📄 cancer biology

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

Este estudo desenvolve um modelo matemático mecanístico integrando a dinâmica tumor-imunidade e as flutuações de ctDNA para explicar a pseudoprogressão e treina um classificador de floresta aleatória que demonstra uma discriminação precoce superior entre progressão verdadeira e pseudoprogressão em comparação com os critérios de imagem padrão.

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

Publicado 2026-09-22

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

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

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Esta é uma explicação gerada por IA de um preprint que não foi revisado por pares. Não é aconselhamento médico. Não tome decisões de saúde com base neste conteúdo. Ler aviso legal completo

Quando um paciente inicia o tratamento com imunoterapia moderna, o objetivo é despertar o próprio sistema imunológico do corpo para caçar o câncer. Esses medicamentos, conhecidos como inibidores de checkpoint imunológico, removem os freios que os tumores frequentemente usam para se esconder das células imunes. No entanto, esse despertar pode criar um sinal confuso para os médicos. À medida que as células imunes correm para dentro de um tumor para atacá-lo, elas causam inchaço e inflamação, de forma muito semelhante a uma multidão se reunindo em uma cena. Em um exame médico padrão, esse influxo de células pode fazer o tumor parecer maior do que era antes do início do tratamento. Esse fenômeno é chamado de pseudoprogressão. É um enigma crítico no cuidado do câncer, porque um tumor que parece estar crescendo pode, na verdade, estar morrendo, enquanto um tumor que está verdadeiramente crescendo pode ser confundido com um surto temporário. Se os médicos confundirem um tumor diminuindo com um crescendo, eles podem interromper um tratamento vital cedo demais. Se confundirem um tumor crescendo com um diminuindo, eles podem atrasar a mudança para uma terapia diferente, permitindo que o câncer se espalhe.

Por décadas, os médicos confiaram na medição do tamanho dos tumores em exames para decidir se um tratamento estava funcionando. Essas regras, conhecidas como RECIST, foram projetadas para quimioterápicos mais antigos que diminuem os tumores de forma rápida e constante. Elas não levam em conta o comportamento complexo, tardio e, às vezes, enganoso da imunoterapia. Um novo conjunto de diretrizes, chamado iRECIST, foi criado para lidar com essa confusão, instruindo os médicos a esperar e realizar novos exames nos pacientes antes de declarar um fracasso no tratamento. Embora esse período de espera ajude a evitar a interrupção precoce de um tratamento eficaz, isso também significa que pacientes cujo câncer está realmente crescendo devem esperar semanas extras antes que seus médicos possam mudar para um plano diferente. Durante essa espera, o câncer continua a crescer sem controle. Pesquisadores da Universidade de Minnesota, liderados por Aaron Li e Jasmine Foo, propuseram-se a resolver esse problema de tempo construindo um modelo matemático que simula o que acontece dentro do corpo de um paciente durante a imunoterapia.

Os pesquisadores criaram um modelo computacional que rastreia três coisas principais: as células cancerígenas, as células imunes ativas que as atacam e um tipo específico de material genético chamado DNA tumoral circulante, ou ctDNA, que vaza para a corrente sanguínea quando as células cancerígenas morrem. Em seu modelo, o "tumor" visto em um exame não é apenas composto por células cancerígenas; é a soma das células cancerígenas mais as células imunes que o cercam. Essa distinção é vital porque explica por que um tumor pode parecer crescer mesmo enquanto as células cancerígenas estão sendo mortas. O modelo também rastreia o ctDNA, que atua como uma impressão digital molecular do câncer. Quando as células cancerígenas morrem, elas liberam mais desse DNA no sangue. Os pesquisadores usaram dados de centenas de pacientes reais tratados com um medicamento chamado atezolizumabe para ajustar seu modelo, garantindo que ele correspondesse aos altos e baixos do mundo real nos tamanhos dos tumores e nos níveis de DNA.

Uma vez calibrado o modelo, a equipe o utilizou para gerar milhares de pacientes virtuais para testar diferentes maneiras de prever o desfecho. Eles queriam ver se a combinação dos dados de imagem com os dados de DNA sanguíneo poderia distinguir entre um tumor que está realmente crescendo e um que está apenas inflamado. Eles treinaram um programa de computador, conhecido como classificador de floresta aleatória (random forest classifier), para observar os padrões de tamanho do tumor e níveis de ctDNA ao longo do tempo. Os resultados mostraram que essa abordagem combinada era muito superior em fazer a escolha certa do que olhar apenas para os exames de imagem. O modelo computacional conseguiu distinguir entre progressão verdadeira e pseudoprogressão com uma precisão muito maior do que as regras atuais, mesmo quando as medições do exame eram ligeiramente ruidosas ou imperfeitas.

