Encontrar las indicaciones más prometedoras para tratamientos novedosos en oncología

Por qué es importante encontrar a los pacientes adecuados

Los fármacos modernos contra el cáncer pueden salvar vidas, pero determinar qué grupos concretos de pacientes se beneficiarán es lento, costoso y lleno de incertidumbres. Cada nuevo medicamento debe probarse en tipos y subtipos específicos de cáncer, y elegir los erróneos puede desperdiciar años de investigación y millones de dólares, mientras los pacientes esperan. Este estudio presenta una forma basada en datos para orientar esas decisiones de manera más temprana y sistemática, utilizando información de millones de pacientes reales en lugar de basarse principalmente en corazonadas y descubrimientos fortuitos.

Convertir los datos médicos cotidianos en un mapa

Los autores desarrollan un enfoque que llaman INSPIRE, siglas de “INdication Selection and Prioritization In Real-world data and Evaluation”. En lugar de partir solo de experimentos de laboratorio, INSPIRE aprende de grandes conjuntos de datos del mundo real recopilados durante la atención rutinaria en Estados Unidos: historias clínicas electrónicas y registros de seguros de más de dos millones de personas con cáncer. Estos registros contienen una larga secuencia de eventos para cada paciente: diagnósticos, tratamientos, pruebas de laboratorio, muestras tumorales y más. El equipo transforma cada uno de estos eventos en una “característica” matemática y luego utiliza aprendizaje automático para situarlos en un espacio compartido donde los eventos médicos que tienden a ocurrir en pacientes similares quedan cerca unos de otros.

Mirar más allá de las etiquetas amplias de cáncer

La mayoría de los sistemas hospitalarios y de facturación describen las enfermedades usando códigos administrativos que enfatizan dónde está localizado un tumor (por ejemplo, qué parte del pulmón) en lugar de cómo se ve al microscopio. Para el desarrollo de fármacos oncológicos, esto a menudo no es lo suficientemente preciso, porque dos tumores en el mismo órgano pueden comportarse de forma muy distinta y responder a terapias diferentes. INSPIRE afronta esto trabajando directamente con informes de anatomía patológica—las descripciones detalladas del tejido tumoral. A partir de estos informes, el método construye categorías de cáncer finamente granulares, como subtipos específicos de cáncer de pulmón, y separa la enfermedad temprana de la avanzada y metastásica. A continuación, “propaga” esta información tumoral a lo largo de la línea temporal del paciente para que pueda vincularse a tratamientos, resultados de pruebas y otros eventos que ocurren después.

Probar el método con una inmunoterapia importante

Para comprobar si INSPIRE podría haber ayudado a guiar decisiones en el mundo real, los investigadores se centraron en fármacos que bloquean PD‑1, un punto de control inmunitario diana de inmunoterapias contra el cáncer ampliamente usadas. Imitaron la situación en la que estos fármacos aún eran nuevos utilizando únicamente datos de 2012 a 2015 y excluyendo a todos los pacientes que recibieron un fármaco anti‑PD‑1 o se sometieron a la prueba biomarcadora relacionada. Eligieron tres cánceres que estuvieron entre los primeros en recibir aprobación para el tratamiento con PD‑1 como enfermedades “de referencia”. INSPIRE midió entonces cuán similar era cada otro subtipo de cáncer en los datos respecto a estas referencias, basándose en los patrones de las trayectorias de los pacientes, y produjo una lista clasificada de indicaciones prometedoras sin saber cuáles recibirían más tarde la aprobación oficial.

Lo que revelaron las clasificaciones

Cuando los autores “desvelaron” los resultados y compararon la lista ordenada de INSPIRE con las aprobaciones que los reguladores concedieron después de 2015, aproximadamente el 70 % de las indicaciones oncológicas que finalmente obtuvieron aprobación para PD‑1 aparecían dentro de los 50 primeros puestos. Los cánceres en los que los fármacos PD‑1 fracasaron repetidamente en ensayos tendían a situarse más abajo en la clasificación. El método mostró un rendimiento similar cuando los investigadores ampliaron la ventana temporal para incluir años más recientes y cuando variaron los parámetros internos del modelo, lo que sugiere que el enfoque es bastante robusto. Los análisis también indicaron que el mapa interno de características de INSPIRE agrupaba elementos médicamente relacionados—como tipos de tumor, tratamientos y biomarcadores—respaldando la idea de que captura una estructura clínica significativa en lugar de patrones aleatorios.

Cómo esto podría cambiar el desarrollo de fármacos contra el cáncer

INSPIRE no pretende sustituir la ciencia de laboratorio ni el juicio clínico, sino añadir una línea de evidencia más. En la práctica, una empresa o un grupo académico que desarrolle un nuevo fármaco oncológico podría introducir un pequeño número de tipos tumorales en los que ya exista evidencia sólida de que el fármaco funciona. INSPIRE usaría entonces el mapa de datos del mundo real para destacar otros subtipos de cáncer que se parecen en cuanto a cómo se presentan los pacientes, progresan y son tratados. Esas indicaciones podrían priorizarse para estudios biológicos adicionales y, eventualmente, para ensayos clínicos. Al mejorar las probabilidades de elegir los cánceres correctos para probar primero, enfoques como INSPIRE podrían acortar los plazos de desarrollo, reducir costes y ayudar a que los pacientes accedan antes a terapias eficaces.

Cita: Eckhoff, M., Klingelschmitt, S., Van Ruijssevelt, L. et al. Finding the most promising indications for novel treatments in oncology. npj Precis. Onc. 10, 135 (2026). https://doi.org/10.1038/s41698-026-01352-x

Palabras clave: desarrollo de fármacos contra el cáncer, datos del mundo real, aprendizaje automático en oncología, inmunoterapia, selección de indicaciones de tratamiento