ASH 2018 – Modelo de clasificación de pacientes con síndrome mielodisplásico basado en Machine Learning
Se trata de un nuevo sistema para analizar datos genómicos y clínicos que permitiría personalizar los tratamientos en pacientes con síndromes mielodisplásicos. En las pruebas que se han realizado, el modelo se demostró superior a las pruebas estándar actuales, de manera que médicos y pacientes tendrían una herramienta mejor para comprender los riesgos a los que se enfrenta el paciente e informar del tratamiento.
Los síndromes mielodisplásicos presentan una amplia gama de síntomas y los pronósticos de supervivencia pueden variar de pocos meses a décadas. El síndrome más grave es la leucemia mieloide aguda (LMA) que desarrollarán, al menos, un tercio de los pacientes. El modelo puede predecir la tasa de supervivencia y el riesgo de un paciente de desarrollar un LMA, lo cual es crucial en la selección de los tratamientos. Estos últimos se deciden en base al riesgo del paciente y por lo tanto no es lo mismo decidir un trasplante con células madre que conlleva riesgos significativos que otros tratamientos más suaves y sobre todo identificar a los pacientes de riesgo intermedio. En la actualidad se utiliza, en esa valoración, el IPSS-R, un sistema de puntuación que subestima o sobreestima el riesgo hasta en un tercio de pacientes.
El modelo se basa en un algoritmo de aprendizaje automático que utiliza datos genómicos y clínicos para determinar las características, con respecto a la enfermedad, del paciente. En las pruebas realizadas, el nuevo modelo, estimó correctamente la supervivencia general en un 74% mientras el IPSS-R lo estimaba en un 67%, incluso en la posibilidad de desarrollo de LMA los datos eran mejores, un 81% frente a un 73%.
Como cualquier herramienta de apoyo su misión es informar, pero nunca sustituir a los clínicos. Los siguientes pasos, del equipo que ha desarrollado este modelo, es crear un sitio web donde los médicos puedan trabajar introduciendo las características genéticas y clínicas de su paciente y obtener la probabilidad de supervivencia dividida en tres periodos: más de 6, 12 y 18 meses. Todo lo anterior buscando una atención, cada vez, más personalizada del paciente.
