INTELIGENCIA ARTIFICIAL Y MODELOS MATEMATICOS:

FUTURO DE LA MEDICINA PERSONALIZADA

CONTRA EL CANCER

 

 

El modelado matemático y la inteligencia artificial aplicados a la inmunoterapia contra cáncer tienen muchas aplicaciones en el campo de la investigación biomédica, incluidas la mejor comprensión sobre la fisiopatología de las enfermedades a nivel molecular y la predicción de los resultados de los tratamientos.

La oncología es un campo de la medicina moderna que evoluciona rápidamente gracias a los avances tecnológicos en fisiología humana, anatomía, epidemiología y otras áreas relacionadas. Sin embargo, a pesar de estos progresos y de los tratamientos de última generación disponibles, el cáncer sigue siendo una de las principales causas de muerte a nivel mundial y un gran impacto económico.

Según la Organización Mundial de la Salud (OMS), una de cada seis muertes se debe al cáncer, y aproximadamente 10 millones de fallecimientos relacionados con el cáncer ocurrieron en 2020.

Sin embargo, las colaboraciones eficientes entre médicos y biólogos computacionales pueden permitir que los avances en modelado matemático se apliquen correctamente para reducir el impacto global de esta enfermedad.

El Dr. Zhihui Wang, profesor de biología computacional en medicina del Hospital Houston Methodist, junto con el Dr. Joseph Butner, anteriormente instructor en biología computacional, publicaron un estudio de revisión en 2022 en Nature Computational Science que detalla cómo el modelado matemático de la inmunoterapia contra el cáncer puede tener un impacto significativamente positivo en la medicina personalizada. Este estudio evalúa específicamente el modelo de la inmunoterapia contra el cáncer: sus aplicaciones y desafíos.

Las metodologías típicas de inmunoterapia contra el cáncer incluyen la terapia con inhibidores de puntos de control inmunitario, la transferencia adoptiva de células, las vacunas y la terapia con citoquinas exógenas. Sin embargo, la inmunoterapia contra el cáncer también puede utilizarse en combinación con terapias oncológicas tradicionales, como la quimioterapia y la radioterapia. Estas combinaciones suelen conducir a mejores resultados en comparación con las monoterapias, ya que se abordan de manera sinérgica múltiples vías clave.

A la fecha, existen más de 600 medicamentos contra el cáncer, incluidos al menos 30 agentes de inmunoterapia aprobados por la Administración de Alimentos y Medicamentos (FDA). Esto indica un alto número de posibles combinaciones de medicamentos con resultados de tratamiento desconocidos.

Cabe destacar que el desarrollo de medicamentos contra el cáncer es un proceso altamente costoso y que requiere mucho tiempo. Las terapias combinadas pueden ser rentables, ya que muchos de los fármacos cuentan actualmente con la aprobación de la FDA. Es importante enfatizar que no es posible evaluar sistemáticamente cada combinación mediante ensayos clínicos únicamente.

Por lo tanto, el modelado matemático combinado con inteligencia artificial puede ser indispensable para identificar de manera eficiente y efectiva las combinaciones óptimas de medicamentos, así como para predecir los resultados de los tratamientos.

"Esperamos que las estrategias de tratamiento de inmunoterapia basadas en modelos computacionales e IA, se conviertan en una parte crítica de las terapias de próxima generación al facilitar la traducción clínica de nuevos medicamentos y optimizar las estrategias de tratamiento personalizado para maximizar el éxito terapéutico. Esperamos que los científicos computacionales continúen esforzándose por establecer mejoras más colaborativas con médicos y oncólogos para cerrar esta brecha y aumentar la probabilidad de traducir su trabajo de modelado matemático a la clínica", afirma el Dr. Wang del Hospital Houston Methodist.

La medicina personalizada puede reducir la mortalidad por cáncer cuando las estrategias optimicen los tratamientos, aminorando efectos secundarios. En este sentido, el modelado matemático puede conducir a una mejor comprensión de la inmunología e inmunoterapia oncológica, lo cual es crucial para realizar predicciones precisas en el modelado.

También puede ayudar a desentrañar la base molecular de las terapias personalizadas, los cambios genéticos que ocurren dentro de los tumores, los matices de las terapias dirigidas y la farmacogenómica personalizada que, combinados, pueden mejorar significativamente el futuro del cáncer.