Radiómica y datos del mundo real para predecir la eficacia de la inmunoterapia en CPNM avanzado

La inmunoterapia ha transformado el tratamiento del cáncer de pulmón no microcítico (CPNM), pero la identificación de los pacientes que obtendrán mayor beneficio sigue siendo un desafío. El PD-L1, actual biomarcador de referencia, tiene una precisión limitada. Para abordar esta necesidad, un nuevo estudio ha explorado el potencial de la radiómica (que es la extracción de datos cuantitativos de imágenes médicas) combinada con datos del mundo real (RWD) para predecir la eficacia de la inmunoterapia.

🔬 ¿Cuál fue el diseño experimental?

Se trata de un estudio observacional, retrospectivo y monocéntrico que analizó a 375 pacientes con CPNM avanzado tratados con regímenes basados en inmiunoterapia entre abril de 2013 y mayo de 2022. Los pacientes que participaron fueron diagnosticados en estadio IV o recurrente y recibieron al menos una dosis de un ICI.

🖥️ Datos y variables: 

Se extrajeron un total de 107 características radiómicas de las lesiones pulmonares primarias a partir de tomografías computarizadas (TC) basales. Además, se recopilaron 16 variables clínicas relevantes de los registros médicos electrónicos, que constituyeron los datos del mundo real.

📊 Desarrollo del modelo: 

Se entrenaron clasificadores de aprendizaje automático utilizando tres conjuntos de características: 

• 1️⃣ solo radiómica (R)

• 2️⃣ solo RWD

• 3️⃣ la combinación de ambos (R + RWD)

Los modelos se evaluaron en un conjunto de datos de prueba independiente.

📌 Objetivos: 

La eficacia predictiva se midió para tres resultados clínicos: la tasa de beneficio clínico (CBR), la supervivencia global a los 6 meses (OS6) y la supervivencia global a los 24 meses (OS24). Para el análisis, se utilizó la técnica de inteligencia artificial explicable SHAP(SHapley Additive exPlanations) para identificar qué características clínicas y radiómicas influyeron más en las predicciones del modelo.

📊 ¿Qué encontraron?

El estudio demostró que la combinación de datos de radiómica y clínicos mejoraba consistentemente la predicción de los resultados en comparación con el uso de un solo tipo de datos o el biomarcador PD-L1.

🧑‍🤝‍🧑 Características de los pacientes:

La cohorte de 375 pacientes tenía una mediana de edad de 68 años. La mayoría eran hombres (61%), fumadores (83,7%) y presentaban un ECOG de 1 (54%). El tratamiento con inmunoterapia se administró mayoritariamente en monoterapia (77%) y como primera línea para la enfermedad metastásica (58%).

📈 Rendimiento del modelo predictivo:

El modelo con el mejor rendimiento fue el que combinó radiómica y RWD (R + RWD) para predecir la supervivencia a largo plazo (OS24). Este modelo alcanzó una precisión del 71% y un área bajo la curva (AUC) de 0,79 en el conjunto de prueba, demostrando una sólida capacidad para identificar a los pacientes con mayor probabilidad de supervivencia a largo plazo.

🆚 Comparación con el biomarcador estándar (PD-L1):

Una de las conclusiones más importantes fue que el modelo R + RWD superó consistentemente al PD-L1 en la predicción de los tres resultados clínicos. Aunque la diferencia no siempre fue estadísticamente significativa, la tendencia fue clara:

• Para OS24, el modelo R + RWD obtuvo un AUC de 0,79, mientras que el PD-L1 solo alcanzó un AUC de 0,56.

• Para OS6, el AUC fue de 0,76 para el modelo R + RWD frente a 0,54 para PD-L1.

🧠 Interpretabilidad del modelo (SHAP):

El análisis SHAP reveló las características más influyentes en las predicciones del modelo para OS24. Entre ellas destacaron factores clínicos bien conocidos, reforzando la validez del modelo. El estado funcional ECOG fue el factor más importante, seguido por el número de sitios metastásicos y la presencia de metástasis cerebrales.

Además, se identificó una característica radiómica clave, la Large Area Emphasis (LAE), que mide la distribución de áreas con intensidades de gris similares. Valores más altos de LAE (asociados a una textura tumoral más gruesa) se correlacionaron con una mejor supervivencia.

💡 En conclusión:

Este estudio demuestra que la integración de la radiómica y los datos clínicos del mundo real (RWD) a través de modelos de aprendizaje automático es una estrategia factible y eficaz para predecir los resultados de los pacientes con CPNM avanzado tratados con inmunoterapia.

El modelo combinado no solo mostró un rendimiento predictivo superior al del PD-L1, el estándar actual, sino que su interpretabilidad a través de SHAP confirmó la relevancia de factores clínicos establecidos y destacó nuevas características radiómicas. Si se valida en estudios prospectivos más amplios, esta herramienta podría ayudar a los oncólogos a estratificar mejor a los pacientes, guiando decisiones clínicas como la intensificación o desintensificación del tratamiento y avanzando hacia un enfoque más personalizado en el manejo del CPNM.