Forecasting patient-specific tumor response using patient-reported outcomes in non-small cell lung cancer

Resumo Técnico: Previsão da Resposta Tumoral Específica do Paciente Utilizando Desfechos Relatados pelo Paciente em Câncer de Pulmão de Células Não Pequenas

Definição do Problema
O câncer de pulmão de células não pequenas (CPCNP) continua sendo a principal causa de morte por câncer, com uma taxa de sobrevivência de cinco anos inferior a 20%. Embora os biomarcadores sejam essenciais para avaliar a resposta ao tratamento, os biomarcadores prognósticos moleculares são frequentemente excluídos do uso rotineiro devido à heterogeneidade tumoral e resultados irreprodutíveis. Consequentemente, há uma necessidade de biomarcadores prognósticos não moleculares. Os Desfechos Relatados pelo Paciente (PROs - Patient-Reported Outcomes), que quantificam a qualidade de vida diretamente do paciente sem interpretação externa, demonstraram correlação com a dinâmica do volume tumoral. No entanto, pesquisas anteriores foram limitadas; especificamente, um trabalho prévio demonstrou que mudanças na insônia poderiam prever se um paciente progrediria com 77% de precisão, mas apenas com 45 dias de antecedência. Crucialmente, essa abordagem falhou em prever quando a progressão ocorreria e apresentou baixa precisão (28%) ao prever resistência. O problema central abordado é a falta de um arcabouço que integre a dinâmica dos PROs com a modelagem matemática do tumor para prever precisamente o tempo da progressão volumétrica do tratamento, permitindo assim uma intervenção clínica precoce.

Metodologia
O estudo analisou dados de 80 pacientes com CPCNP submetidos à terapia com inibidores de checkpoint imunológico no H. Lee Moffitt Cancer Center.

• Coleta de Dados: Os pacientes completaram questionários de PRO quinzenais avaliando 27 sintomas em uma escala Likert de 5 pontos. O volume tumoral foi medido aproximadamente mensalmente via exames de TC, avaliado utilizando os Critérios de Avaliação de Resposta à Imunoterapia em Tumores Sólidos (iRECIST). A doença progressiva foi definida como um aumento de 20% a partir do nadir da soma dos maiores diâmetros (traduzindo-se em um aumento de volume de 72,8%).
• Modelagem Matemática: Um modelo de Inibição do Crescimento Tumoral (TGI - Tumor Growth Inhibition) foi utilizado para descrever os efeitos da terapia, incorporando crescimento exponencial, decaimento induzido pelo tratamento e a evolução da resistência ao longo do tempo. Os parâmetros do modelo incluíram a taxa de crescimento pré-tratamento ($\lambda$), a sensibilidade inicial ao tratamento ($\gamma_0$) e a taxa de evolução da resistência ($\epsilon$).
• Calibração do Modelo: Utilizando uma abordagem de validação cruzada leave-one-out (LOO), o modelo foi calibrado para todos os 80 pacientes. Uma função de otimização aninhada determinou que $\lambda$ deveria ser específico para cada paciente, enquanto $\gamma_0$ e $\epsilon$ foram uniformes em toda a coorte. O Critério de Informação de Akaike (AIC) confirmou esta parametrização.
• Arcabouço de Previsão:
  • Sem PROs: As previsões foram geradas amostrando valores de $\lambda$ de uma Função de Distribuição Acumulada (CDF) derivada do conjunto de treinamento.
  • Com PROs: O arcabouço foi aprimorado pela estratificação da CDF baseada em mudanças na insônia relatada pelo paciente. Três curvas distintas foram estabelecidas: uma para pacientes com aumento de insônia (amostrada para potencial progressão), uma para diminuição/estabilidade da insônia (amostrada para resposta) e uma curva combinada para pacientes sem alteração.
• Análise: Uma análise de corte utilizando o Índice de Youden foi realizada para determinar os limiares ideais para distinguir respondedores de não respondedores. Gráficos de Kaplan-Meier foram empregados para estimar a probabilidade cumulativa de progressão ao longo do tempo.

Principais Contribuições

1. Integração de PROs e Modelagem Matemática: O estudo integrou com sucesso mudanças dinâmicas em um PRO específico (insônia) com um modelo matemático de TGI para prever a dinâmica do volume tumoral.
2. Precisão Temporal: Diferente dos métodos de classificação binária anteriores, este arcabouço visa prever quando a progressão ocorre, oferecendo uma linha do tempo para intervenção clínica.
3. Amostragem de Parâmetros Estratificada: A introdução de uma terceira curva de CDF para pacientes sem alteração na insônia abordou a questão das taxas de resistência desproporcionalmente ponderadas, refinando o algoritmo de previsão.
4. Validação de Biomarcadores Não Moleculares: O trabalho fornece evidências de que os PROs podem servir como biomarcadores prognósticos acionáveis e não invasivos quando combinados com modelagem mecanística.

Resultados

• Calibração do Modelo: O modelo TGI calibrado capturou efetivamente a dinâmica específica de cada paciente. A Figura 1B demonstrou que as taxas de crescimento pré-tratamento ($\lambda$) foram significativamente maiores em pacientes resistentes em comparação com pacientes responsivos ($p = 4,77 \times 10^{-5}$).
• Modelo TGI Isolado: Ao utilizar o modelo TGI sem PROs, a precisão geral para prever a resposta a partir dos pontos de volume um para dois foi de 66,25% (Sensibilidade: 75%, Especificidade: 65,28%).
• Modelo TGI com PROs: A incorporação das mudanças na insônia melhorou o desempenho. Para as previsões dos pontos de volume um para dois, o modelo alcançou:
  • Sensibilidade: 80% (8 verdadeiros positivos, 2 falsos negativos).
  • Especificidade: 68,2% (58 verdadeiros negativos, 27 falsos positivos).
  • Área Sob a Curva Média (mAUC): 0,78.
  • Precisão Geral: 71,3%.
  • Taxa de Verdadeiros Positivos: 72,2%.
• Previsão Temporal: A análise de Kaplan-Meier permitiu a identificação de pacientes com menores probabilidades de sobrevivência (maior risco de progressão) em uma base volume-a-volume, fornecendo uma linha do tempo para potencial intervenção.

Significância e Alegações
O artigo afirma que este arcabouço inovador permite aos clínicos prever precisamente quando a progressão da doença ocorrerá, oferecendo uma oportunidade de intervir antes que a progressão seja confirmada por imagem. Os autores enfatizam que, embora o modelo TGI isolado seja eficaz em prever a doença responsiva, ele tem dificuldade com a doença resistente; a incorporação dos dados de insônia corrige essa limitação, aumentando significadamente a capacidade de prever a resistência. O estudo conclui que os PROs, quando acoplados à modelagem matemática, servem como uma ferramenta poderosa e minimamente invasiva para prever a resposta ao tratamento. Os autores mantêm uma postura modesta, reconhecendo limitações como o conjunto de dados pequeno e desequilibrado (10 eventos progressivos vs. 85 eventos responsivos em certos intervalos) e a necessidade de trabalhos futuros para abordar a heterogeneidade tumoral e problemas de convergência do modelo.