Este estudo ilustra como a combinação da modelagem matemática com o poder da IA ??pode ter um impacto significativo no tratamento clínico do câncer, aumentando a eficácia e reduzindo custos.

Professor Philip Maini , Diretor do Centro Wolfson de Biologia Matemática do Instituto de Matemática de Oxford, autor sênior do estudo 

Um dos maiores desafios no tratamento do câncer é maximizar o impacto dos tratamentos medicamentosos para o paciente. As estratégias de tratamento convencionais, que se concentram em matar o maior número possível de células, baseiam-se numa terapia de “dose máxima tolerada” (MTD), em que o paciente recebe continuamente uma dose elevada do medicamento, sem interrupções no tratamento. No entanto, estes frequentemente falham contra cancros metastáticos devido ao surgimento de resistência aos medicamentos.

Estratégias de terapia adaptativa, que ajustam dinamicamente o tratamento para suprimir o crescimento de populações resistentes ao tratamento, surgiram como uma alternativa promissora. No entanto, a falta de abordagens personalizadas que tenham em conta a variação do paciente limita a sua eficácia.

Num novo estudo publicado na Cancer Research , investigadores da Universidade de Oxford e do Moffitt Cancer Center, na Florida, apresentam uma nova estrutura que aplica aprendizagem por reforço profundo, DRL, (uma forma de IA) para criar programas de terapia adaptativos para pacientes individuais com cancro da próstata. Os resultados indicam que a nova abordagem adaptativa poderia potencialmente duplicar o tempo de recaída em comparação com a DMT ou interrupções de tratamento não personalizadas.

O primeiro autor, Kit Gallagher , aluno do DPhil no Instituto de Matemática de Oxford, treinou a rede DRL em dados sintéticos de um modelo matemático de câncer de próstata, para replicar o comportamento observado em ensaios clínicos anteriores. O modelo matemático foi vital para gerar quantidades suficientemente grandes de dados de “pacientes virtuais” e permitiu aos pesquisadores avaliar esquemas de tratamento que não poderiam ser facilmente testados clinicamente.

Os resultados indicaram que a estrutura DRL supera consistentemente o MTD convencional e as estratégias adaptativas usadas clinicamente, atrasando a recaída para todos os pacientes na coorte de teste e mais que dobrando o tempo até a recaída para alguns pacientes. Também foi robusto a mudanças ou incertezas tanto na resposta do paciente ao tratamento quanto no intervalo de tempo entre os tratamentos, crucial para a aplicação desta abordagem no mundo real.

É importante ressaltar que os pesquisadores demonstraram que estratégias de tratamento interpretáveis ??poderiam ser extraídas da rede de aprendizagem profunda da 'caixa preta', de uma forma que um médico seria capaz de compreender e prescrever aos seus pacientes.

“A interpretabilidade tem sido um obstáculo significativo para a integração de abordagens de aprendizado de máquina na prática clínica”, disse Kit Gallagher. “Quando essas estruturas são uma caixa preta e não conseguimos entender como elas derivam as recomendações de tratamento, não podemos ter certeza de aplicá-las na clínica. Mas o nosso novo estudo mostra que este obstáculo pode ser superado”.

A abordagem pode ser utilizada inclusive para pacientes que iniciam novos medicamentos, que não possuem registro histórico de como respondem ao tratamento para informar um cronograma personalizado. Para esses casos, os pesquisadores propõem um caminho onde os pacientes iniciariam inicialmente um ciclo de tratamento padrão. Um “gêmeo virtual” desse paciente seria então criado com base nos dados desse tratamento inicial, que poderia ser usado para ajustar o modelo DRL para gerar um cronograma de tratamento personalizado.

Os investigadores estão a planear mais estudos para refinar este método e explorar a sua aplicação a outras formas de cancro.

O estudo 'Aprendizagem profunda orientada por modelo matemático permite terapia adaptativa personalizada' foi publicado na Cancer Research . Este trabalho é apoiado pelo Instituto Nacional do Câncer.

Diagrama usando ícones para ilustrar como funcionaria a terapia adaptativa informada por IA. Os dados (uma tela de computador com um gráfico) informam um modelo matemático (um cérebro) que produz um plano (uma prancheta) para tratamento personalizado: uma pessoa recebendo uma injeção