC (Clasificador de tipo de cáncer primario basado en Oncología NGS) para cerrar esta brecha. Este enfoque innovador tiene como objetivo analizar datos de mutaciones complejos de manera eficiente.
Liberando 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 de tumores con cánceres primarios conocidos, los investigadores emplearon OncoNPC para identificar mutaciones genéticas, alteraciones del número de copias y firmas mutacionales. El modelo también incorporó la edad del paciente y el sexo biológico de los registros médicos electrónicos. Al entrenar a OncoNPC con datos de tres centros oncológicos diferentes en los EE. UU., el equipo vinculó firmas genéticas específicas con 22 tipos de cáncer diferentes. Después del entrenamiento, evaluaron el desempeño de OncoNPC en datos previamente excluidos, logrando una tasa de precisión impresionante.
Un rayo de esperanza para los pacientes de CUP
Al aplicar OncoNPC a tumores de 971 pacientes con CUP tratados en el Instituto del Cáncer Dana-Farber, los investigadores clasificaron con éxito el 41,2 por ciento de los tumores CUP con alta confianza. Además, identificaron las características genéticas más relevantes para identificar cada tipo de cáncer, proporcionando información clínica y biológica invaluable sobre la naturaleza enigmática de los tumores CUP.
Dado que en estos casos se desconocían los sitios del tumor primario, la precisión del modelo se validó comparando los resultados con los datos NGS de los pacientes para identificar cualquier predisposición genética a un tipo de cáncer específico. Es alentador que las predicciones del modelo se alineen estrechamente con el tipo de cáncer indicado con más fuerza por estas mutaciones hereditarias.
Mejorar la supervivencia del paciente mediante un tratamiento de precisión
Para evaluar el impacto del tratamiento de 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 de los pacientes para determinar si los tratamientos se alineaban con las predicciones de tipo de cáncer de OncoNPC. Los resultados fueron prometedores y mostraron que los pacientes con CUP cuyo primer tratamiento paliativo coincidió con las predicciones de OncoNPC experimentaron tasas de supervivencia significativamente mejores en comparación con aquellos cuyos tratamientos no coincidieron.
Perspectivas y horizontes en expansión
Los investigadores tienen planes ambiciosos para el futuro de OncoNPC. Si bien el modelo demostró un rendimiento decente en pacientes de diversos orígenes étnicos, se necesita más investigación para confirmar su eficacia en pacientes diversos. Además, OncoNPC se centra en los 22 tipos de cáncer más comunes y es posible que no identifique 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 fuente adicional de información para los oncólogos, allanando el camino para decisiones de tratamiento del cáncer más precisas y eficaces. Este avance, basado en datos de pruebas clínicas de rutina, ofrece esperanza para muchos pacientes con CUP, cuyo pronóstico ha sido nefasto durante mucho tiempo.
En la incesante 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 de mejorar la supervivencia del paciente mediante un tratamiento de precisión, esta herramienta de aprendizaje automático podría revolucionar la forma en que los médicos diagnostican y manejan esta desafiante afección. Si bien existen desafíos que superar y más investigaciones por realizar, el potencial de OncoNPC para marcar una diferencia en las vidas de los pacientes con CUP es prometedor e innovador.
