En el siglo XXI, con la tecnologías de de 'big data', de inteligencia artificial (IA) y de genómica avanzada de las que disponemos, no es razonable seguir desarrollando fármacos tal y como lo hacíamos en los años 50 ó 60. Es necesario apostar por estrategias de desarrollo de terapéuticas racionales basadas en datos y en información genómica que nos ayuden a perfilar cómo seleccionamos a los pacientes y la terapia más adecuada para que obtenga la respuesta más óptima”.
Estratificar el riesgo de los pacientes, perfilar su pronóstico y seleccionar estrategias terapéuticas individualizadas son los pilares sobre los que se asienta el trabajo de Adrián Mosquera Orgueira, hematólogo e investigador de Genómica del Cáncer en el Complejo Hospitalario Universitario de Santiago de Compostela (CHUS).
Para conseguirlo, sus primeros pasos se dirigieron hacia el análisis y entendimiento de la compleja genómica del cáncer a la que, poco a poco, fue enriqueciendo con datos procedentes del desarrollo de modelos de 'big data' e inteligencia Artificial (IA).
Mosquera Orgueira está convencido de que estas herramientas tecnológicas, -sin perder de vista el contacto con el paciente ‘a pie de consulta’, van a cambiar, drásticamente, la forma de hacer medicina en todas y cada una de sus áreas y con un beneficio final: alcanzar una verdadera asistencia personalizada.
PREGUNTA. ¿Qué le impulsó a desarrollar este tipo de modelos de 'big data' e IA aplicada a la medicina?
RESPUESTA. Soy médico asistencial. Diagnostico y trato a pacientes. Nuestro servicio ha montado nuevas tecnologías, como la secuenciación masiva, para asistencia a los pacientes. Desde hace diez años, me intereso además por el análisis de datos porque empecé a darme cuenta de que la cantidad de datos biológicos que estaban empezando a producirse desde ese tiempo crecía de una manera exponencial. En el futuro, toda esa información -clínica o biológica- tendrá la potencialidad de aprovecharse para hacer un manejo mucho más preciso del paciente.
P. ¿En qué ámbitos concretos ha centrado esta aplicación?
R. Empecé a desarrollar líneas de investigación en genómica del cáncer analizando datos desarrollados por múltiples equipos internacionales e integrándolos para tener una perspectiva más holística y global de los problemas médicos que están bajo investigación. Progresivamente, publiqué trabajos en los que describíamos nuevos biomarcadores y mecanismos de desarrollo del cáncer hematológico. Finalmente, llegamos a la IA como una necesidad de disponer de alguna herramienta que nos permitiese aprovechar la potencialidad de esos datos con un fin personalizado.
P. ¿Cuáles son las líneas en las que más ha profundizado?
R. En diferentes campos de la Onco-Hematología. Primero con leucemia linfocítica crónica, pero también he desarrollado líneas en linfomas agresivos y en linfomas indolentes, en leucemia mieloblástica aguda y en mieloma múltiple.
P. ¿De qué forma pueden estos datos esclarecer aspectos patológicos aún no concretados?
R. Los modelos predictivos de supervivencia que desarrollamos nos ayudan a entender mejor cuán agresivo es un tumor, según la información genómica y clínica del paciente. En estos momentos, sabemos que nuestra aproximación a la estratificación de riesgo es subóptima y necesita mejoras. Los modelos con información avanzada genómica, por ejemplo, integrándolos con la información clásica clínica, nos ayudan a mejorar la estratificación de riesgo. Cuando existe experiencia con distintos tratamientos, también clarifican por qué unos pacientes responden mejor a una terapia y por qué otros obtienen mejor respuesta con otra.
"Los modelos de genómica avanzada mejoran la estratificación de riesgo”
P. En su caso, ¿cuál es la prueba de concepto?
R. Se basa en un trabajo publicado este año en 'Leukemia' con datos de mieloma múltiple en el que evidenciamos que existe la posibilidad de hacer un tratamiento personalizado, aunque se precisa una estandarización y una puesta en marcha para llegar a ello. Pero, desde luego, la potencialidad de la prueba de concepto es válida: es posible poner en marcha estrategias de medicina personalizada en Onco-Hematología. Sobre todo, en situaciones donde hay experiencia con los distintos tratamientos disponibles.
P. ¿Cómo pueden emplearse estas herramientas para desarrollar y seleccionar nuevas moléculas?
R. Mediante estrategias que contemplan nuevos fármacos en ensayos clínicos. En esta línea, nuestro grupo trabaja con alguna empresa en el desarrollo de estudios asociados a los ensayos clínicos para entender mejor por qué unos pacientes responden y otros no a una nueva terapia. No es razonable que en la medicina del siglo XXI tengamos 'big data', IA y genómica y no las utilicemos para perfilar mejor la selección de tratamientos. El objetivo es que todos los datos nos permitan acceder a predicciones más individualizadas que, en el futuro, puedan salvar a más pacientes.
