Las estrategias de tratamiento contra el cáncer convencionales se centran en destruir el mayor número posible de células basándose en una terapia de “dosis máxima tolerada” (DMT), en la que el paciente recibe continuamente una dosis elevada de fármaco, sin interrupciones del tratamiento. Sin embargo, a menudo fracasan contra los cánceres metastásicos debido a la aparición de resistencias a los fármacos. Uno de los mayores retos en el tratamiento del cáncer es maximizar el impacto de los tratamientos farmacológicos en el paciente.
Una alternativa prometedora son las estrategias de terapia adaptativa, que ajustan dinámicamente el tratamiento para suprimir el crecimiento de poblaciones resistentes al tratamiento. Sin embargo, la falta de enfoques personalizados que tengan en cuenta las variaciones de los pacientes limita su eficacia.
Investigadores de la Universidad de Oxford y del Moffitt Cancer Center de Florida, en un nuevo estudio publicado en Cancer Research, han presentado un novedoso marco que aplica el aprendizaje de refuerzo profundo (DRL, una forma de IA) para crear programas terapéuticos adaptativos para pacientes individuales con cáncer de próstata. Los resultados indican que el nuevo enfoque adaptativo podría duplicar potencialmente el tiempo hasta la recaída en comparación con la DMT o las interrupciones del tratamiento no personalizadas.
Investigadores de la Universidad de Oxford han desarrollado con IA tratamientos personalizados contra el cáncer que podrían prevenir las recaídas de los pacientes
El autor principal del estudio, Kit Gallagher, estudiante de doctorado en el Instituto Matemático de Oxford, entrenó la red DRL con datos sintéticos de un modelo matemático de cáncer de próstata, para reproducir el comportamiento observado en ensayos clínicos anteriores. El modelo matemático fue vital para generar cantidades suficientemente grandes de datos de “pacientes virtuales” y permitió a los investigadores evaluar programas de tratamiento que no podían probarse clínicamente con facilidad.
Los resultados indicaron que el marco DRL supera sistemáticamente la DMT convencional y las estrategias adaptativas utilizadas clínicamente, retrasando la recaída en todos los pacientes de la cohorte de prueba y duplicando con creces el tiempo hasta la recaída en algunos pacientes. Además, fue robusto frente a los cambios o la incertidumbre tanto en la respuesta al tratamiento del paciente como en el intervalo de tiempo entre tratamientos, algo crucial para la aplicación de este enfoque en el mundo real.
Y lo que es más importante, los investigadores demostraron que podían extraerse estrategias de tratamiento interpretables de la red de aprendizaje profundo, de forma que un clínico pudiera entenderlas y llevarlas a cabo en sus pacientes.
“Durante mucho tiempo, la interpretabilidad ha sido un obstáculo importante para integrar los métodos de aprendizaje automático en la práctica clínica”
“La interpretabilidad ha sido durante mucho tiempo un obstáculo importante para integrar los métodos de aprendizaje automático en la práctica clínica”, afirma Kit Gallagher. “Cuando estos marcos son una caja negra y no podemos entender cómo derivan las recomendaciones de tratamiento, no podemos confiar en su aplicación en la clínica. Pero nuestro nuevo estudio demuestra que este obstáculo puede superarse”, añadió.
El método puede aplicarse incluso a los pacientes que empiezan a tomar nuevos fármacos y no disponen de un historial de su respuesta al tratamiento que permita elaborar un programa personalizado. Para estos casos, los investigadores proponen la creación de un “gemelo virtual” de los pacientes a partir de los datos de este tratamiento inicial, que podría utilizarse para ajustar el modelo DRL y generar un programa de tratamiento personalizado.
Los investigadores planean nuevos estudios para perfeccionar este método y explorar su aplicación a otras formas de cáncer. El estudio “Mathematical Model-Driven Deep Learning Enables Personalized Adaptive Therapy”, que cuenta con el apoyo del Instituto Nacional del Cáncer, se ha publicado en Cancer Research.