Los agentes de inmunoterapia que inhiben las moléculas PD1, PD-L1 o CTLA-4 se han utilizado ampliamente en la práctica clínica para tratar el cáncer de pulmón de células no pequeñas, o CPNM.

Aproximadamente entre el 20% y el 50% de los pacientes con CPNM avanzado responden fuertemente a la inmunoterapia y muestran una supervivencia prolongada, pero el resto de los pacientes suelen tener respuestas pobres.

Hay una necesidad urgente de identificar biomarcadores que puedan predecir qué pacientes no responderán a la terapia para evitar tratamientos innecesarios y administrar en su lugar fármacos potencialmente beneficiosos.

La expresión de PD-L1 medida en el tumor de un paciente es un biomarcador común que suele utilizarse para determinar los pacientes que deben ser tratados con terapia anti-PD1/PD-L1.

Sin embargo, varios estudios han demostrado que los pacientes pueden responder a estos agentes incluso con una baja expresión de PD-L1.

Otros biomarcadores similares basados en tejidos pueden tener un coste prohibitivo o requerir una calidad y cantidad adecuadas de tejido que puede ser de suministro limitado.

En un nuevo artículo publicado en JNCI Cancer Spectrum, los investigadores de Moffitt Cancer Center describen un modelo de predicción que han creado y que incluye información calculada a partir de imágenes de tomografía computarizada que puede identificar a los pacientes que no tienen probabilidades de responder a la inmunoterapia.

En lugar de analizar los biomarcadores comunes basados en los tejidos, como los patrones de expresión de las proteínas, el equipo de investigación de Moffitt evaluó el potencial de utilizar las características de las tomografías computarizadas previas al tratamiento combinadas con los datos clínicos para identificar los marcadores asociados con los resultados a la inmunoterapia.

"Las características cuantitativas basadas en la imagen, o radiómicas, reflejan la fisiopatología subyacente y la heterogeneidad del tumor, y tienen ventajas sobre los biomarcadores basados en el tejido, ya que pueden extraerse rápidamente utilizando imágenes médicas estándar y capturar datos de todo el tumor, en lugar de una pequeña porción del tumor que se biopsia y analiza", dijo el doctor Matthew Schabath, miembro asociado del Departamento de Epidemiología del Cáncer en Moffitt.

Los investigadores analizaron las características clínicas y radiómicas de 180 pacientes con CPNM tratados con anti-PD1/PD-L1 con o sin terapia anti-CTLA-4.

"Nuestro objetivo era crear un modelo parsimonioso, conocido como modelo simple, con el menor número de variables y el mayor poder predictivo posible", señaló el doctor Bob Gillies, miembro principal y director del Departamento de Fisiología del Cáncer.

Descubrieron que, entre las 16 características clínicas consideradas, los niveles de albúmina sérica y el número de focos metastásicos que tenía un paciente estaban significativamente asociados a la supervivencia global.

Entre 213 características radiómicas, la diferencia inversa de la matriz de coocurrencia de niveles grises (GLCM) se asoció con la supervivencia global.

El análisis estadístico y la modelización de los datos revelaron que estas características eran parámetros adecuados para su inclusión en el modelo, que dio lugar a cuatro grupos divididos según el riesgo de muerte tras la inmunoterapia: riesgo bajo, riesgo moderado, riesgo alto y riesgo muy alto.

Los investigadores validaron su modelo en dos poblaciones adicionales de pacientes y confirmaron que el grupo de muy alto riesgo tenía una supervivencia global extremadamente pobre tras la inmunoterapia, con una supervivencia global a tres años del 0%, mientras que el grupo de bajo riesgo tenía una supervivencia global a tres años de aproximadamente el 40%.

También descubrieron que la característica radiómica diferencia inversa de GLCM estaba asociada a la expresión del gen CAIX, que interviene en la hipoxia tumoral y regula el crecimiento del tumor y la metástasis, lo que proporciona un apoyo biológico a la diferencia inversa de GLCM como posible biomarcador.

Teniendo en cuenta que la hipoxia, o el bajo nivel de oxígeno en los tejidos, tiene importantes implicaciones en todos los tipos de desarrollo del cáncer, estos resultados sugieren que la diferencia inversa de GLCM puede ser un posible predictor de las respuestas de los pacientes a otros fármacos contra el cáncer.

"Estos resultados sugieren que los pacientes de muy alto riesgo deberían evitar la inmunoterapia por completo o utilizar tratamientos combinados por adelantado que puedan producir una mejor respuesta", dijo Schabath. "Esperamos que, con más estudios, este modelo pueda utilizarse para cambiar la práctica clínica y permitir que los pacientes eviten los fármacos a los que podrían no responder".

Fuente: H. Lee Moffitt Cancer Center & Research Institute