Adaptive therapy under parametric, structural, and measurement uncertainty

El tratamiento contra el cáncer ha operado durante mucho tiempo bajo un principio simple y agresivo: atacar al tumor con la mayor fuerza posible, lo más seguido posible, en un intento de erradicarlo por completo. Este enfoque, conocido como terapia continua, se basa en dosis máximas de fármacos para matar las células cancerosas. Sin embargo, la naturaleza suele contraatacar. Cuando un fármaco elimina la gran mayoría de las células cancerosas, deja atrás un pequeño grupo oculto de supervivientes que son naturalmente resistentes a la medicina. Sin la competencia de las células sensibles ahora diezmadas, estos supervivientes resistentes pueden multiplicarse rápidamente, lo que conduce a un tumor más difícil de tratar que antes. Para contrarrestar esto, médicos y científicos han comenzado a explorar una estrategia diferente llamada terapia adaptativa. En lugar de intentar eliminar el tumor, este método busca gestionarlo. Al ajustar las dosis de los fármacos según cómo responda el tumor —administrando la medicina cuando el tumor crece y deteniéndola cuando el tumor se reduce—, los médicos esperan mantener viva una población de células sensibles. Estas células sensibles actúan como un freno natural, compitiendo con las resistentes y manteniendo la enfermedad bajo control el mayor tiempo posible.

El desafío de este enfoque es que requiere un conocimiento preciso de lo que está sucediendo dentro del cuerpo, algo que rara vez está disponible. Los médicos no pueden ver el tamaño exacto o la composición del tumor en tiempo real; deben confiar en pistas indirectas, como un análisis de sangre que mide una proteína llamada antígeno prostático específico, o PSA. Esta proteína es producida tanto por células cancerosas como por células prostáticas sanas, lo que significa que una lectura alta no siempre significa que el tumor sea grande, y una lectura baja no siempre significa que sea pequeño. Además, cada paciente es diferente, y las reglas biológicas que gobiernan el crecimiento de su cáncer pueden cambiar con el tiempo. En un nuevo estudio, los investigadores se propusieron probar si la terapia adaptativa podría realmente funcionar para pacientes individuales ante estas realidades complicadas: mediciones imperfectas, diferencias biológicas desconocidas y la posibilidad de que el comportamiento del tumor pueda cambiar. Construyeron un modelo computacional detallado, calibrado con datos de pacientes reales, para simular cómo se desarrollarían diferentes estrategias de tratamiento bajo estas condiciones de incertidumbre.

Los investigadores comenzaron creando una "cohorte virtual" de pacientes. Tomaron datos de un ensayo clínico que involucró a 85 hombres con cáncer de próstata que habían sido tratados con terapia hormonal intermitente. Utilizando un método estadístico, ajustaron su modelo matemático para que se adaptara a los patrones únicos de los niveles de PSA de cada paciente a lo largo del tiempo. Este proceso les permitió generar un grupo diverso de pacientes simulados, cada uno con su propio conjunto específico de rasgos biológicos e incertidumbres. Luego realizaron miles de simulaciones para ver qué pasaría si estos pacientes virtuales recibieran el tratamiento continuo estándar frente al nuevo enfoque adaptativo. La estrategia adaptativa que probaron, conocida como AT50, consistía en administrar fármacos hasta que el nivel de PSA descendiera a la mitad de su punto inicial, para luego detener el tratamiento hasta que el nivel volviera a su línea base original. Este ciclo se repetía, tomando decisiones cada 30 días basadas en los resultados de los análisis de sangre.

