Antecedentes

Los inhibidores de puntos de control inmunitario (ICI), pilares de la inmunoterapia oncológica, han logrado respuestas de supervivencia a largo plazo, casi curativas, en algunos pacientes con cáncer avanzado. El hecho de que se hayan registrado casos sucesivos de pacientes que experimentaron una reducción dramática de los tumores tras la administración del fármaco ha posicionado a los ICI como una alternativa para superar las limitaciones de la quimioterapia citotóxica convencional. Sin embargo, en la práctica clínica real, la proporción de pacientes que se benefician significativamente del tratamiento se limita a entre el 20% y el 30%. La mayoría de los pacientes experimentan un empeoramiento de la enfermedad o enfrentan efectos secundarios de toxicidad inmunitaria graves, similares a enfermedades autoinmunes, a pesar de recibir fármacos de alto costo.

Actualmente, las decisiones terapéuticas se basan en biomarcadores individuales como la tasa de expresión de la proteína Programmed Death-Ligand 1 (PD-L1) o la carga mutacional tumoral (TMB). No obstante, se señala que estos indicadores únicos no logran explicar por completo el complejo microentorno tumoral ni el ecosistema inmunitario sistémico propio de cada paciente. De hecho, se reportan con frecuencia casos en los que el pronóstico terapéutico varía drásticamente dentro de un mismo grupo de pacientes con idénticos niveles de TMB. Esto ha impulsado la aparición de modelos de análisis integrativo de datos multimodales a nivel de paciente, que abarcan las variantes genéticas y los patrones de expresión del transcriptoma del tejido tumoral, la distribución de linfocitos infiltrantes en el tumor y los indicadores de inflamación sistémica.

Hallazgos clave

Los investigadores integraron datos biológicos multimodales a nivel de paciente recopilados en múltiples cohortes clínicas para construir un modelo predictivo de la respuesta al tratamiento con ICI. Configuración que fusiona variantes genómicas basadas en la secuenciación del exoma completo (WES), la expresión génica medida mediante secuenciación de ARN, la infiltración de células inmunitarias extraída de láminas de tejido patológico y los valores de análisis de sangre periférica del paciente, utilizando un único algoritmo de aprendizaje automático. Al integrar y analizar datos multimodales en comparación con la aplicación individual de biomarcadores únicos existentes, el área bajo la curva ROC (AUC) mejoró significativamente en más de 0.15. Esto permite identificar con precisión de antemano a los pacientes no respondedores al tratamiento, que resultaban difíciles de detectar utilizando únicamente un solo marcador. Se explica que los biomarcadores que conforman la red de señales complejas actúan de manera complementaria, compensando el error de discriminación del modelo predictivo.

A pesar de esta mejora en el rendimiento, se expuso una clara limitación técnica: la disminución de la capacidad predictiva en cohortes de validación externas. Mientras que el valor del AUC superaba 0.80 en el conjunto de datos de entrenamiento interno utilizado para entrenar el modelo, al aplicarlo a cohortes de validación independientes de otros centros médicos, este disminuyó drásticamente hasta situarse entre 0.60 y 0.65. Se señala que las diferencias técnicas en los métodos de preprocesamiento de muestras y las plataformas de análisis de secuencias, que varían entre cada hospital, son la principal causa que perjudica el rendimiento de generalización del modelo. Las diferencias raciales en la población de pacientes y el desequilibrio en la distribución de las etapas clínicas detalladas también son factores que incrementan el error de predicción. Esto evidencia el riesgo de sobreajuste (overfitting) que persiste cuando el modelo se ajusta excesivamente a las características locales de los datos de entrenamiento durante el proceso forzado de combinación de datos multimodales.

Significado y perspectivas

Este estudio ofrece una pista para mejorar la capacidad predictiva de la respuesta a los inmunoterapéuticos mediante la integración precisa de señales biológicas multidimensionales, al tiempo que pone de manifiesto claramente los cuellos de botella tecnológicos que obstaculizan su aplicación clínica real. Se valora que la investigación ha señalado la cruda realidad clínica: los algoritmos desarrollados en un entorno de estudio único son difíciles de trasladar directamente a conjuntos de datos de otras instituciones médicas. Un modelo predictivo excesivamente ajustado a un conjunto de datos específico difícilmente funcionará plenamente en el complejo entorno de la práctica clínica real.

Para investigaciones futuras, la prioridad será establecer técnicas de normalización que corrijan con precisión las disparidades de datos y los efectos de lote (batch effects) entre instituciones médicas. Se debe establecer un estándar de recopilación de datos compatible para su uso en entornos médicos de todo el mundo, tras la validación clínica multicéntrica. Se prevé un cambio de paradigma en la investigación, pasando de simplemente aumentar la complejidad de los algoritmos hacia el desarrollo de pipelines de Inteligencia Artificial (AI) robustos que mantengan una capacidad predictiva sólida incluso en entornos heterogéneos.