Volver a Noticias Científicas
Investigación Científica

Detalles del Artículo

ALCANCE: Integración de la Selección de Organoides y Variables Clínicas a Través del Aprendizaje Automático para la Predicción de Resultados en Ensayos de Cáncer

Fase: III
n: 15
p: < 0.001

¿Qué significa esto para los pacientes?

AI

Este estudio describe un nuevo programa informático llamado SCOPE. Fue diseñado para predecir los resultados de los ensayos clínicos de tratamiento del cáncer antes de que se lleven a cabo.

El programa utiliza dos tipos de información: datos de organoides derivados del paciente (PDO), que son modelos pequeños cultivados a partir de las células tumorales de un paciente en el laboratorio, y datos clínicos sobre los pacientes. Los investigadores probaron SCOPE utilizando datos de pacientes con cáncer colorrectal metastásico y cáncer de páncreas. El programa predijo qué tan bien funcionarían los diferentes tratamientos, analizando específicamente la mediana de supervivencia libre de progresión (mPFS, el tiempo promedio en que el cáncer no crece) y la tasa de respuesta objetiva (ORR, el porcentaje de pacientes cuyos tumores se reducen). Las predicciones se compararon con los resultados reales de los ensayos clínicos publicados.

Los resultados mostraron que SCOPE fue bastante preciso en la predicción de los resultados de estos ensayos, incluso sin conocer los resultados de antemano. Fue más preciso en la predicción que el uso de los datos de los organoides o los datos clínicos por separado. El programa también pudo identificar correctamente qué brazo de tratamiento era más probable que fuera mejor en las comparaciones directas. Los investigadores también lo utilizaron para predecir los resultados de un nuevo ensayo clínico de un fármaco para el cáncer de páncreas antes de que estuvieran disponibles los resultados finales, y la predicción coincidió con lo que se observó posteriormente en el ensayo.

Esta investigación se encuentra actualmente en una etapa preclínica, utilizando organoides cultivados en laboratorio y datos clínicos existentes. Aún no se sabe si este enfoque funcionará de manera confiable en la práctica clínica real. Serían necesarios más estudios y validación antes de que SCOPE pueda utilizarse para ayudar a diseñar ensayos clínicos o tomar decisiones sobre qué tratamientos utilizar.

Este resumen es generado por IA con fines informativos. No sustituye el consejo médico profesional. Consulte siempre con su oncólogo.

Antecedentes: Predecir si un tratamiento demostrará un beneficio clínico significativo antes de comprometerse con un ensayo a gran escala sigue siendo una necesidad médica importante sin resolver en oncología. Los organoides derivados de pacientes (PDO) recapitulan la sensibilidad individual a fármacos del tumor, pero no se han utilizado para pronosticar resultados de ensayos a nivel poblacional. Desarrollamos SCOPE (Screening-to-Clinical Outcome Prediction Engine), una plataforma que integra cribado farmacológico de PDO con modelado pronóstico clínico para predecir la supervivencia libre de progresión mediana a nivel de brazo (mPFS) y la tasa de respuesta objetiva (ORR) sin acceso a datos de resultado de ensayos.

Pacientes y métodos: SCOPE fue entrenado con 54 líneas de tratamiento de pacientes con cáncer colorrectal metastásico (mCRC, n=15) y adenocarcinoma ductal pancreático metastásico (mPDAC, n=39) con datos clínicos coincidentes y cribado farmacológico de PDO en 9 compuestos. Un módulo de Puntuación Clínica captura el pronóstico basal; un módulo de Puntuación de Cribado Farmacológico cuantifica la sensibilidad del organismo específica del tratamiento. Para predecir resultados de ensayos, se generan perfiles de pacientes sintéticos a partir de criterios de elegibilidad publicados y se cotejan con un banco de 81 líneas de PDO.

Las predicciones fueron validadas externamente contra 32 brazos de 23 ensayos publicados, la clasificación de tratamientos fue evaluada en 8 comparaciones cara a cara, y la aplicabilidad prospectiva fue probada para daraxonrasib (RMC-6236), un nuevo inhibidor pan-RAS en mPDAC. Resultados: El mPFS predicho mostró fuerte concordancia con los resultados publicados (R²=0,85, MAE=0,82 meses; r de Pearson=0,92, P

Inicia sesión o regístrate para acceder al texto completo

Se abre en una nueva pestaña en la publicación original

Compartir y Discutir

Comentarios

¡Aún no hay comentarios. Sé el primero en comentar!

Enviar a mi oncólogo

Artículo: SCOPE: Integrating Organoid Screening and Clinical Variables Through Machine Learning for Cancer Trial Outcome Prediction

Autores: Bouteiller, J.; Gryspeert, A.-R.; Caron, J.; Polit, L.; Altay, G.; Cabantous, M.; Pietrzak, R.; Graziosi, F.; Longari...
Publicado: 2026-04-11
Genes: KRAS, NRAS
Tratamientos: Chemotherapy

Enlace: https://crcwarriors.org/article-detail.php?id=1917

¡Regístrate para usar esta función!

Crea una cuenta gratuita para enviar artículos científicos directamente a tu oncólogo y acceder a muchas más funcionalidades personalizadas.

Regístrate gratis