El linfoma agresivo de células T es un tipo de cáncer sanguíneo poco frecuente y devastador, con una tasa de supervivencia a cinco años muy baja.

Los pacientes suelen recaer tras recibir el tratamiento inicial, lo que dificulta especialmente a los médicos controlar esta destructiva enfermedad.

En un nuevo estudio, investigadores del MIT, en colaboración con investigadores del consorcio PETAL del Hospital General de Massachusetts, identificaron un marcador pronóstico práctico y potente que podría ayudar a los médicos a identificar tempranamente a los pacientes de alto riesgo y, potencialmente, adaptar las estrategias de tratamiento para mejorar la supervivencia.

El equipo descubrió que, cuando los pacientes recaen en los 12 meses siguientes al tratamiento inicial, sus posibilidades de supervivencia disminuyen drásticamente.

Según los investigadores, para estos pacientes, las terapias dirigidas podrían mejorar sus posibilidades de supervivencia, en comparación con la quimioterapia tradicional.

Según su análisis, que utilizó datos recopilados de miles de pacientes de todo el mundo, el hallazgo es válido para todos los subgrupos de pacientes, independientemente de la terapia inicial del paciente o de su puntuación en un índice pronóstico de uso común.

Un marco de inferencia causal denominado Synthetic Survival Controls (SSC), desarrollado como parte de la tesis de la estudiante de posgrado del MIT Jessy (Xinyi) Han, fue fundamental para este análisis.

Este versátil marco ayuda a responder preguntas del tipo «cuándo-si» —para estimar cómo cambiaría el momento de los resultados con diferentes intervenciones— al tiempo que supera las limitaciones de los datos inconsistentes y sesgados.

La identificación de nuevos grupos de riesgo podría orientar a los médicos a la hora de seleccionar terapias para mejorar la supervivencia global.

Por ejemplo, un médico podría dar prioridad a los ensayos clínicos en fase inicial frente a las terapias canónicas para esta cohorte de pacientes.

Según los investigadores, los resultados podrían servir de base para los criterios de inclusión en algunos ensayos clínicos.

El marco de inferencia causal para el análisis de supervivencia también puede aplicarse de forma más amplia.

Por ejemplo, los investigadores del MIT lo han utilizado en áreas como la justicia penal para estudiar cómo los factores estructurales impulsan la reincidencia.

«A menudo no solo nos importa lo que sucederá, sino cuándo sucederá el evento objetivo. Estos problemas de cuándo-si han pasado desapercibidos durante mucho tiempo, pero son comunes en muchos ámbitos. Aquí hemos demostrado que, para responder a estas preguntas con datos, se necesitan expertos en la materia que aporten sus conocimientos y buenos métodos de inferencia causal para cerrar el círculo», afirma Devavrat Shah, profesor Andrew y Erna Viterbi de Ingeniería Eléctrica e Informática en el MIT, miembro del Instituto de Datos, Sistemas y Sociedad (IDSS) y del Laboratorio de Sistemas de Información y Decisión (LIDS), y coautor del estudio.

A Shah se unen en el artículo muchos coautores, entre ellos Han, que cuenta con la asesoría conjunta de Shah y Fotini Christia, profesora Ford International de Ciencias Sociales en el Departamento de Ciencias Políticas y directora del IDSS; y los autores correspondientes Mark N.

Sorial, farmacéutico clínico e investigador del Instituto Oncológico Dana-Farber, y Salvia Jain, investigadora clínica del Centro Oncológico del Hospital General de Massachusetts, fundadora del consorcio global PETAL y profesora adjunta de medicina en la Facultad de Medicina de Harvard.

La investigación aparece en la revista Blood.

Estimación de resultados

Los investigadores del MIT han dedicado los últimos años a desarrollar el marco de inferencia causal Synthetic Survival Control, que les permite responder a complejas preguntas del tipo «cuándo-si» cuando el uso de los datos disponibles supone un reto estadístico.

