Trovare le indicazioni più promettenti per nuovi trattamenti in oncologia

Perché trovare i pazienti giusti è importante

I farmaci oncologici moderni possono salvare vite, ma identificare i gruppi di pazienti che ne trarranno beneficio è un processo lento, costoso e incerto. Ogni nuovo medicinale deve essere testato in tipi e sottotipi specifici di tumore, e scegliere quelli sbagliati può far perdere anni di ricerca e milioni di dollari—mentre i pazienti aspettano. Questo studio propone un metodo basato sui dati per guidare queste scelte in modo più rapido e sistematico, utilizzando informazioni provenienti da milioni di pazienti reali invece di affidarsi principalmente a intuizioni e scoperte casuali.

Trasformare i dati medici di tutti i giorni in una mappa

Gli autori costruiscono un approccio che chiamano INSPIRE, acronimo di “INdication Selection and Prioritization In Real-world data and Evaluation.” Invece di partire solo dagli esperimenti di laboratorio, INSPIRE impara da grandi set di dati real-world raccolti durante le cure di routine negli Stati Uniti—cartelle cliniche elettroniche e dati assicurativi per oltre due milioni di persone con cancro. Queste cartelle contengono una lunga traccia di eventi per ciascun paziente: diagnosi, trattamenti, esami di laboratorio, campioni tumorali e altro. Il team trasforma ciascuno di questi eventi in una “caratteristica” matematica e poi usa l’apprendimento automatico per collocarli in uno spazio condiviso in cui gli eventi medici che tendono a verificarsi in pazienti simili finiscono vicini tra loro.

Guardare oltre le etichette oncologiche generiche

La maggior parte dei sistemi ospedalieri e di fatturazione descrive le malattie usando codici amministrativi che enfatizzano la localizzazione del tumore (per esempio, quale parte del polmone) piuttosto che il suo aspetto al microscopio. Per lo sviluppo di farmaci oncologici, questo spesso non è sufficientemente preciso, perché due tumori nello stesso organo possono comportarsi in modo molto diverso e rispondere a terapie differenti. INSPIRE affronta questo problema lavorando direttamente con i referti di anatomia patologica—le descrizioni dettagliate del tessuto tumorale. Da questi referti, il metodo costruisce categorie tumorali finemente definite, come sottotipi specifici di tumore polmonare, e separa le malattie in stadio precoce da quelle avanzate e metastatiche. Successivamente “propaga” queste informazioni tumorali lungo la linea temporale del paziente in modo che possano essere collegate ai trattamenti, ai risultati dei test e ad altri eventi che si verificano in seguito.

Testare il metodo su un’importante immunoterapia

Per verificare se INSPIRE avrebbe potuto aiutare a guidare decisioni nel mondo reale, i ricercatori si sono concentrati su farmaci che bloccano PD‑1, un checkpoint immunitario preso di mira dalle immunoterapie oncologiche ampiamente utilizzate. Hanno ricreato la situazione in cui questi farmaci erano ancora nuovi utilizzando solo dati dal 2012 al 2015 ed escludendo tutti i pazienti che avevano ricevuto un farmaco anti–PD‑1 o che avevano eseguito il biomarcatore correlato. Hanno scelto tre tumori che furono tra i primi ad ottenere l’approvazione per il trattamento con PD‑1 come malattie “di riferimento”. INSPIRE ha poi misurato quanto ogni altro sottotipo tumorale nei dati fosse simile a queste referenze, basandosi sui modelli presenti nei percorsi dei pazienti, e ha prodotto una lista ordinata di indicazioni promettenti senza conoscere quali avrebbero poi ricevuto l’approvazione ufficiale.

Cosa hanno rivelato le classifiche

Quando gli autori hanno “riaperto” i risultati e confrontato la lista ordinata di INSPIRE con le approvazioni che i regolatori avrebbero concesso dopo il 2015, circa il 70% delle indicazioni tumorali che successivamente ottennero l’approvazione per PD‑1 appariva nelle prime 50 posizioni. I tumori per i quali i farmaci PD‑1 fallirono ripetutamente negli studi clinici tendevano a posizionarsi più in basso. Il metodo ha mostrato prestazioni simili quando i ricercatori hanno ampliato la finestra temporale per includere anni più recenti e quando hanno variato i parametri interni del modello, suggerendo che l’approccio è abbastanza robusto. Le analisi hanno anche indicato che la mappa interna delle caratteristiche di INSPIRE raggruppava insieme elementi correlati dal punto di vista medico—come tipi tumorali, trattamenti e biomarcatori—sostenendo l’idea che catturi una struttura clinica significativa piuttosto che pattern casuali.

Come questo potrebbe cambiare lo sviluppo di farmaci oncologici

INSPIRE non è pensato per sostituire la scienza di laboratorio o il giudizio clinico, ma per aggiungere un’ulteriore linea di evidenza. In pratica, un’azienda o un gruppo accademico che sviluppa un nuovo farmaco oncologico potrebbe inserire un piccolo numero di tipi tumorali per i quali esistono già prove solide dell’efficacia del farmaco. INSPIRE utilizzerebbe quindi la mappa basata su dati real-world per evidenziare altri sottotipi tumorali che appaiono simili in termini di presentazione clinica, progressione e trattamenti ricevuti. Quelle indicazioni potrebbero essere prioritarie per ulteriori studi biologici e, eventualmente, per studi clinici. Migliorando le probabilità di scegliere i tumori giusti da testare per primi, approcci come INSPIRE potrebbero accorciare i tempi di sviluppo, ridurre i costi e aiutare i pazienti ad accedere più rapidamente a terapie efficaci.

Citazione: 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

Parole chiave: sviluppo di farmaci oncologici, dati real-world, apprendimento automatico in oncologia, immunoterapia, selezione delle indicazioni terapeutiche