📄 cancer biology

Explaining and predicting pseudoprogression in immunotherapythrough joint modeling of immune infiltration and ctDNA dynamics

Este estudio desarrolla un modelo matemático mecanístico que integra la dinámica tumor-inmune y las fluctuaciones de ctDNA para explicar la pseudoprogresión y entrena un clasificador de bosque aleatorio que demuestra una discriminación temprana superior entre la progresión real y la pseudoprogresión en comparación con los criterios de imagen estándar.

Autores originales: Li, A. K., Lou, E., Leder, K., Foo, J.

Publicado 2026-09-22

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Li, A. K., Lou, E., Leder, K., Foo, J.

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Esta es una explicación generada por IA de un preprint que no ha sido revisado por pares. No es consejo médico. No tome decisiones de salud basándose en este contenido. Leer descargo de responsabilidad completo

Cuando un paciente comienza un tratamiento con inmunoterapia moderna, el objetivo es despertar el propio sistema inmunológico del cuerpo para que cace al cáncer. Estos fármacos, conocidos como inhibidores de puntos de control inmunitario, eliminan los frenos que los tumores suelen utilizar para esconderse de las células inmunitarias. Sin embargo, este despertar puede crear una señal confusa para los médicos. A medida que las células inmunitarias se apresuran hacia un tumor para atacarlo, provocan hinchazón e inflamación, de forma muy parecida a una multitud reuniéndose en una escena. En una exploración médica estándar, esta afluencia de células puede hacer que el tumor parezca más grande de lo que era antes de comenzar el tratamiento. Este fenómeno se llama pseudoprogresión. Es un rompecabezas crítico en la atención del cáncer porque un tumor que parece estar creciendo podría estar en realidad muriendo, mientras que un tumor que realmente está creciendo podría ser confundido con un brote temporal. Si los médicos confunden un tumor que se encoge con uno que crece, podrían interrumpir un tratamiento que salva la vida demasiado pronto. Si confunden un tumor que crece con uno que se encoge, podrían retrasar el cambio a una terapia diferente, permitiendo que el cáncer se propague.

Durante décadas, los médicos han dependido de la medición del tamaño de los tumores en las exploraciones para decidir si un tratamiento está funcionando. Estas reglas, conocidas como RECIST, fueron diseñadas para los fármacos de quimioterapia más antiguos que reducen los tumores de forma rápida y constante. No tienen en cuenta el comportamiento complejo, tardío y, a veces, engañoso de la inmunoterapia. Un nuevo conjunto de directrices, llamadas iRECIST, se creó para gestionar esta confusión al indicar a los médicos que esperen y vuelvan a realizar exploraciones a los pacientes antes de declarar un fracaso en el tratamiento. Si bien este periodo de espera ayuda a evitar que se detenga el tratamiento eficaz demasiado pronto, también significa que los pacientes cuyo cáncer está creciendo realmente deben esperar semanas más antes de que sus médicos puedan cambiar a un plan diferente. Durante esta espera, el cáncer continúa creciendo sin control. Investigadores de la Universidad de Minnesota, liderados por Aaron Li y Jasmine Foo, se propusieron resolver este problema de tiempo construyendo un modelo matemático que simula lo que sucede dentro del cuerpo de un paciente durante la inmunoterapia.

Los investigadores crearon un modelo informático que rastrea tres cosas principales: las células cancerosas, las células inmunitarias activas que las atacan y un tipo específico de material genético llamado ADN tumoral circulante, o ctDNA, que se filtra en el torrente sanguíneo cuando las células cancerosas mueren. En su modelo, el "tumor" visto en una exploración no es solo células cancerosas; es la suma de las células cancerosas más las células inmunitarias que se agolpan en su interior. Esta distinción es vital porque explica por qué un tumor puede parecer que crece incluso mientras las células cancerosas están siendo asesinadas. El modelo también rastrea el ctDNA, que actúa como una huella dactilar molecular del cáncer. Cuando las células cancerosas mueren, liberan más de este ADN a la sangre. Los investigadores utilizaron datos de cientos de pacientes reales tratados con un fármaco llamado atezolizumab para ajustar su modelo, asegurando que coincidiera con los altibajos del mundo real en el tamaño de los tumores y los niveles de ADN.

