Contexto

El cáncer cerebral infantil es una enfermedad mortal que ocupa el primer lugar entre las causas de muerte relacionadas con el cáncer pediátrico. Los pacientes con tumores del sistema nervioso central, como el meduloblastoma o el ependimoma, reciben un tratamiento estándar que combina radioterapia de alta dosis y quimioterapia citotóxica intensiva tras la cirugía. Gracias a estas estrategias de tratamiento agresivas, la tasa de supervivencia a cinco años ha mejorado significativamente en comparación con el pasado.

El problema es que la radiación cerebral y espinal total, junto con la quimioterapia de alta intensidad aplicada durante la infancia —cuando el cerebro aún no se ha desarrollado por completo—, deja discapacidades permanentes e irreversibles. Muchos pacientes pediátricos que completan el tratamiento sufren un deterioro cognitivo grave, trastornos del aprendizaje y deficiencia de la hormona del crecimiento, además de enfrentar el riesgo de desarrollar segundos cánceres al llegar a la edad adulta.

En la práctica clínica, ha existido una necesidad urgente de estrategias de desescalada terapéutica que permitan reducir la intensidad del tratamiento de forma segura sin disminuir la tasa de supervivencia. Debido a la gran variabilidad en el pronóstico de cada paciente y la alta heterogeneidad molecular-genética de los tumores, era difícil identificar con precisión a los pacientes de bajo riesgo que podrían beneficiarse de un tratamiento reducido utilizando únicamente la clasificación histológica convencional o pruebas genéticas individuales.

Hallazgo clave

Los investigadores han desarrollado un modelo de predicción de pronóstico basado en inteligencia artificial (IA) multimodal, capaz de realizar un análisis integrado de vastos registros clínicos y perfiles moleculares. La clave de esta tecnología es que no se limita a la información única en el momento del diagnóstico, sino que calcula el riesgo de supervivencia personalizado de forma dinámica a lo largo del tiempo.

Integración de datos multimodales y estimación de riesgo dependiente del tiempo

El modelo fue entrenado combinando datos de imagen, como resonancias magnéticas (MRI), perfiles de metilación del ADN (DNA methylation), datos de expresión génica transcriptómica e información clínico-patológica básica. A diferencia de los sistemas de puntuación tradicionales, que se limitaban a una clasificación de riesgo estática, este modelo reconstruye en tiempo real las curvas de probabilidad de supervivencia para puntos temporales específicos.

El algoritmo multimodal logró separar con precisión subtipos moleculares extremadamente agresivos de subtipos moleculares relativamente benignos, incluso dentro de tumores que presentan hallazgos histológicos aparentemente similares. De este modo, identificó con mayor precisión que los métodos convencionales al grupo de pacientes pediátricos candidatos a la reducción terapéutica, aquellos con una alta tasa de curación que pueden lograr una supervivencia a largo plazo sin necesidad de recibir dosis excesivas de radioterapia de alta intensidad.

Detección del riesgo de sobretratamiento

El estudio reveló que algunos pacientes, que según las guías clínicas actuales serían clasificados como de alto riesgo y requerirían radioterapia cerebral total con campo frontal, pertenecen en realidad a un grupo de bajo riesgo molecularmente muy estable. Por el contrario, también logró detectar con precisión a los pacientes clasificados como de bajo riesgo mediante biopsia, pero que presentan un alto riesgo latente de recurrencia, lo que requiere un refuerzo temprano del tratamiento.

Significado y perspectivas

Esta investigación marca un nuevo hito en la oncología de precisión, considerando incluso la calidad de vida (calidad de vida) de los supervivientes de cáncer infantil. Esto se debe a que la IA ha demostrado la evidencia clínica para trascender la etapa de simplemente eliminar las células cancerosas y salvar la vida del niño, hacia una en la que se puedan minimizar las secuelas neurológicas y físicas que el paciente experimentará durante toda su vida adulta.

Para acelerar su aplicación clínica, deben resolverse varios desafíos prácticos. Dado que el cáncer cerebral infantil es una enfermedad rara, los datos de una sola institución son limitados, por lo que es necesaria una validación externa mediante cohortes multinacionales y multicéntricas. También se requiere un proceso de refinamiento de la capacidad de generalización del modelo para superar las variaciones entre los protocolos de MRI y las plataformas de secuenciación genómica de cada institución.

No obstante, esta arquitectura, que integra datos de diversos niveles biológicos para predecir el pronóstico a lo largo del eje temporal, tiene un gran potencial para su aplicación en el diseño de tratamientos contra otros cánceres adultos, como los gliomas, u otros tumores sólidos pediátricos.