Поиск наиболее перспективных показаний для новых методов лечения в онкологии

Почему важно находить подходящих пациентов

Современные противораковые препараты могут спасать жизни, но определить, какие именно группы пациентов получат от них пользу, получается медленно, дорого и с неопределённым исходом. Каждый новый препарат необходимо тестировать в конкретных типах и подтипах рака, и неверный выбор может привести к потере лет исследований и миллионов долларов — в то время как пациенты ждут. В этом исследовании предложен подход, основанный на данных, который помогает принимать такие решения раньше и более системно, опираясь на информацию о миллионах реальных пациентов вместо интуиции и случайных находок.

Преобразование повседневных медицинских данных в карту

Авторы разработали метод, который назвали INSPIRE — «INdication Selection and Prioritization In Real-world data and Evaluation». Вместо того чтобы опираться только на лабораторные эксперименты, INSPIRE обучается на больших наборах реальных данных, собранных в ходе рутинной помощи в США — электронных медицинских записях и страховых компенсациях более чем двух миллионов пациентов с онкологическими заболеваниями. Эти записи содержат длинную цепочку событий для каждого пациента: диагнозы, терапии, лабораторные тесты, образцы опухолей и прочее. Команда преобразует каждое из этих событий в математическую «признаковую» переменную и затем с помощью машинного обучения размещает их в общем пространстве, где медицинские события, которые чаще встречаются у похожих пациентов, оказываются рядом друг с другом.

Взгляд за пределы общих онкологических ярлыков

Большинство больничных и бухгалтерских систем описывает заболевания с помощью административных кодов, которые подчёркивают локализацию опухоли (например, какая часть лёгкого), а не её морфологию под микроскопом. Для разработки противораковых препаратов этого часто недостаточно, потому что две опухоли в одном органе могут вести себя очень по-разному и по-разному реагировать на лечение. INSPIRE решает эту проблему, работая напрямую с патологоанатомическими отчётами — подробными описаниями ткани опухоли. На основе этих отчётов метод строит тонко сгруппированные категории рака, такие как конкретные подтипы рака лёгкого, и разделяет ранние стадии болезни от продвинутого, метастатического заболевания. Затем он «транслирует» эту информацию об опухоли вдоль временной шкалы пациента, чтобы связать её с терапиями, результатами тестов и другими событиями, происходящими позже.

Тестирование метода на крупной иммунотерапии

Чтобы понять, мог бы INSPIRE помочь в реальных решениях, исследователи сосредоточились на препаратах, блокирующих PD‑1 — иммунный контрольный белок, на который направлены широко используемые иммунотерапии при раке. Они имитировали ситуацию, в которой эти препараты ещё были новыми, используя только данные за 2012–2015 годы и исключив всех пациентов, получавших препарат PD‑1 или проходивших связанный биомаркерный тест. В качестве «референтных» заболеваний выбрали три вида рака, которые одними из первых получили одобрение для лечения PD‑1. INSPIRE затем оценивал, насколько каждый другой подтип рака в данных похож на эти референсы на основе паттернов в клинических путях пациентов, и формировал ранжированный список перспективных показаний, не зная заранее, какие из них позже получат официальное одобрение.

Что показали ранжирования

Когда авторы «сняли завесу секретности» и сравнили ранжированный список INSPIRE с одобрениями, выданными регуляторами после 2015 года, примерно 70 процентов показаний, которые в итоге получили одобрение для PD‑1, оказались в первых 50 позициях. Раковые заболевания, для которых препараты PD‑1 систематически не приносили успеха в клинических испытаниях, как правило, занимали более низкие места. Метод показал сопоставимую работоспособность, когда исследователи расширили временное окно, включив более поздние годы, и при варьировании внутренних параметров модели, что указывает на относительную устойчивость подхода. Анализы также показали, что внутренняя карта признаков INSPIRE группировала вместе медицински связанные элементы — такие как типы опухолей, терапии и биомаркеры — подтверждая идею о том, что метод улавливает значимую клиническую структуру, а не случайные закономерности.

Как это может изменить разработку противораковых препаратов

INSPIRE не призван заменить лабораторную науку или клиническое суждение, а добавить ещё одну линию доказательств. На практике компания или академическая группа, разрабатывающая новый противораковый препарат, могли бы задать небольшое число типов опухолей, для которых уже есть убедительные доказательства эффективности. INSPIRE затем использовал бы карту данных реальной практики, чтобы выделить другие подтипы рака, которые выглядят похожими по тому, как проявляется болезнь, как она прогрессирует и как лечат пациентов. Эти показания можно было бы приоритизировать для дальнейших биологических исследований и, в конечном счёте, для клинических испытаний. Увеличивая шансы правильно выбрать, какие раки тестировать в первую очередь, подходы вроде INSPIRE могут сократить сроки разработки, снизить затраты и помочь пациентам получить эффективные терапии раньше.

Цитирование: 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

Ключевые слова: разработка противораковых препаратов, данные реальной практики, машинное обучение в онкологии, иммунотерапия, выбор показаний для лечения