Un modelo de aprendizaje automático que integra factores clínicos y genómicos ha superado a los modelos basados únicamente en datos clínicos o genómicos en la predicción de qué pacientes con cáncer de mama metastásico positivo a receptores hormonales y HER2 negativo se beneficiarán de la adición de inhibidores de CDK4/6 a la terapia endocrina de primera línea, según los resultados presentados en el Simposio sobre Cáncer de Mama de San Antonio 2024 (SABCS; Resumen GS3-09).
Pedram Razavi, MD, PhD, director científico del programa de investigación global en el Memorial Sloan Kettering Cancer Center (MSK) y presentador del estudio, destacó la variabilidad en las respuestas a los inhibidores de CDK4/6 entre los pacientes. Aunque el uso de estos inhibidores ha mejorado significativamente los resultados, algunos pacientes desarrollan resistencia con el tiempo y otros no obtienen ningún beneficio.
“Hay una necesidad crítica de identificar a los pacientes que pueden o no beneficiarse de la adición de inhibidores de CDK4/6 en el momento del diagnóstico metastásico”, dijo el Dr. Razavi. “Una predicción más precisa de los resultados podría ayudar a algunos pacientes a evitar efectos secundarios innecesarios y toxicidad financiera derivados de enfoques iniciales intensificados.”
El estudio utilizó OncoCast-MPM, una herramienta de aprendizaje automático desarrollada en MSK, para crear tres modelos que predicen la supervivencia libre de progresión con inhibidores de CDK4/6: uno basado en características clínico-patológicas, otro en características genómicas y un modelo integrado que combina ambos. Estos modelos se entrenaron en una cohorte de 761 pacientes que recibieron terapia endocrina de primera línea con inhibidores de CDK4/6.
El modelo integrado identificó cuatro grupos de riesgo, con una mediana de supervivencia libre de progresión de 5,3 meses en el grupo de alto riesgo y 29 meses en el grupo de bajo riesgo. Notablemente, el índice de riesgo entre los grupos de alto y bajo riesgo fue significativamente mayor en el modelo integrado, lo que indica una estratificación superior de los pacientes.
“Los tres modelos funcionaron excepcionalmente bien, superando los modelos de riesgo clínico convencionales”, afirmó el Dr. Razavi. “El poder del análisis brilló cuando comenzamos a combinar las características clínicas y genómicas.”
Las limitaciones de este estudio incluyen su diseño de institución única y posibles sesgos. Para abordar estos problemas, el Dr. Razavi y su equipo están validando el modelo utilizando conjuntos de datos externos y tienen como objetivo desarrollar una herramienta en línea donde los médicos puedan ingresar datos clínicos y genómicos para recibir predicciones de resultados personalizadas.