Talvez a descoberta mais significativa tenha sido a velocidade do novo método. A regra padrão, iRECIST, exige que um médico espere por um segundo exame, geralmente quatro a oito semanas após o primeiro sinal de crescimento, para confirmar se o tumor está realmente piorando. Em suas simulações, esse período de espera permitiu que o crescimento real do câncer aumentasse em uma mediana de 144% antes que um novo tratamento pudesse ser iniciado. Em contraste, o modelo utilizando tanto dados de imagem quanto de sangue podia fazer a mesma determinação cerca de 37 dias antes. Essa detecção precoce significa que pacientes com câncer verdadeiramente agressivo poderiam ser transferidos para um tratamento diferente muito mais cedo, potencialmente evitando que a doença se espalhe ainda mais, enquanto pacientes com pseudoprogressão poderiam ser tranquilizados de que seu tratamento atual ainda está funcionando.

Os pesquisadores também testaram o quão bem o método deles resistia a diferentes condições, como quando os testes de sangue eram menos precisos ou quando o intervalo entre os testes variava. O modelo permaneceu robusto, mantendo sua precisão mesmo quando os dados não eram perfeitos. Isso sugere que a abordagem é prática para o uso no mundo real, onde os testes médicos nunca são perfeitamente limpos. No entanto, a equipe teve o cuidado de notar que esses resultados vêm de simulações computacionais baseadas em dados existentes. Para provar que este método funciona na clínica, eles argumentam que os médicos precisam coletar dados pareados de pacientes reais — exames de imagem e testes de sangue realizados ao mesmo tempo — especificamente durante o período em que um tumor parece estar crescendo. Sem esse tipo específico de dado, é difícil saber com certeza se as previsões do modelo se manterão em todos os pacientes.

O estudo não afirma ter resolvido o mistério da pseudoprogressão de uma vez por todas, nem sugere que os médicos devam interromper o uso das diretrizes atuais imediatamente. Em vez disso, oferece uma nova ferramenta poderosa e um caminho claro a seguir. Ao mostrar como a interação entre células imunes, células cancerígenas e DNA sanguíneo cria os sinais confusos que vemos nos exames, os pesquisadores forneceram uma maneira de filtrar o ruído. O trabalho deles sugere que, se pudermos sincronizar nossos exames de imagem e testes de sangue, poderemos ver a verdade sobre a resposta de um paciente muito mais cedo, poupando-o da ansiedade da espera e do perigo de atrasos desnecessários no tratamento. O próximo passo, como propõem os autores, é reunir as evidências do mundo real necessárias para transformar esse insight matemático em uma parte padrão do cuidado ao câncer.

Resumo Técnico: Explicando e Prevendo a Pseudoprogressão em Imunoterapia através da Modelagem Conjunta da Infiltração Imune e da Dinâmica de ctDNA

Definição do Problema
A pseudoprogressão (PsP) é um fenômeno clínico observado em pacientes tratados com inibidores de checkpoint imunológico (ICI), no qual as lesões tumorais parecem aumentar inicialmente em exames de imagem radiográfica antes de eventualmente regredir. Isso cria um desafio diagnóstico significativo: classificar incorretamente a PsP como progressão verdadeira pode levar à interrupção prematura de uma terapia eficaz, enquanto esperar para confirmar a progressão em pacientes com progressão de doença verdadeira retarda a mudança para terapias de resgate. As diretrizes atuais, como o RECIST 1.1, frequentemente classificam incorretamente a PsP como progressão, enquanto as diretrizes específicas para imunoterapia, como o iRECIST, tentam mitigar isso exigindo uma avaliação de acompanhamento (4–8 semanas depois) para confirmar a progressão. No entanto, esse atraso pode resultar em um crescimento tumoral adicional substancial para pacientes com progressão verdadeira. Embora biomarcadores como o DNA tumoral circulante (ctDNA) tenham mostrado potencial para distinguir essas respostas, a análise estatística robusta é dificultada pela escassez de conjuntos de dados longitudinais que contenham medições sincronizadas de imagem tumoral e ctDNA.

Metodologia
Os autores desenvolveram um modelo matemático mecanístico baseado em equações diferenciais ordinárias (ODEs) para simular a dinâmica tumor-imune e a liberação de ctDNA sob tratamento com ICI.