Una vez calibrado el modelo, el equipo lo utilizó para generar miles de pacientes virtuales para probar diferentes formas de predecir el resultado. Querían ver si combinar los datos de la exploración con los datos del ADN en sangre podía distinguir entre un tumor que realmente está creciendo y uno que solo está inflamado. Entrenaron un programa informático, conocido como clasificador de bosque aleatorio (random forest classifier), para observar los patrones del tamaño del tumor y los niveles de ctDNA a lo largo del tiempo. Los resultados mostraron que este enfoque combinado era mucho mejor para tomar la decisión correcta que observar solo las exploraciones. El modelo informático podía distinguir entre la progresión real y la pseudoprogresión con una precisión mucho mayor que las reglas actuales, incluso cuando las mediciones de la exploración eran ligeramente ruidosas o imperfectas.

Quizás el hallazgo más significativo fue la velocidad del nuevo método. La regla estándar, iRECIST, requiere que un médico espere a una segunda exploración, generalmente de cuatro a ocho semanas después de la primera señal de crecimiento, para confirmar si el tumor realmente está empeorando. En las simulaciones de los investigadores, este periodo de espera permitió que el crecimiento real del cáncer aumentara en un promedio de 144 por ciento antes de que se pudiera iniciar un nuevo tratamiento. En contraste, el modelo que utiliza tanto los datos de la exploración como los de la sangre podía realizar la misma determinación 37 días antes. Esta detección temprana significa que los pacientes con un cáncer realmente agresivo podrían ser cambiados a un tratamiento diferente mucho antes, potencialmente evitando que la enfermedad se propague más, mientras que los pacientes con pseudoprogresión podrían ser tranquilizados de que su tratamiento actual sigue funcionando.

Los investigadores también probaron qué tan bien se mantenía su método bajo diferentes condiciones, como cuando las pruebas de sangre eran menos precisas o cuando el tiempo entre las pruebas variaba. El modelo se mantuvo robusto, manteniendo su precisión incluso cuando los datos no eran perfectos. Esto sugiere que el enfoque es práctico para el uso en el mundo real, donde las pruebas médicas nunca son perfectamente limpias. Sin embargo, el equipo tuvo cuidado de señalar que estos resultados provienen de simulaciones informáticas basadas en datos existentes. Para demostrar que este método funciona en la clínica, argumentan que los médicos necesitan recopilar datos emparejados de pacientes reales —exploraciones y pruebas de sangre realizadas al mismo tiempo— específicamente durante el periodo en que un tumor parece estar creciendo. Sin este tipo de datos específicos, es difícil saber con certeza si las predicciones del modelo se mantendrán en cada paciente.

El estudio no pretende haber resuelto el misterio de la pseudoprogresión de una vez por todas, ni sugiere que los médicos deban dejar de usar las directrices actuales inmediatamente. En su lugar, ofrece una nueva herramienta poderosa y un camino claro a seguir. Al mostrar cómo la interacción entre las células inmunitarias, las células cancerosas y el ADN en sangre crea las señales confusas que vemos en las exploraciones, los investigadores han proporcionado una forma de atravesar el ruido. Su trabajo sugiere que si podemos sincronizar nuestras imágenes y las pruebas de sangre, podríamos ver la verdad de la respuesta de un paciente mucho antes, ahorrándole la ansiedad de la espera y el peligro de los retrasos innecesarios en el tratamiento. El siguiente paso, según proponen los autores, es reunir la evidencia del mundo real necesaria para convertir este conocimiento matemático en una parte estándar de la atención del cáncer.

