Navegando por el panorama de la oncología personalizada: superar desafíos y ampliar horizontes con modelos...

Área de la Ciencia:

• Biología computacional
• Oncología clínica
• Medicina traslacional

Sus antecedentes:

• La predicción personalizada de la respuesta al tratamiento es un desafío para las enfermedades raras con terapias nuevas.
• La escasez de datos, la escasez y la colaboración interdisciplinaria son obstáculos clave.
• El aprendizaje automático (ML), el modelado mecanicista (MM) y el modelado híbrido (HM) ofrecen posibles soluciones.

Objetivo del estudio:

• Para discutir los desafíos en el modelado computacional para la predicción personalizada en enfermedades raras.
• Presentar un enfoque de modelado híbrido (HM) que combine ML y MM.
• Evaluar el enfoque HM para predecir la respuesta al tratamiento en la terapia con células T receptoras de antígenos quiméricos para el linfoma agresivo.

Principales métodos:

• Desarrolló un enfoque de modelado híbrido (HM) que integra las técnicas ML y MM.
• Se aplicó el enfoque HM a una cohorte de 13 pacientes sometidos a terapia con células T CAR para el linfoma agresivo.
• Comparó el rendimiento de HM con el modelado mecanicista (MM) solo.

Principales resultados:

• El enfoque HM mejoró significativamente la precisión de la predicción en comparación con MM solo.
• El error cuadrado de la raíz media se redujo en 61.27±23.21% utilizando HM.
• Mejora cuantificada del rendimiento en términos de recuento de células (MM: 2.36*10^5±1.68*10^5 frente a HM: 9.57*10^4±8.37*10^4 células).

Conclusiones:

• El modelado híbrido (HM) aborda efectivamente la escasez y la escasez de datos en la predicción personalizada de enfermedades raras.
• HM aprovecha las fortalezas complementarias de ML y MM.
• El desarrollo de técnicas HM avanzadas requiere equipos interdisciplinarios dedicados para una amplia aplicación clínica.