Modelo de IA Prevê Sucesso de Imunoterapia, Reduzindo Tempo de Tratamento do Câncer

O novo modelo de aprendizado de máquina pode reduzir o tempo para tratamento identificando rapidamente quais pacientes têm maior probabilidade de responder a 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 imunoterapia específica ajudará pacientes com câncer. O modelo no artigo mais recente mostra promessa e até supera abordagens clínicas tradicionais até agora.

Aproveitando imunoterapia na luta contra o câncer

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

Uma dessas terapias, bloqueadores de checkpoint imune (ICB), diz às células imunes para ignorarem quaisquer ordens de desligamento emitidas por células cancerígenas tentando se esconder. Embora seja uma descoberta revolucionária, apenas cerca de um terço dos pacientes com câncer responde ao tratamento.

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

Veja também: IA Poderia Desbloquear Nova Era de Ensaios Clínicos

Como o modelo de aprendizado de máquina funciona

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

Usar aprendizado de máquina não é um método novo, mas pesquisadores adicionaram um pequeno truque para desembaraçar um problema persistente de acesso a dados. Embora conjuntos de dados de sequenciamento de RNA estejam amplamente disponíveis, aqueles específicos para resposta ao câncer são limitados. Pesquisadores usaram várias respostas imunes substitutas. Juntas, elas poderiam indicar uma resposta positiva a ICB.

Quando testado contra detecção de biomarcadores atual, o modelo performou melhor. Também poderia ser útil para identificar quais marcadores são mais importantes para obter a resposta imune desejada. É outro passo na entrega de medicina personalizada em parceria com médicos e profissionais de saúde.