P. La terapia celular, ¿puede beneficiarse de la IA y del 'big data'?
R. Aunque nuestro grupo trabaja con terapias avanzadas, en este momento no tenemos aún ninguna línea abierta con CAR-T. Pero, sin duda, es necesario. Sabemos que hay un numeroso grupo de pacientes que recae, además de forma muy precoz, después de la terapia con CAR-T o que, simplemente, no responden. Ese grupo podría beneficiarse de otra estrategia terapéutica o de ensayos clínicos con fármacos bioespecíficos o con otras moléculas.
P. ¿Existen datos que desvelen estas disparidades en respuestas terapéuticas?
R. En terapia CAR-T y en otras estrategias, por ejemplo, no disponemos actualmente de la información que permita entender por qué un paciente responde y otro no. Pero, es evidente que hablamos de fármacos de alto impacto, de elevada complejidad técnica y de un procedimiento logístico complejo, por lo que se debería hacer un esfuerzo por comprender mejor cuáles son los condicionantes de la falta de respuesta a esta terapia concreta. Insisto; en la medicina del siglo XXI no se puede pensar que un fármaco es útil para todos.
No es real porque los determinantes de respuesta terapéutica al cáncer son principalmente genómicos. Las estrategias que integran la biología tumoral en el análisis de los resultados nos pueden ayudar a entender cuál es el grupo de pacientes que responde y hay que aprovecharnos de las nuevas tecnologías para comprender mejor cómo los pacientes van a responder a diferentes fármacos.
En estos momentos, en Hematología hay patologías en las que se avecina una auténtica revolución con el desarrollo de fármacos nuevos. Pero carecemos de una idea concreta de cómo seleccionar algunos de estos tratamientos. Evidentemente, los modelos de 'big data' y de IA se pueden aprovechar siempre que se generen registros e información estructurada.
"En el análisis inteligente de datos, las hipótesis solo las limita tu imaginación”
P. Combinar la información de la clínica y la de 'big data' ¿ofrecerá respuestas futuras concretas? ¿En qué parcelas el plazo parece más corto?
R. Parece más próximo en casi cualquier abordaje de la Onco-Hematología. Pero, sobre todo, en lo relativo a la estratificación de riesgo; mejorar nuestra compresión de cómo de agresivo es un tumor, por ejemplo. Mucho más cercana aún, en patologías frecuentes: linfoma B difuso de células grandes, mieloma múltiple y leucemia mieloblástica aguda. Estas enfermedades, que tienen un alto impacto en salud o frecuencia, tienen más avance en el desarrollo de investigación.
P. Por sus trabajos en IA ha recibido un reconocimiento de la Sociedad Italiana de Onco-Hematología.
R. Se debe a una investigación sobre leucemia mieloblástica aguda en el que se utilizaban datos genómicos de pacientes con esta enfermedad para perfilar el pronóstico con herramientas de IA. Demostramos que es posible mejorar mucho la estimación del riesgo -que, en el fondo, es muy importante porque es lo que define que a un paciente se le indique o no una estrategia terapéutica, como es el trasplante, por ejemplo-, en función de la interpretación de los datos genómicos y a través de modelos de IA. Esto fue especialmente importante en los pacientes que hoy en día consideramos de alto riesgo.
P. Hace hincapié en que estos modelos pueden ofrecer una idea de la estratificación del riesgo. ¿Y sobre resistencias a fármacos?
R. Este es realmente el objetivo; realizar una estimación de cuánto tiempo va a sobrevivir un paciente con cada uno de los tratamientos disponibles. Obviamente, no deja ser la misma aproximación. Realmente, en el análisis inteligente de datos o IA puedes plantear tantas hipótesis como te limite tu imaginación. La cuestión es disponer de esos datos para poder testar esas hipótesis, generar y validar esos modelos, publicarlos y ponerlos a disposición de otros especialistas.
P. ¿Se pueden aprovechar, además, para desarrollar nuevos fármacos?
R. No solo se puede; se debe. Por ejemplo, en el caso del linfoma difuso de células grandes, que es una de las líneas que nuestro grupo tiene más avanzadas, si podemos identificar con una precisión mayor del 80% qué pacientes van a obtener una supervivencia muy corta con el tratamiento estándar actual,-la R-CHOP en primera línea con intención curativa-, obviamente, ese grupo de pacientes debería ser candidato a entrar en un ensayo clínico o testar un tratamiento nuevo -CAR-T, bioespecíficos, nuevas inmunoterapias, entre otros-. Estos pacientes son de muy elevado riesgo, con una supervivencia en torno al 30% a cinco años y constituyen un grupo en el que las terapias convencionales no han conseguido mejorar significativamente el pronóstico.
P. ¿Qué beneficios concretos ofrecen estas estrategias a este subgrupo?
P. En primer término, nos permite anticiparnos mucho, manejar de forma más precoz a los pacientes y, paralelamente, plantear nuevos ensayos clínicos y aprobaciones terapéuticas.
via Noticias de diariomedico.... https://ift.tt/3EI4ALn
No hay comentarios:
Publicar un comentario