Investigadores del Centro Oncológico Kimmel de Johns Hopkins han desarrollado una herramienta computacional para anticipar qué pacientes con carcinoma hepatocelular podrían beneficiarse de una combinación de inmunoterapia y medicamentos dirigidos contra las señales de crecimiento del tumor.
El carcinoma hepatocelular es el tipo más frecuente de cáncer primario de hígado. Su rápida progresión hace especialmente relevante identificar cuanto antes qué estrategia puede ofrecer mejores resultados.
La propuesta de Johns Hopkins se basa en crear pacientes virtuales que reproducen mediante modelos matemáticos y algoritmos de aprendizaje automático la evolución observada en enfermos reales. De este modo, los investigadores pueden simular diferentes tratamientos antes de administrarlos.
El trabajo ha recibido financiación parcial de los Institutos Nacionales de la Salud de Estados Unidos y se ha publicado en PNAS.
Dos modelos para reproducir el comportamiento del tumor
La plataforma utilizada recibe el nombre de QSP espacial. Se ha desarrollado en el laboratorio de Aleksander Popel, profesor de ingeniería biomédica y oncología.
El sistema combina dos metodologías. La primera es la farmacología cuantitativa de sistemas (QSP), que utiliza ecuaciones matemáticas para reproducir la respuesta general del organismo a los medicamentos y la progresión tumoral.
La segunda emplea un modelo basado en agentes. Este enfoque permite estudiar cada célula individual, su comportamiento y su posición exacta dentro del microambiente tumoral.
Ambos sistemas se integran y sus parámetros se ajustan mediante algoritmos de aprendizaje automático alimentados con datos reales. El resultado son simulaciones capaces de reproducir la dinámica de los tumores observada en pacientes.
Atul Deshpande, autor principal del estudio y profesor adjunto de oncología en Johns Hopkins, explica que la finalidad es poder probar virtualmente diferentes dosis y combinaciones terapéuticas. El objetivo es orientar a los médicos hacia las opciones con mayores posibilidades de éxito cuando el tiempo disponible para probar tratamientos es limitado.
De 15 pacientes a una fase III virtual
Una de las características destacadas del modelo es su capacidad para escalar los datos. Los investigadores utilizaron información procedente de un ensayo clínico de fase I con solo 15 pacientes.
A partir de esa muestra inicial, la plataforma generó una población virtual con dimensiones representativas de un estudio de fase III.
Los científicos simularon concretamente la combinación de cabozantinib, una terapia dirigida, con nivolumab, un medicamento inmunoterapéutico. Las tasas de respuesta estimadas mediante el modelo coincidieron con los resultados de eficacia comunicados en los ensayos clínicos reales.
Esta correspondencia muestra la capacidad del sistema para proyectar escenarios de mayor tamaño a partir de información clínica inicial limitada.
Los fibroblastos explican parte de la resistencia
La simulación también permitió profundizar en los mecanismos que pueden provocar el fracaso del tratamiento. Los investigadores analizaron especialmente los fibroblastos, células que participan en la resistencia tumoral frente a la inmunoterapia.
El modelo mostró que estas células podían remodelar el entorno del tumor y generar un contexto fuertemente inmunosupresor.
En los pacientes virtuales que no respondían al tratamiento, los fibroblastos formaban una barrera física alrededor del tejido maligno. Esta estructura aparecía asociada a una menor eficacia de la combinación terapéutica estudiada.
Una vía para seleccionar terapias antes de administrarlas
Estos patrones estructurales presentan una ventaja importante. Pueden identificarse mediante una biopsia antes de comenzar el tratamiento.
La información podría utilizarse para seleccionar previamente una estrategia terapéutica o descartar combinaciones con pocas probabilidades de resultar eficaces en determinados perfiles tumorales.
El desarrollo apunta así hacia un modelo de decisión más personalizado. La intención de los investigadores es avanzar hasta determinar qué tratamiento ofrece la mayor probabilidad de éxito para cada arquitectura tumoral específica.
Para la investigación clínica, la herramienta plantea además una nueva forma de aprovechar los datos disponibles. La simulación permite estudiar poblaciones virtuales y explorar diferentes escenarios terapéuticos sin administrar previamente cada alternativa al paciente.
El objetivo final es utilizar el modelado computacional para reducir el tiempo dedicado a terapias ineficaces y evitar toxicidades innecesarias, dos factores especialmente relevantes en tumores de progresión rápida.