Estrutura do Modelo: O sistema rastreia quatro variáveis de estado: células tumorais ( $T$ $T$ ), células imunes ativas ( $I_A$ $I_{A}$ ), células imunes exaustas ( $I_E$ $I_{E}$ ) e DNA tumoral circulante ( $C$ $C$ ).
- Dinâmica Tumor-Imune: O modelo incorpora o crescimento tumoral, recrutamento de células imunes, proliferação e exaustão. Crucialmente, o modelo descreve a fase de "rampa de subida" (ramp-up) onde as células imunes infiltram o tumor.
- Definição de Volume Observado: Diferente de modelos que assumem que o volume medido reflete apenas a carga tumoral, este modelo define o volume tumoral observado ( $V$ ) como a soma das células tumorais e das células imunes ativas e exaustas ( $V = T + I_A + I_E$ ). Isso explica explicitamente como a infiltração imune contribui para o crescimento tumoral aparente.
- Dinâmica de ctDNA: O modelo assume que o ctDNA é liberado durante a morte celular (tanto por turnover natural quanto por morte mediada pelo sistema imune) e eliminado da corrente sanguínea a uma taxa fixa.
Ajuste do Modelo: O modelo foi ajustado aos dados longitudinais de tumor de 632 pacientes com câncer de pulmão de células não pequenas (NSCLC) tratados com atezolizumabe (ensaios POPLAR, BIRCH, OAK, FIR) e a um conjunto combinado de dados de tumor-ctDNA de 23 pacientes tratados com pembrolizumabe (Bratman et al.). O ajuste demonstrou alta precisão (mediana de $R^2 = 0,998$ para o tamanho do tumor).
Definições Analíticas e Clínicas: Os autores derivaram uma definição analítica de PsP baseada na posição das condições iniciais em relação a uma nulclina (onde a mudança de volume total é zero) e uma separatriz (que determina a fuga tumoral a longo prazo). Eles compararam essas definições analíticas com classificações clínicas (RECIST 1.1 e iRECIST) usando um coorte simulado de 10.000 pacientes.
Estratégia de Classificação: Usando os coortes gerados pelo modelo, os autores treinaram classificadores de Floresta Aleatória (Random Forest - RF) para distinguir entre três resultados: progressão, pseudoprogressão e resposta/doença estável. Eles compararam o desempenho dos classificadores usando:
1. Dados tumorais apenas.
2. Dados de ctDNA apenas.
3. Dados acoplados de tumor e ctDNA.
  Estes foram comparados com o RECIST 1.1 e o iRECIST sob vários níveis de ruído de medição e intervalos de amostragem.

Principais Resultados

Origem Mecanística da PsP: O modelo demonstra analiticamente que a pseudoprogressão surge naturalmente de dois mecanismos: o crescimento contínuo do tumor durante a fase inicial de "rampa de subida" e a contribuição de volume físico das células imunes infiltrantes.
Ajuste do Modelo: O modelo de ODE reproduziu com sucesso as trajetórias clínicas de progressão, pseudoprogressão e resposta, alcançando métricas de bondade de ajuste elevadas em dados do mundo real.
Desempenho de Classificação:
- O classificador de Floresta Aleatória utilizando tanto dados de tumor quanto de ctDNA superou os classificadores que utilizavam apenas uma das fontes de dados.
- Na presença de ruído de medição tumoral (coeficiente de variação de 10%), o classificador acoplado RF superou significativamente o RECIST 1.1 e mostrou maior robustez em relação ao iRECIST.
- O classificador RF alcançou um Kappa de Cohen de 0,735 para classificação de 3 classes (vs. 0,656 para o RECIST 1.1) e 0,435 para distinguir progressão vs. pseudoprogressão (vs. 0,055 para o RECIST 1.1) em condições de ruído.
Tempo de Classificação: O classificador RF proporcionou um tempo de classificação mediana de 45,7 dias, o que é 37,5 dias mais cedo que o iRECIST (82,1 dias). Esse tempo de classificação precoce pode limitar o crescimento adicional do volume tumoral mediano em progressores verdadeiros em 144% em comparação com o período de espera exigido pelo iRECIST.
Robustez: O desempenho do classificador permaneceu estável através de vários níveis de ruído de medição de ctDNA (até 40% de coeficiente de variação) e não exigiu uma frequência de amostragem maior do que os cronogramas padrão de imagem tumoral.

Significância e Alegações
O artigo afirma que a integração de modelagem mecanística com análise de dados longitudinais fornece uma estrutura para compreender os fundamentos biológicos da pseudoprogressão. Especificamente, os autores afirmam que:

Mecanismo Biológico: A pseudoprogressão é um resultado natural da infiltração imune e da resposta imune retardada, o que pode ser modelado matematicamente ao incluir o volume das células imunes nas avaliações de tamanho do tumor.
Utilidade Preditiva: Medições longitudinais pareadas da carga tumoral e da dinâmica de ctDNA podem permitir uma discriminação mais precoce e precisa entre progressão verdadeira e pseudoprogressão em comparação com critérios baseados apenas em imagem.
Implicação Clínica: O estudo motiva a coleta prospectiva de dados síncronos de imagem e ctDNA durante o tratamento com ICI, particularmente em casos de suspeita de progressão de doença, para facilitar decisões terapêuticas mais precoces.

Limitações Notadas pelos Autores
Os autores declaram explicitamente que sua validação em dados clínicos foi limitada pela falta de conjuntos de dados públicos contendo pares longitudinais suficientes de tumor e ctDNA com casos confirmados de pseudoprogressão. Consequentemente, a validação clínica do classificador RF para distinguir especificamente a PsP não foi possível com os dados disponíveis; o desempenho do modelo em melhorias de classificação é atualmente demonstrado em coortes in silico geradas pelo seu próprio modelo. Eles enfatizam que uma avaliação definitiva requer coortes prospectivas com medições síncronas de imagem e ctDNA.

Mais como este