Resumen Técnico: Explicación y Predicción de la Pseudoprogresión en Inmunoterapia mediante el Modelado Conjunto de la Infiltración Inmune y la Dinámica del ctDNA

Planteamiento del Problema
La pseudoprogresión (PsP) es un fenómeno clínico observado en pacientes tratados con inhibidores de puntos de control inmunitario (ICI), donde las lesiones tumorales parecen aumentar inicialmente de tamaño en las imágenes radiográficas antes de registrar eventualmente una regresión. Esto crea un desafío diagnóstico significativo: clasificar erróneamente la PsP como progresión real puede llevar al cese prematuro de una terapia eficaz, mientras que esperar para confirmar la progresión en pacientes con progresión de la enfermedad real retrasa el cambio a terapias de rescate. Las guías actuales, como RECIST 1.1, a menudo clasifican erróneamente la PsP como progresión, mientras que las guías específicas para inmunoterapia como iRECIST intentan mitigar esto requiriendo una evaluación de seguimiento (4 a 8 semanas después) para confirmar la progresión. Sin embargo, este retraso puede resultar en un crecimiento tumoral adicional sustancial para pacientes con progresión real. Si bien biomarcadores como el ADN tumoral circulante (ctDNA) han mostrado potencial para distinguir estas respuestas, el análisis estadístico robusto se ve dificultado por la escasez de conjuntos de datos longitudinales que contengan mediciones sincronizadas de imagen tumoral y ctDNA.

Metodología
Los autores desarrollaron un modelo matemático mecanístico basado en ecuaciones diferenciales ordinarias (ODE) para simular la dinámica tumor-inmune y la liberación de ctDNA bajo el tratamiento con ICI.

Estructura del Modelo: El sistema rastrea cuatro variables de estado: células tumorales ( $T$ $T$ ), células inmunes activas ( $I_A$ $I_{A}$ ), células inmunes agotadas ( $I_E$ $I_{E}$ ) y ADN tumoral circulante ( $C$ $C$ ).
- Dinámica Tumor-Inmune: El modelo incorpora el crecimiento tumoral, el reclutamiento de células inmunes, la proliferación y el agotamiento inmune. Crucialmente, modela la fase de "aceleración" (ramp-up) donde las células inmunes infiltran el tumor.
- Definición de Volumen Observado: A diferencia de los modelos que asumen que el volumen medido refleja únicamente la carga tumoral, este modelo define el volumen tumoral observado ( $V$ ) como la suma de las células tumorales y las células inmunes tanto activas como agotadas ( $V = T + I_A + I_E$ ). Esto explica explícitamente cómo la infiltración inmune contribuye al aumento aparente del tumor.
- Dinámica del ctDNA: El modelo asume que el ctDNA se libera tras la muerte celular (tanto por recambio natural como por muerte mediada por el sistema inmune) y se elimina del torrente sanguíneo a una tasa fija.
Ajuste del Modelo: El modelo se ajustó a datos tumorales longitudinales de 632 pacientes con cáncer de pulmón no microcítico de células no pequeñas (NSCLC) tratados con atezolizumab (ensayos POPLAR, BIRCH, OAK, FIR) y a un conjunto combinado de datos de tumor-ctDNA de 23 pacientes tratados con pembrolizumab (Bratman et al.). El ajuste demostró una alta precisión (mediana de $R^2 = 0.998$ para el tamaño del tumor).
Definiciones Analíticas y Clínicas: Los autores derivaron una definición analítica de PsP basada en la posición de las condiciones iniciales con respecto a una nulclina (donde el cambio de volumen total es cero) y una separatriz (que determina el escape tumoral a largo plazo). Compararon estas definiciones analíticas con clasificaciones clínicas (RECIST 1.1 e iRECIST) utilizando una cohorte simulada de 10,000 pacientes.
Estrategia de Clasificación: Utilizando las cohortes generadas por el modelo, los autores entrenaron clasificadores de Bosque Aleatorio (Random Forest, RF) para distinguir entre tres resultados: progresión, pseudoprogresión y respuesta/enfermedad estable. Compararon el rendimiento de los clasificadores utilizando:
1. Datos tumorales solamente.
2. Datos de ctDNA solamente.
3. Datos acoplados de tumor y ctDNA.
  Estos fueron comparados con RECIST 1.1 e iRECIST bajo varios niveles de ruido de medición e intervalos de muestreo.

