Znajdowanie najbardziej obiecujących wskazań dla nowych terapii w onkologii

Dlaczego znalezienie właściwych pacjentów jest ważne

Współczesne leki przeciwnowotworowe mogą ratować życie, ale ustalenie, które dokładnie grupy pacjentów na nich skorzystają, jest powolne, kosztowne i obarczone niepewnością. Każdy nowy lek trzeba przetestować w określonych typach i podtypach nowotworów, a wybór niewłaściwych wskazań może zmarnować lata badań i miliony dolarów — podczas gdy pacjenci czekają. W tym badaniu przedstawiono oparte na danych podejście, które ma prowadzić te decyzje wcześniej i bardziej systematycznie, wykorzystując informacje pochodzące od milionów rzeczywistych pacjentów zamiast polegać głównie na przeczuciach i przypadkowych odkryciach.

Przekształcanie codziennych danych medycznych w mapę

Autorzy zbudowali podejście, które nazwali INSPIRE, co oznacza „INdication Selection and Prioritization In Real-world data and Evaluation”. Zamiast zaczynać wyłącznie od badań laboratoryjnych, INSPIRE uczy się na dużych zbiorach danych z rzeczywistej praktyki klinicznej zebranych podczas rutynowej opieki w Stanach Zjednoczonych — elektronicznych kartach zdrowia i rozliczeniach ubezpieczeniowych dla ponad dwóch milionów osób z rakiem. Te rejestry zawierają długą sekwencję zdarzeń dla każdego pacjenta: rozpoznania, terapie, badania laboratoryjne, próbki nowotworu i inne. Zespół przekształca każde z tych zdarzeń w matematyczną „cechę”, a następnie używa uczenia maszynowego, by umieścić je w wspólnej przestrzeni, gdzie zdarzenia medyczne występujące u podobnych pacjentów znajdują się blisko siebie.

Wykraczanie poza szerokie etykiety nowotworów

Większość systemów szpitalnych i rozliczeniowych opisuje choroby za pomocą kodów administracyjnych, które podkreślają lokalizację guza (na przykład część płuca), zamiast jego wyglądu pod mikroskopem. Dla rozwoju leków przeciwnowotworowych często jest to niewystarczająco precyzyjne, ponieważ dwa guzy w tym samym narządzie mogą zachowywać się zupełnie inaczej i reagować na różne terapie. INSPIRE radzi sobie z tym, pracując bezpośrednio z raportami patologicznymi — szczegółowymi opisami tkanki nowotworowej. Z tych raportów metoda buduje drobiazgowe kategorie nowotworów, takie jak konkretne podtypy raka płuca, oraz rozróżnia chorobę wczesną od zaawansowanej, przerzutowej. Następnie „rozsiewa” tę informację o guzie wzdłuż osi czasu pacjenta, tak by można ją było powiązać z leczeniami, wynikami badań i innymi zdarzeniami, które występują później.

Testowanie metody na ważnej immunoterapii

Aby sprawdzić, czy INSPIRE mogło pomóc kierować decyzjami w rzeczywistym świecie, badacze skoncentrowali się na lekach blokujących PD‑1, punkcie kontrolnym układu odpornościowego, będącym celem powszechnie stosowanych immunoterapii przeciwnowotworowych. Naśladowali sytuację, w której te leki były jeszcze nowe, używając jedynie danych z lat 2012–2015 i wyłączając wszystkich pacjentów, którzy otrzymali lek przeciw PD‑1 lub przeszli powiązane badanie biomarkera. Wybrali trzy nowotwory, które jako pierwsze uzyskały zatwierdzenie leczenia PD‑1, jako choroby „referencyjne”. INSPIRE następnie mierzyło, jak podobny do tych referencji jest każdy inny podtyp nowotworu w danych, na podstawie wzorców w przebiegu pacjentów, i wygenerowało uporządkowaną listę obiecujących wskazań bez wiedzy o tym, które z nich później otrzymają oficjalne zatwierdzenie.

Co ujawniły rankingi

Po „odślepieniu” wyników i porównaniu listy uporządkowanej przez INSPIRE z zatwierdzeniami, które regulatorzy wydali po 2015 roku, około 70 procent wskazań nowotworowych, które ostatecznie uzyskały zatwierdzenie dla PD‑1, pojawiło się w pierwszych 50 pozycjach. Nowotwory, w których leki PD‑1 wielokrotnie zawodziły w badaniach klinicznych, miały tendencję do niższych miejsc w rankingu. Metoda wykazała podobną skuteczność, gdy badacze rozszerzyli okno czasowe o nowsze lata i gdy zmieniali wewnętrzne parametry modelu, co sugeruje, że podejście jest dość odporne. Analizy wskazały również, że wewnętrzna mapa cech INSPIRE grupowała medycznie powiązane elementy — takie jak typy guzów, terapie i biomarkery — wspierając tezę, że uchwycono sensowną strukturę kliniczną, a nie losowe wzorce.

Jak to może zmienić rozwój leków onkologicznych

INSPIRE nie ma zastępować badań laboratoryjnych ani osądu klinicznego, lecz ma dostarczać dodatkowy rodzaj dowodu. W praktyce firma lub grupa akademicka rozwijająca nowy lek przeciwnowotworowy mogłaby wprowadzić niewielką liczbę typów guzów, dla których już istnieją mocne dowody skuteczności leku. INSPIRE użyłoby wtedy mapy danych z rzeczywistej praktyki klinicznej, aby wyróżnić inne podtypy nowotworów, które wydają się podobne pod względem sposobu prezentacji pacjentów, przebiegu choroby i stosowanych terapii. Te wskazania można by priorytetyzować do dalszych badań biologicznych, a w końcu do badań klinicznych. Poprawiając szanse na wybór właściwych nowotworów do wczesnych testów, podejścia takie jak INSPIRE mogą skrócić harmonogramy rozwoju, obniżyć koszty i pomóc pacjentom szybciej uzyskać dostęp do skutecznych terapii.

Cytowanie: 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

Słowa kluczowe: rozwój leków przeciwnowotworowych, dane z rzeczywistej praktyki klinicznej, uczenie maszynowe w onkologii, immunoterapia, wybór wskazań terapeutycznych