El mieloma múltiple sigue siendo, a pesar de las mejoras terapéuticas, una enfermedad incurable y con una evolución clínica muy heterogénea. Por este motivo, en los últimos años se han estudiado diferentes patrones de
expresión genética como marcadores pronóstico con la capacidad de identificar en torno a un 15% de los pacientes de alto riesgo. Sin embargo, su aplicación en la predicción individual de supervivencia y optimización
terapéutica no ha sido explorada hasta la fecha.
Ahora, un equipo de investigadores españoles ha creado un modelo de 50 variables en base a algoritmos de aprendizaje automático (“machine-learning”) con datos clínicos, analíticos y de expresión genética, que está
diseñado para predecir de forma individual la supervivencia global (SG) y las combinaciones de tratamiento óptimas en primera línea en pacientes con mieloma múltiple.
El estudio, publicado en Leukemia, ha sido realizado con datos de 730 pacientes con mieloma múltiple de nuevo diagnóstico del estudio observacional CoMMpass. El modelo elaborado incluye las siguientes covariables:
edad del paciente, estadio ISS, B2-microglobulina en suero, tratamiento de primera línea y la expresión génica de 46 genes.
La probabilidad de supervivencia se estimó en cada paciente y con cualquiera de las combinaciones terapéuticas de primera línea. Bortezomib en combinación con un fármaco inmunomodulador (ImiD) y dexametasona fue el
régimen de inducción más común (47%) y lenalidomida fue el ImiD más frecuente (94%), mientras que talidomida fue utilizado solo en el 6% de los pacientes.
Los resultados combinan por primera vez datos clínicos, bioquímicos y de expresión génica para predecir la supervivencia en el mieloma múltiple.
Según indican los autores, los resultados de este modelo son los primeros de los que tienen constancia que combinan datos clínicos, bioquímicos y de expresión génica para predecir la supervivencia en mieloma múltiple.
Asimismo, el modelo también es capaz de proporcionar información sobre la combinación de tratamiento óptima en primera línea. Además, el modelo puede hacer predicciones a nivel del paciente, en vez de depender de
subgrupos de riesgo predefinidos. Por lo tanto, integra pronósticos individualizados y modelos predictivos en un único método.
“Hemos demostrado que es factible predecir la supervivencia en el paciente de mieloma múltiple aplicando modelos de aprendizaje automático basados en la clínica, bioquímica y expresión genética. Este modelo fue capaz de
ofrecer información de valor para optimizar la primera línea terapéutica e incluso mejorar la estratificación de riesgo de los pacientes en comparación con la citogenética clásica”, concluye el estudio.
Referencia
Mosquera Orgueira A, González Pérez MS, Díaz Arias JA, et al. Survival prediction and treatment optimization of multiple myeloma patients using machine-learning models based on clinical and gene expression data.
Leukemia. 2021 May 18. doi:
10.1038/s41375-021-01286-2. Online ahead of print.
SC-ES-CP-00099
Aceptar y salir
