FGBweb_BFGBweb_BFGBweb_BFGBweb_B
  • LA FONDAZIONE
    • Chi Siamo
    • Storia
    • Mission
    • Contatti
  • INIZIATIVE
    • Fellowship
    • Ricerca
  • NEWS & UPDATES
    • News
    • Area Press
  • VIDEO
Italiano
  • English
✕
Buoni risultati con datopotamab deruxtecan nel tumore mammario triplo negativo
27/12/2021
Tumore del polmone, possibili vantaggi associando un inibitore di EGFR-TK a patritumab deruxtecan
17/01/2022

Come prevedere la risposta del tumore mammario alle terapie

Published by Fondazione Gianni Bonadonna at 10/01/2022
Categories
  • Eventi
  • Non categorizzato
Tags

    Un approccio multi-omico basato sull’intelligenza artificiale e il machine learning potrà aiutare a individuare la cura giusta per ciascun caso

    L’obiettivo principale della medicina personalizzata è associare la terapia antitumorale migliore possibile alle caratteristiche della malattia presente in ciascun paziente e oggi è chiaro che la risposta alle cure non dipende solo dalle proprietà delle cellule tumorali, ma è anche influenzata dalle cellule sane, dalle molecole e dai tessuti che circondano e nutrono il tumore, il cosiddetto microambiente tumorale. Ora una ricerca pubblicata su Nature  mostra che grazie a intelligenza artificiale e machine learning è possibile combinare dati clinici, molecolari e di patologia digitale per prevedere la risposta alle cure nel carcinoma mammario e individuare così il miglior trattamento possibile per ciascun paziente: un importante primo passo verso il combinare informazioni molecolari, cliniche e patologiche in una forma facilmente interpretabile e utilizzabile dai medici.
    Per lo studio, coordinato dal professor Carlos Caldas dell’Università di Cambridge, sono stati raccolti profili clinici, genomici, trascrittomici e patologici dalle biopsie eseguite prima del trattamento in 168 pazienti con carcinoma mammario, trattate con chemioterapia e farmaci mirati a HER2+/- prima della chirurgia. Queste informazioni sono state quindi associate alla risposta ottenuta con le cure (risposta completa o presenza di malattia residua) al momento dell’intervento e quindi utilizzate per sviluppare un modello di machine learning che poi è stato applicato a una successiva coorte di 75 pazienti per verificarne la capacità predittiva.
    I risultati mostrano che questo approccio multi-omico che sfrutta l’intelligenza artificiale può prevedere la risposta patologica completa con maggiore accuratezza rispetto alla valutazione dei soli dati clinici: i ricercatori hanno verificato che caratteristiche proprie delle cellule tumorali e il livello di attivazione ed evasione immunitaria sono rilevanti nella risposta alle cure e questi elementi possono essere derivati da variabili clinico-patologiche, da dati di patologia digitale e dal sequenziamento di DNA e RNA. Utilizzare questi parametri in un approccio di machine learning ha perciò consentito di mettere a punto un modello predittivo multi-omico che, tenendo conto di tanti dati molecolari e combinandoli con le informazioni sulla patologia e le altre caratteristiche che possono essere valutate prima del trattamento, offre nuove possibilità di conoscenza del tumore e aiuta a prevedere i risultati dei diversi trattamenti in maggior dettaglio e con maggior accuratezza delle valutazioni cliniche e molecolari ‘semplici’ che potrebbe fare il clinico più esperto. «Questo approccio dimostra l’importanza di integrare i dati in modelli di machine learning e potrebbe essere largamente applicabile ad altri tipi di tumore, oltre che personalizzabile per includere un minore o un maggior numero di caratteristiche di cui tenere conto», concludono gli autori.

    Share
    0

    Related posts

    06/02/2023

    L’apprendimento federato per predire la risposta alla chemioterapia nel tumore mammario triplo negativo


    Read more
    30/01/2023

    Benefici clinici di futibatinib nel colangiocarcinoma intraepatico


    Read more
    23/01/2023

    Inibitori PARP nel carcinoma prostatico avanzato, determinare le alterazioni dei geni HRR è fondamentale per i risultati


    Read more
    LinkedIn | Twitter
    • Privacy policy
    • Cookie policy
    © 2021 - Fondazione Gianni Bonadonna
      Italiano
      • Italiano
      • English