Un equipo multidisciplinar de investigadores españoles ha desarrollado y validado un algoritmo de Inteligencia Artificial (IA) capaz de predecir con precisión la respuesta de los pacientes con cáncer de pulmón al tratamiento con inmunoterapia. La herramienta se basa en datos fácilmente accesibles, como los registros de historia clínica y los resultados de hemogramas rutinarios, lo que representa un avance significativo hacia la personalización de tratamientos oncológicos.
El estudio ha sido liderado por expertos de la Universidad Politécnica de Madrid (UPM), el Centro de Investigación Biomédica en Red (CIBER), la Fundación Jiménez Díaz, la Clínica Universidad de Navarra y el Hospital Universitario 12 de Octubre. Sus hallazgos han sido publicados en la revista científica Cancer Immunology, Immunotherapy.
Según explica María Jesús Ledesma, investigadora de la UPM y del área de Bioingeniería del CIBER-BBN, el algoritmo se alimenta únicamente de datos clínicos y hemogramas obtenidos durante los primeros ciclos del tratamiento. “Partimos de la hipótesis de que los cambios iniciales pueden ofrecernos información valiosa sobre la evolución del paciente a largo plazo”, señala.
La inmunoterapia ha supuesto una revolución en el tratamiento del cáncer, al estimular la respuesta del sistema inmunológico y bloquear los mecanismos que las células tumorales emplean para evadirla. Sin embargo, no todos los pacientes responden del mismo modo, y muchos acaban desarrollando resistencia tras una aparente respuesta inicial.
Ana D. Ramos-Guerra, primera autora del artículo, explica que el modelo considera variables como la presencia de metástasis en el sistema nervioso central, la aparición temprana de efectos adversos como neumonitis o colitis, y antecedentes de diabetes tipo I. Además, se incluyen indicadores hematológicos como la deshidrogenasa láctica (LDH), el conteo absoluto de linfocitos y la ratio plaquetas/linfocitos, medidos a lo largo del tiempo.
Este sistema no solo mejora la predicción del resultado terapéutico, sino que también puede optimizar la selección de pacientes para ensayos clínicos, reducir los efectos secundarios innecesarios y contribuir a una gestión más eficiente de los recursos sanitarios.