Su enfoque estima cuándo se produce un evento objetivo si se utiliza una determinada intervención.

En este artículo, los investigadores estudiaron un cáncer agresivo denominado linfoma nodal de células T maduras y si un determinado marcador pronóstico conducía a peores resultados.

El marcador, TTR12, significa que un paciente recayó en los 12 meses siguientes al tratamiento inicial.

Aplicaron su marco para estimar cuándo fallecerá un paciente si tiene TTR12 y cómo sería diferente su trayectoria de supervivencia si no tuviera este marcador pronóstico.

«Ningún experimento puede responder a esa pregunta porque estamos preguntando por dos resultados para el mismo paciente. Tenemos que tomar prestada información de otros pacientes para estimar, de forma contrafactual, cuál habría sido el resultado de supervivencia de un paciente», explica Han.

Responder a este tipo de preguntas es muy difícil debido a los sesgos de los datos observacionales disponibles.

Además, los datos de pacientes recopilados de una cohorte internacional plantean sus propios retos.

Por ejemplo, un conjunto de datos clínicos suele contener algunos datos históricos sobre un paciente, pero en algún momento el paciente puede interrumpir el tratamiento, lo que da lugar a registros incompletos.

Además, si un paciente recibe un tratamiento específico, eso podría influir en su supervivencia, lo que aumenta la complejidad de los datos.

Además, para cada paciente, los investigadores solo observan un resultado sobre la duración de su supervivencia, lo que limita la cantidad de datos disponibles.

Estas cuestiones dan lugar a un rendimiento subóptimo de muchos métodos clásicos.

El marco de control sintético de la supervivencia puede superar estos retos.

Aunque los investigadores no conocen todos los detalles de cada paciente, su método une la información de otros muchos pacientes de tal manera que puede estimar los resultados de supervivencia.

Es importante destacar que su método es robusto frente a supuestos de modelización específicos, lo que lo hace ampliamente aplicable en la práctica.

El poder del pronóstico

El análisis de los investigadores reveló que los pacientes con TTR12 tenían sistemáticamente un riesgo mucho mayor de muerte en los cinco años siguientes al tratamiento inicial que los pacientes sin el marcador.

Esto era así independientemente del tratamiento inicial que recibieran los pacientes o del subgrupo al que pertenecieran.

«Esto nos indica que la recaída temprana es un pronóstico muy importante. Sirve de señal para que los médicos puedan pensar en terapias personalizadas para estos pacientes que puedan superar la resistencia en la segunda o tercera línea», afirma Han.

De cara al futuro, los investigadores pretenden ampliar este análisis para incluir datos genómicos de alta dimensión.

Esta información podría utilizarse para desarrollar tratamientos personalizados que eviten la recaída en un plazo de 12 meses.

«Basándonos en nuestro trabajo, ya existe una herramienta de cálculo de riesgos que utilizan los médicos. Con más información, podemos convertirla en una herramienta más completa que proporcione más detalles sobre el pronóstico», afirma Shah.

También están aplicando el marco a otros ámbitos.

Por ejemplo, en un artículo presentado recientemente en la Conferencia sobre Sistemas de Procesamiento de Información Neural, los investigadores identificaron una diferencia dramática en la tasa de reincidencia entre presos de diferentes razas que comienza aproximadamente siete meses después de su puesta en libertad.

Una posible explicación es el diferente acceso a la ayuda a largo plazo por parte de los distintos grupos raciales.

También están investigando las decisiones de las personas de abandonar las compañías de seguros, al tiempo que exploran otros ámbitos en los que el marco podría generar conocimientos prácticos.

«La colaboración con expertos en la materia es fundamental, ya que queremos demostrar que nuestros métodos son valiosos en el mundo real. Esperamos que estas herramientas puedan utilizarse para influir positivamente en las personas de toda la sociedad», afirma Han.

Fuente: Instituto Tecnológico de Massachusetts