Encontrando as indicações mais promissoras para tratamentos inovadores em oncologia

Por que encontrar os pacientes certos importa

Medicamentos oncológicos modernos podem salvar vidas, mas determinar exatamente quais grupos de pacientes se beneficiarão é um processo lento, caro e incerto. Cada novo remédio precisa ser testado em tipos e subtipos específicos de câncer, e escolher os errados pode desperdiçar anos de pesquisa e milhões de dólares — enquanto pacientes aguardam. Este estudo apresenta uma abordagem orientada por dados para guiar essas escolhas mais cedo e de forma mais sistemática, usando informações de milhões de pacientes reais em vez de depender principalmente de palpites e descobertas por acaso.

Transformando dados médicos cotidianos em um mapa

Os autores desenvolvem uma abordagem que chamam de INSPIRE, sigla para “INdication Selection and Prioritization In Real-world data and Evaluation.” Em vez de partir apenas de experimentos de laboratório, o INSPIRE aprende a partir de grandes conjuntos de dados do mundo real coletados durante o atendimento rotineiro nos Estados Unidos — prontuários eletrônicos e registros de seguro para mais de dois milhões de pessoas com câncer. Esses registros contêm uma longa trilha de eventos para cada paciente: diagnósticos, tratamentos, exames laboratoriais, amostras tumorais e mais. A equipe transforma cada um desses eventos em uma “característica” matemática e então usa aprendizado de máquina para colocá-los em um espaço compartilhado onde eventos médicos que tendem a ocorrer em pacientes semelhantes ficam próximos entre si.

Olhando além dos rótulos amplos de câncer

A maioria dos sistemas hospitalares e de faturamento descreve doenças usando códigos administrativos que enfatizam onde um tumor está localizado (por exemplo, qual parte do pulmão) em vez do seu aspecto ao microscópio. Para o desenvolvimento de medicamentos contra o câncer, isso frequentemente não é preciso o bastante, porque dois tumores no mesmo órgão podem se comportar de maneiras muito diferentes e responder a terapias distintas. O INSPIRE enfrenta isso trabalhando diretamente com laudos de patologia — as descrições detalhadas do tecido tumoral. A partir desses laudos, o método constrói categorias de câncer mais finas, como subtipos específicos de câncer de pulmão, e separa doença em estágios iniciais de doença avançada e metastática. Em seguida, ele “transmite” essa informação tumoral ao longo da linha do tempo do paciente para que possa ser vinculada a tratamentos, resultados de exames e outros eventos que ocorrem depois.

Testando o método em uma imunoterapia importante

Para verificar se o INSPIRE poderia ter ajudado a orientar decisões no mundo real, os pesquisadores concentraram-se em drogas que bloqueiam PD‑1, um ponto de verificação imune alvo de imunoterapias amplamente usadas contra o câncer. Eles simularam a situação em que essas drogas ainda eram novas usando apenas dados de 2012 a 2015 e excluindo todos os pacientes que receberam um fármaco anti‑PD‑1 ou fizeram o teste do biomarcador relacionado. Escolheram três cânceres que estavam entre os primeiros a obter aprovação para tratamento com PD‑1 como doenças “referência”. O INSPIRE então mediu quão semelhante cada outro subtipo de câncer nos dados era a essas referências, com base em padrões nas jornadas dos pacientes, e produziu uma lista classificada de indicações promissoras sem saber quais delas receberiam aprovação oficial mais tarde.

O que as classificações revelaram

Quando os autores “desvelaram” os resultados e compararam a lista classificada do INSPIRE com as aprovações que os órgãos reguladores concederiam depois de 2015, cerca de 70% das indicações de câncer que eventualmente receberam aprovação para PD‑1 apareceram entre as 50 primeiras posições. Cânceres nos quais drogas anti‑PD‑1 repetidamente falharam em ensaios tenderam a ficar em posições mais baixas. O método mostrou desempenho semelhante quando os pesquisadores ampliaram a janela temporal para incluir anos mais recentes e quando variaram os parâmetros internos do modelo, sugerindo que a abordagem é relativamente robusta. As análises também indicaram que o mapa interno de características do INSPIRE agrupou itens medicamente relacionados — como tipos de tumor, tratamentos e biomarcadores — corroborando a ideia de que ele captura uma estrutura clínica significativa em vez de padrões aleatórios.

Como isso pode mudar o desenvolvimento de medicamentos contra o câncer

O INSPIRE não pretende substituir a ciência laboratorial ou o julgamento clínico, mas adicionar uma linha adicional de evidência. Na prática, uma empresa ou grupo acadêmico desenvolvendo um novo medicamento oncológico poderia inserir um pequeno número de tipos tumorais para os quais já haja forte evidência de eficácia. O INSPIRE então usaria o mapa de dados do mundo real para destacar outros subtipos de câncer que se parecem com aqueles em termos de como os pacientes se apresentam, progridem e são tratados. Essas indicações poderiam ser priorizadas para estudos biológicos adicionais e, eventualmente, para ensaios clínicos. Ao aumentar as chances de escolher os cânceres certos para testar primeiro, abordagens como o INSPIRE podem reduzir o tempo de desenvolvimento, cortar custos e ajudar pacientes a terem acesso a terapias eficazes mais cedo.

Citação: 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

Palavras-chave: desenvolvimento de medicamentos contra o câncer, dados do mundo real, aprendizado de máquina em oncologia, imunoterapia, seleção de indicações de tratamento