Los resultados de estas simulaciones fueron alentadores para el enfoque adaptativo, pero con importantes salvedades. Cuando los investigadores observaron el tiempo que tardaba la enfermedad en progresar hasta un punto en el que ya no podía controlarse, la estrategia adaptativa superó al tratamiento continuo en aproximadamente el 95% de los casos simulados. En estos casos, el esquema adaptativo extendió el tiempo antes de que el tumor fuera inmanejable por un margen significativo. Esta mejora se mantuvo incluso cuando los investigadores tuvieron en cuenta el hecho de que las pruebas de sangre eran ruidosas y no perfectamente precisas. El modelo demostró que la estrategia adaptativa era robusta; podía manejar la incertidumbre de las mediciones imperfectas y aun así mantener el tumor bajo control durante más tiempo que el enfoque estándar en la gran mayoría de los escenarios.

Sin embargo, el estudio también reveló un posible compromiso que no se había explorado plenamente hasta ahora. Si bien la terapia adaptativa era mejor para retrasar la progresión de la enfermedad en la mayoría de los casos, requería mantener el tumor en un tamaño mayor y estable para mantener la competencia entre los tipos de células. Los investigadores introdujeron una nueva métrica para medir el riesgo de metástasis, que es la propagación del cáncer a otras partes del cuerpo. Sus simulaciones sugirieron que, debido a que el tumor permanece de mayor tamaño durante más tiempo bajo la estrategia adaptativa, el riesgo de metástasis podría ser en realidad mayor en comparación con el tratamiento continuo, que reduce el tumor de forma agresiva. Para algunos pacientes, el beneficio de un mayor tiempo antes de la progresión podría verse superado por el mayor riesgo de que el cáncer se propague. Este hallazgo destaca que no existe un único "mejor" tratamiento para todos; la elección correcta depende de equilibrar el deseo de retrasar la progresión frente al riesgo de permitir que persista un tumor de mayor tamaño.

Los investigadores también investigaron qué tan fiables eran sus predicciones cuando las reglas subyacentes del tumor cambiaban. En el mundo real, un tumor puede evolucionar, o la forma en que responde a los fármacos puede cambiar a lo largo de los años. El estudio encontró que si el modelo matemático utilizado para planificar el tratamiento era ligeramente erróneo sobre cómo se comportaba el tumor, las predicciones sobre los resultados futuros podrían volverse poco fiables. Específicamente, si un modelo se construyó utilizando datos de un paciente en un programa de tratamiento continuo, no podía predecir con precisión cómo respondería ese mismo paciente a un programa adaptativo, y viceversa. Esto se debe a que diferentes programas de tratamiento revelan distintos aspectos de la biología del tumor. Si un médico solo ve cómo reacciona un tumor cuando está bajo ataque constante, no puede saber cómo se comportará cuando el ataque se pausa. Esto sugiere que para personalizar verdaderamente la terapia adaptativa, los médicos deben ser capaces de inferir las reglas biológicas específicas del tumor de un paciente mientras ya están en el programa adaptativo, en lugar de intentar adivinarlas basándose en datos previos de tipos de tratamiento diferentes.

En última instancia, el estudio demuestra que, si bien la terapia adaptativa es una herramienta prometedora que puede extender el tiempo antes de que un tumor progrese, no es una solución mágica que funcione perfectamente para todos. El éxito del enfoque depende en gran medida de la biología específica del cáncer del paciente y de la capacidad de medir con precisión la respuesta del tumor a pesar del ruido en los datos. Los investigadores concluyeron que, para que la terapia adaptativa sea verdaderamente efectiva, debe aplicarse con una comprensión profunda de la incertidumbre. Médicos y pacientes deben sopesar el beneficio de retrasar la progresión de la enfermedad frente a los riesgos potenciales de mantener una carga tumoral mayor, como el mayor riesgo de metástasis. Al reconocer que nuestros modelos son imperfectos y que cada paciente es único, la comunidad médica puede navegar mejor el complejo camino hacia una atención contra el cáncer más eficaz y personalizada. El estudio sirve como un recordatorio de que, en la lucha contra el cáncer, la herramienta más poderosa no es solo un nuevo fármaco, sino una comprensión lúcida de los límites de nuestro conocimiento y de la variabilidad de la enfermedad misma.