O modelo de aprendizado de máquina prevê a eficácia da terapia

O novo modelo de aprendizado de máquina pode reduzir o tempo de tratamento, identificando rapidamente quais pacientes têm maior probabilidade de responder ao ICB em vez do método atual de tentativa e erro.

Pesquisadores da Universidade de Tecnologia de Eindhoven estão recorrendo ao aprendizado de máquina para prever melhor se uma determinada imunoterapia ajudará pacientes com câncer. O modelo no artigo mais recente mostra-se promissor e até supera as abordagens clínicas tradicionais até agora.

Aproveitando a imunoterapia na luta contra o câncer

As células tumorais se escondem das defesas naturais do corpo, tornando o câncer notoriamente difícil de tratar e combater. As células tumorais bloqueiam a resposta imune natural do corpo, mas a imunoterapia pode acordá-la novamente para alguns pacientes. O problema é descobrir precocemente quais pacientes têm maior probabilidade de responder.

Uma dessas terapias, bloqueadores de checkpoint imunológico (ICB), diz às células imunológicas para ignorar quaisquer ordens de desligamento emitidas por células cancerígenas que tentam se esconder. Embora seja uma descoberta revolucionária, apenas cerca de um terço dos pacientes com câncer respondem ao tratamento.

O novo modelo de aprendizado de máquina pode reduzir o tempo de tratamento, identificando rapidamente quais pacientes têm maior probabilidade de responder ao ICB em vez do método atual de tentativa e erro. Esse modelo também pode ajudar a garantir que os pacientes que provavelmente não responderão recebam tratamentos oportunos. O modelo também pode descobrir exatamente por que esses outros dois terços dos pacientes não respondem.

Veja também: AI pode desbloquear uma nova era de ensaios clínicos

Como funciona o modelo de aprendizado de máquina

O aprendizado de máquina explora biomarcadores de tumores de amostras de pacientes. Ele explora como esses marcadores se comunicam com outras células causando uma resposta ao ICB ou rejeitando-o. A partir daí, a máquina é capaz de aprender com amostras de pacientes para identificar quais futuros pacientes carregam os mesmos biomarcadores que indicam o sucesso do ICB.

Usar o aprendizado de máquina não é um método novo, mas os pesquisadores adicionaram um pequeno truque para desvendar um problema persistente de acesso a dados. Embora os conjuntos de dados de sequenciamento de RNA estejam amplamente disponíveis, aqueles específicos para a resposta ao câncer são limitados. Os pesquisadores usaram várias respostas imunes substitutas. Juntos, eles podem indicar uma resposta positiva do ICB.

Quando testado contra a detecção de biomarcadores atuais, o modelo teve um desempenho melhor. Também pode ser útil para identificar quais marcadores são mais importantes na obtenção da resposta imune desejada. É mais um passo na entrega de medicamentos personalizados em parceria com médicos e profissionais de saúde.