Una nueva investigación dirigida por el Winship Cancer Institute de la Universidad Emory y el Abramson Cancer Center de la Universidad de Pensilvania muestra que una plataforma, la primera de su tipo, que utiliza inteligencia artificial (IA) puede ayudar a los médicos y pacientes a predecir. Puede ayudar a determinar si un paciente individual y en qué medida. . Puede beneficiarse de un tratamiento particular que se esté probando en un ensayo clínico. Esta plataforma de inteligencia artificial puede ayudar a tomar decisiones de tratamiento informadas, comprender los beneficios esperados de nuevos tratamientos y planificar la atención futura.
El estudio, publicado en Medicina de la naturalezaDirigido por el oncólogo médico certificado Ravi B. Parekh, MD, MPP, director médico de recursos compartidos para aplicaciones de datos y tecnología en el Winship Cancer Institute de la Universidad de Emory y profesor asociado en el Departamento de Hematología y Oncología Médica de la Facultad de Medicina de la Universidad de Emory. Ocho profesores lo hicieron. of Medicine, que desarrolla e integra aplicaciones de IA para mejorar la atención al paciente con cáncer. Qi Long, PhD, profesor de bioestadística y ciencias de la información y la computación, y director fundador del Centro de Ciencia de Datos sobre el Cáncer de la Universidad de Pensilvania, y director asociado de ciencia de datos cuantitativos en el Centro Oncológico Abramson de Penn Medicine, participó. – Autor principal. El primer autor del estudio fue Xavier Arcutt, MD, quien se formó en el laboratorio de Parekh. Otros autores del estudio fueron Kan Chen, estudiante de doctorado en prácticas en el laboratorio de Long, y Ronak Mamtani, profesor asociado de medicina en la Universidad de Pensilvania.
Parekh y sus colegas investigadores desarrollaron TrialTranslator, un marco de aprendizaje automático que “traduce” los resultados de los ensayos clínicos a poblaciones del mundo real. Al simular 11 ensayos clínicos históricos sobre el cáncer utilizando datos del mundo real, pudieron replicar los resultados del ensayo clínico real, identificando así qué grupos podían responder bien al tratamiento en un ensayo clínico y cuáles no.
“Esperamos que esta plataforma de IA proporcione un marco para ayudar a los médicos y pacientes a decidir si los resultados de los ensayos clínicos se pueden aplicar a pacientes individuales”, afirma Parekh. “Además, este estudio puede ayudar a los investigadores a identificar subgrupos en los que los nuevos tratamientos no funcionan, fomentando nuevos ensayos clínicos para estos grupos de alto riesgo”.
“Nuestro trabajo demuestra el tremendo potencial de aprovechar la IA/ML para utilizar datos ricos, pero complejos, del mundo real para avanzar con precisión en la medicina de la mejor manera posible”. dice Long.
Generalización limitada de los resultados de los ensayos.
Parekh señala que los ensayos clínicos de posibles nuevos tratamientos son limitados porque menos del 10% de todos los pacientes con cáncer participan en un ensayo clínico. Esto significa que los ensayos clínicos a menudo no representan a todos los pacientes con este cáncer. Incluso si un ensayo clínico demuestra que una nueva estrategia de tratamiento tiene mejores resultados que la atención estándar, “hay muchos pacientes en los que el nuevo tratamiento no funciona”, dice Parekh.
“Este marco y nuestra calculadora de código abierto permitirán a los pacientes y médicos decidir si los resultados de los ensayos clínicos de fase III son aplicables a pacientes individuales con cáncer”, añadió. resultados negativos.”
¿Cómo realizaron su análisis?
Parekh y sus colegas utilizaron una base de datos nacional de registros médicos electrónicos (EHR) de Flatiron Health para simular 11 ensayos controlados aleatorios históricos (estudios que comparan los efectos de diferentes tratamientos asignándolos aleatoriamente a grupos que investigaron la prevención del cáncer). regímenes considerados estándar de atención. Las cuatro neoplasias malignas sólidas avanzadas más prevalentes en los Estados Unidos: cáncer de pulmón de células no pequeñas avanzado, cáncer de mama metastásico, cáncer de próstata metastásico y cáncer colorrectal metastásico.
lo que encontraron
Su análisis reveló que los pacientes con fenotipos de riesgo bajo e intermedio, que son rasgos basados en el aprendizaje automático que se utilizan para predecir el pronóstico inicial de un paciente, tenían mejores tiempos de supervivencia y tratamientos. Los beneficios de supervivencia asociados son similares a los observados en controles aleatorios. Ensayos Por el contrario, los individuos con fenotipos de alto riesgo mostraron un tiempo de supervivencia y beneficios de supervivencia asociados al tratamiento significativamente menores en comparación con los ensayos controlados aleatorios.
Sus hallazgos sugieren que el aprendizaje automático puede identificar grupos de pacientes del mundo real en los que los resultados de ensayos controlados aleatorios son menos comunes. Esto significa, dice, que “los pacientes del mundo real probablemente tengan diagnósticos más heterogéneos que los participantes de ensayos controlados aleatorios”.
¿Por qué es esto importante?
El equipo de investigación concluyó que el estudio “sugiere que el pronóstico del paciente, más que los criterios de elegibilidad, es un mejor predictor de supervivencia y beneficio del tratamiento”. Sugieren que los ensayos prospectivos “deberían considerar métodos más sofisticados para evaluar a los pacientes en el momento del ingreso, en lugar de depender únicamente de criterios estrictos de elegibilidad”.
Además, citan recomendaciones de la Sociedad Estadounidense de Oncología Clínica y Amigos de la Investigación del Cáncer de que se deben hacer esfuerzos para mejorar la representación de los subgrupos de alto riesgo en ensayos controlados aleatorios. “
Sobre el papel de la IA en tales estudios, Parekh dice: “Pronto, con un monitoreo y evidencia adecuados, habrá una ola creciente de biomarcadores basados en IA que se pueden usar en patología, radiología o electrónica para ayudar en la predicción. información del historial médico. Si los pacientes responderán o no a ciertos tratamientos, diagnosticarán el cáncer antes o darán como resultado un mejor pronóstico para nuestros pacientes”.
Esta investigación fue financiada por subvenciones de los Institutos Nacionales de Salud: K08CA263541, P30CA016520 y U01CA274576.
