Esta herramienta es capaz de clasificar con precisión a los pacientes con cáncer según sus posibles resultados.
Un estudio publicado en Nature Communications presenta el desarrollo de un innovador marco de machine learning o aprendizaje automático llamado Graph-Encoded Mixture Survival (GEMS), diseñado para identificar subtipos clínicos o subfenotipos en pacientes con cáncer de pulmón no microcítico avanzado (CPNMA, en inglés). Este enfoque, aplicado a datos del mundo real, logra predecir con mayor precisión la supervivencia global y revela tres subgrupos de pacientes con características y respuestas al tratamiento significativamente diferentes.
El equipo de investigadores de Weill Cornell Medicine y Regeneron Pharmaceuticals analizó registros electrónicos de salud de 4,666 pacientes tratados con inhibidores de puntos de control inmunitario (ICI) como primera línea de terapia. El modelo GEMS combina redes neuronales gráficas (GNN, en inglés) con técnicas de clustering y predicción de supervivencia, superando a métodos tradicionales como el modelo de riesgos proporcionales de Cox y algoritmos no supervisados.
“Esperamos que este enfoque, en última instancia, sea útil para probar y orientar tratamientos para una amplia gama de enfermedades”, dijo el autor principal, el Dr. Fei Wang, director fundador del Instituto de IA para la Salud Digital en el Departamento de Ciencias de la Salud de la Población en Weill Cornell Medicine.
La clave del modelo radica en su capacidad para agrupar pacientes no solo por similitudes en sus datos clínicos, como metástasis, comorbilidades o resultados de laboratorio, sino también garantizando que cada subgrupo tenga patrones de supervivencia coherentes internamente y distintos entre sí. Esto permite una estratificación más precisa que los enfoques convencionales.
La coautora del estudio, la Dra. Ying Li, científica de Regeneron que trabaja en la predicción de la respuesta al tratamiento expresó que: “Nuestro objetivo era desarrollar una plataforma que clasificara a los pacientes con la enfermedad objetivo que reciben el mismo tratamiento en grupos con características basales y resultados terapéuticos similares”. Además detalló que validaron el método utilizando una base de datos real de pacientes con cáncer de pulmón microcítico avanzado tratados con inhibidores de puntos de control inmunitario.
Los hallazgos clave del estudio incluyeron la identificación de tres subfenotipos con pronósticos y características únicas:
- Subfenotipo 1 (42% de los pacientes): Mayor proporción de mujeres (55.5%), menor carga de metástasis y mejor supervivencia global.
- Subfenotipo 2 (14%): Predominio masculino (66.2%), supervivencia intermedia (305 días) y riesgo de progresión acelerada tras los primeros 500 días de tratamiento.
- Subfenotipo 3 (44%): Mayor gravedad, con altas tasas de metástasis hepática (31.2%) y cerebral (25.8%), comorbilidades como diabetes (15.1%) y la peor supervivencia con una mediana de 180 días.
El modelo demostró una precisión superior, a través del índice de concordancia: 0.665 vs. 0.652 en métodos basales y validó la reproducibilidad de los subgrupos en una cohorte independiente de 1,441 pacientes.
Los subfenotipos identificados reflejan diferencias fisiopatológicas relevantes. Por ejemplo, el subfenotipo 3 mostró marcadores asociados a resistencia a inmunoterapia, mientras que el subfenotipo 1 presentó características vinculadas a mejor respuesta. Estos hallazgos podrían guiar decisiones terapéuticas personalizadas, como intensificar seguimientos en pacientes del subfenotipo 2 o explorar terapias combinadas para el subfenotipo 3.
“Probablemente necesitaremos más que datos de registros médicos electrónicos para esto, pero queremos entender los mecanismos biológicos que explican estos distintos subgrupos de pacientes”, dijo el Dr. Wang
Los autores destacan que el estudio se basa en datos observacionales y no establece causalidad. Además, no incluyó información genómica detallada o notas médicas no estructuradas. Sin embargo, el marco GEMS es adaptable a otras enfermedades, ofreciendo un camino para avanzar hacia la medicina de precisión.
