Hitta de mest lovande indikationerna för nya behandlingar inom onkologi

Varför det är viktigt att hitta rätt patienter

Moderna cancerläkemedel kan rädda liv, men att avgöra vilka patientgrupper som faktiskt får nytta är långsamt, kostsamt och osäkert. Varje nytt läkemedel måste prövas i specifika cancerformer och undergrupper, och att välja fel kan slösa år av forskning och miljoner dollar—medan patienter väntar. Denna studie presenterar ett datadrivet sätt att styra de valen tidigare och mer systematiskt, genom att använda information från miljontals verkliga patienter istället för att i huvudsak förlita sig på intuition och slumpmässiga upptäckter.

Att omvandla vardagliga medicinska data till en karta

Författarna bygger en metod de kallar INSPIRE, som står för ”INdication Selection and Prioritization In Real-world data and Evaluation.” Istället för att utgå enbart från laboratorieförsök lär sig INSPIRE från stora real-world-dataset insamlade under rutinvård i USA—elektroniska journaler och försäkringskrav för mer än två miljoner personer med cancer. Dessa register innehåller en lång kedja av händelser för varje patient: diagnoser, behandlingar, laboratorietester, tumörprover och mer. Teamet omvandlar varje sådan händelse till en matematisk ”feature” och använder sedan maskininlärning för att placera dem i ett delat rum där medicinska händelser som tenderar att inträffa i liknande patienter hamnar nära varandra.

Att se bortom breda canceretiketter

De flesta sjukhus- och faktureringssystem beskriver sjukdomar med administrativa koder som betonar var en tumör sitter (till exempel vilken del av lungan) i stället för hur den ser ut i mikroskopet. För utveckling av cancerläkemedel är detta ofta inte tillräckligt precist, eftersom två tumörer i samma organ kan bete sig mycket olika och svara på olika behandlingar. INSPIRE angriper detta genom att arbeta direkt med patologirapporter—de detaljerade beskrivningarna av tumörvävnaden. Från dessa rapporter bygger metoden finfördelade cancerkategorier såsom specifika undergrupper av lungcancer och skiljer tidig sjukdom från avancerad, metastatisk sjukdom. Den ”sänds ut” sedan denna tumörinformation längs patientens tidslinje så att den kan kopplas till behandlingar, testresultat och andra händelser som inträffar senare.

Test av metoden på en stor immunterapi

För att se om INSPIRE hade kunnat vägleda verkliga beslut fokuserade forskarna på läkemedel som blockerar PD‑1, en immuncheckpoint som riktas av vida använda cancerimmunterapier. De imiterade situationen där dessa läkemedel fortfarande var nya genom att endast använda data från 2012 till 2015 och utesluta alla patienter som fått ett PD‑1-läkemedel eller haft det relaterade biomarkörstestet. De valde tre cancerformer som var bland de första att få godkännande för PD‑1-behandling som ”referens”-sjukdomar. INSPIRE mätte sedan hur lik varje annan cancersubtyp i datamaterialet var dessa referenser, baserat på mönster i patientresorna, och producerade en rankad lista över lovande indikationer utan att veta vilka som senare skulle få officiellt godkännande.

Vad rankningen avslöjade

När författarna ”avslöjade” resultaten och jämförde INSPIRES rankade lista med de godkännanden som tillsynsmyndigheter skulle bevilja efter 2015, fanns cirka 70 procent av de cancerindikationer som så småningom fick PD‑1-godkännande med bland de 50 främsta platserna. Cancersjukdomar där PD‑1-läkemedel upprepade gånger misslyckades i studier tenderade att rankas lägre. Metoden visade liknande prestanda när forskarna utvidgade tidsfönstret för att inkludera nyare år och när de varierade modellens interna parametrar, vilket tyder på att angreppssättet är relativt robust. Analyser indikerade också att INSPIRES interna karta av features grupperade medicinskt relaterade företeelser—såsom tumörtyper, behandlingar och biomarkörer—vilket stöder idén att den fångar meningsfull klinisk struktur snarare än slumpmässiga mönster.

Hur detta kan förändra utvecklingen av cancerläkemedel

INSPIRE är inte avsett att ersätta laboratorieforskning eller kliniskt omdöme, utan att lägga till ytterligare en bevislinje. I praktiken skulle ett företag eller en akademisk grupp som utvecklar ett nytt cancerläkemedel kunna mata in ett litet antal tumörtyper där det redan finns starkt stöd för att läkemedlet fungerar. INSPIRE skulle då använda real-world-datakartan för att lyfta fram andra cancersubtyper som ser likartade ut vad gäller hur patienter debuterar, utvecklas och behandlas. Dessa indikationer kan prioriteras för vidare biologiska studier och så småningom för kliniska prövningar. Genom att förbättra chanserna att välja rätt cancerformer att pröva först, kan angreppssätt som INSPIRE förkorta utvecklingstider, minska kostnader och hjälpa patienter att snabbare få tillgång till effektiva terapier.

Citering: 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

Nyckelord: läkemedelsutveckling mot cancer, data från verklig vård, maskininlärning inom onkologi, immunterapi, val av behandlingsindikation