Filter by input type
Select all
News
Pages
Events
Filter by category
Select all
AI ANALYTICS
Mobile Apps and Internet of Things
Advancement of science
big data
Connected communities
Coronavirus
Courses and training
DIAGNOSIS
Initial Editorial
Editorials
A world in the cloud
Events
Infographics
Artificial Intelligence and Science
IoT Apps
News
Digital platforms
Social networks
Review of scientific publications
Course Summary
Synopsis of essay
Overview of reference frames
Synopsis of recent publications
Use of Digital Platforms
Herramienta computacional promete predecir resultados de inmunoterapia en cáncer de mama metastásico

Un modelo desarrollado por científicos de Johns Hopkins podría optimizar los tratamientos en pacientes con cáncer de mama metastásico triple negativo.

Investigadores del Centro de Cáncer Kimmel de Johns Hopkins y la Escuela de Medicina de la Universidad Johns Hopkins han creado una herramienta computacional que puede predecir qué pacientes con cáncer de mama metastásico responderán a la inmunoterapia. Esta herramienta utiliza un modelo avanzado para identificar biomarcadores que indiquen la efectividad de la inmunoterapia en cada paciente. El estudio, publicado en Proceedings of the National Academy of Sciences, representa un avance importante en el tratamiento personalizado de esta forma agresiva de cáncer.

La inmunoterapia busca fortalecer el sistema inmunológico del paciente para atacar las células cancerosas, pero su eficacia varía entre los pacientes, según explicó el Dr. Theinmozhi Arulraj, autor principal del estudio. De esta forma, identificar a los pacientes que podrían beneficiarse es crucial, ya que estos tratamientos pueden tener efectos secundarios significativos.

El equipo de investigación utilizó un modelo matemático llamado “farmacología de sistemas cuantitativos” o cuantitative systems pharmacology para crear 1,635 “pacientes virtuales” con cáncer de mama metastásico triple negativo y simular sus respuestas al medicamento pembrolizumab. Posteriormente, aplicaron herramientas computacionales avanzadas, incluyendo enfoques estadísticos y de machine learning, para identificar biomarcadores para la predicción de la respuesta al tratamiento.

Al analizar los datos generados, los investigadores evaluaron 90 biomarcadores, tanto individuales como en combinaciones, para predecir los resultados del tratamiento. Hallaron que los biomarcadores tomados después de iniciar el tratamiento, conocidos como “biomarcadores en tratamiento”, son más efectivos para anticipar los resultados de la inmunoterapia en comparación con los biomarcadores previos al tratamiento. Además, algunos marcadores sanguíneos, que no requieren biopsias invasivas, mostraron un rendimiento similar al de biomarcadores de tejidos tumorales.

Utilizando estos biomarcadores no invasivos, el equipo realizó un “ensayo clínico virtual” y demostró que los pacientes seleccionados según los cambios en el diámetro tumoral, medidos mediante tomografías computarizadas a las dos semanas del tratamiento, tenían una tasa de respuesta superior al doble de la tasa promedio, de 11% a 25%.

“Los biomarcadores predictivos son fundamentales para desarrollar estrategias optimizadas contra el cáncer de mama triple negativo, a fin de evitar el tratamiento excesivo en pacientes que se espera que evolucionen bien sin inmunoterapia y el tratamiento insuficiente en las que no responden bien a la inmunoterapia”, indicó el coautor del estudio, el Dr. César Santa-María, profesor asociado de oncología y oncólogo médico especialista en mama del Centro Oncológico Kimmel.

La herramienta computacional desarrollada por los investigadores de Johns Hopkins ofrece una prometedora vía para personalizar la inmunoterapia en pacientes con cáncer de mama metastásico triple negativo, reduciendo la posibilidad de tratamientos innecesarios y potencializando los beneficios en quienes más podrían responder. Esta tecnología podría marcar un hito para futuros estudios clínicos y extenderse a otros tipos de cáncer, optimizando así la precisión y efectividad de la inmunoterapia en oncología.

“Las complejidades del microambiente tumoral hacen que el descubrimiento de biomarcadores en la clínica sea un reto, pero las tecnologías que aprovechan el modelado in-silico tienen el potencial de capturar tales complejidades y ayudar en la selección de pacientes para la terapia”, concluyó el Dr. Santa-María.

Related Content

Secured By miniOrange