Resultados Clave

Origen Mecanístico de la PsP: El modelo demuestra analíticamente que la pseudoprogresión surge naturalmente de dos mecanismos: el crecimiento tumoral continuo durante la fase inicial de "aceleración" (ramp-up) y la contribución del volumen físico de las células inmunes infiltrantes.
Ajuste del Modelo: El modelo de ODE reprodujo con éxito las trayectorias clínicas de progresión, pseudoprogresión y respuesta, logrando métricas de bondad de ajuste elevadas en datos del mundo real.
Rendimiento de la Clasificación:
- El clasificador de Bosque Aleatorio que utiliza tanto datos tumorales como de ctDNA superó a los clasificadores que utilizan solo una de las fuentes de datos.
- En presencia de ruido en la medición del tumor (coeficiente de variación del 10%), el clasificador acoplado de RF superó significativamente a RECIST 1.1 y mostró una mejor robustez sobre iRECIST.
- El clasificador RF logró un Kappa de Cohen de 0.735 para la clasificación de 3 clases (frente a 0.656 para RECIST 1.1) y 0.435 para distinguir progresión frente a pseudoprogresión (frente a 0.055 para RECIST 1.1) en condiciones de ruido.
Tiempo de Clasificación: El clasificador RF proporcionó un tiempo de clasificación mediano de 45.7 días, lo que representa 37.5 días antes que iRECIST (82.1 días). Esta clasificación temprana potencialmente limita el crecimiento de volumen tumoral adicional mediano de los verdaderos progresores en un 144% en comparación con el periodo de espera requerido por iRECIST.
Robustez: El rendimiento del clasificador se mantuvo estable a través de varios niveles de ruido en la medición de ctDNA (hasta un coeficiente de variación del 40%) y no requirió frecuencias de muestreo mayores que los esquemas estándar de imagen tumoral.

Significancia y Reivindicaciones
El artículo sostiene que la integración del modelado mecanístico con el análisis de datos longitudinales proporciona un marco para comprender los fundamentos biológicos de la pseudoprogresión. Específicamente, los autores afirman que:

Mecanismo Biológico: La pseudoprogresión es un resultado natural de la infiltración inmune y la respuesta inmune retardada, lo cual puede modelarse matemáticamente incluyendo el volumen de las células inmunes en las evaluaciones del tamaño tumoral.
Utilidad Predictiva: Las mediciones longitudinales pareadas de la carga tumoral y la dinámica del ctDNA pueden permitir una discriminación más temprana y precisa entre la progresión real y la pseudoprogresión en comparación con los criterios basados únicamente en imagen.
Implicación Clínica: El estudio motiva la recolección prospectiva de datos sincrónicos de imagen y ctDNA durante la terapia con ICI, particularmente en casos de sospecha de progresión de la enfermedad, para facilitar decisiones de tratamiento más tempranas.

Limitaciones Señaladas por los Autores
Los autores declaran explícitamente que su validación con datos clínicos se vio limitada por la falta de conjuntos de datos públicos que contuvieran suficientes pares longitudinales de tumor y ctDNA con casos confirmados de pseudoprogresión. En consecuencia, la validación clínica del clasificador de RF para distinguir específicamente la PsP no fue posible con los datos disponibles; la mejora en el rendimiento del modelo se demuestra actualmente en cohortes in silico generadas por su propio modelo. Enfatizan que una evaluación definitiva requiere cohortes prospectivas con mediciones sincrónicas de imagen y ctDNA.

Más como este