Equipos de investigación de la Universidad Politécnica de Madrid, el CIBER, el Instituto de Investigación Sanitaria-Fundación Jiménez Díaz, la Clínica Universidad de Navarra y el Hospital Universitario 12 de Octubre han desarrollado y validado un algoritmo de inteligencia artificial capaz de predecir con precisión qué pacientes responderán a la inmunoterapia a partir de datos del mundo real (DMR o real world data RWD).

Los resultados del trabajo, publicado en Cancer Immunology, Immunotherapy, demuestran que es posible obtener buenas predicciones con información fácilmente disponible, lo que supone un paso más en la medicina personalizada, permitiendo mejorar la eficacia del tratamiento, enfocar los ensayos clínicos en los pacientes con mayor riesgo de progresión y minimizar la aparición de efectos secundarios innecesarios, además de contribuir a la reducción de costes sanitarios.

María Jesús Ledesma, investigadora de la UPM y el área de Bioingeniería, Biomateriales y Nanomedicina del CIBER (CIBER-BBN) explica que “el sistema se basa únicamente en información disponible en la historia clínica y hemogramas de control obtenidos durante los primeros ciclos de tratamiento, bajo la hipótesis de que la respuesta durante el inicio del tratamiento nos puede dar pistas de la evolución del paciente a largo plazo”.

El cáncer de pulmón es la principal causa de muerte por cáncer en el mundo, con una tasa de supervivencia a los 5 años del 10% para los casos más avanzados con metástasis. En los últimos años se han desarrollado diversas terapias basadas en fomentar la respuesta inmune y bloquear los sistemas desarrollados por las células tumorales para evitar esta respuesta. Este tipo de tratamientos se conocen como inmunoterapias y han tenido un franco impacto en la historia natural de la enfermedad y en los resultados terapéuticos para los pacientes. Además de un aumento de las tasas de supervivencia, las inmunoterapias se asocian a una mejor calidad de vida, exentas de los efectos secundarios generales típicos de la quimioterapia.

“Muchos estudios se han enfocado en estudiar las rutas metabólicas y de señalización celular asociadas a la respuesta inmune en profundidad. No obstante, debido a la variabilidad inmune existente entre los pacientes, la respuesta a las inmunoterapias es muy diversa y una fracción muy relevante de pacientes elegibles para el tratamiento acaban progresando a pesar de observar que, en un primer momento, respondían al tratamiento” expone Ana D. Ramos-Guerra, investigadora del grupo de Ledesma en la UPM/ CIBER-BBN y primera firmante del artículo.

Las autoras explican que, para monitorizar la respuesta, únicamente se han usado datos relacionados con el estado del paciente, las reacciones adversas inmunomediadas y las analíticas de sangre de los pacientes que se realizan generalmente en cada ciclo de inmunoterapia. “El modelo propuesto usa información sobre la presencia de metástasis en el sistema nervioso central, la aparición de neumonitis o colitis al comienzo de la inmunoterapia y el diagnóstico de diabetes tipo I, además de las variables de hemograma lactato deshidrogenasa, el conteo absoluto de linfocitos y el ratio plaquetas/linfocitos en sangre, estas recogidas en el tiempo”.

El trabajo ha sido desarrollado gracias a la colaboración de equipos de diferentes instituciones y hospitales. Ha sido financiado por el Ministerio de Ciencia e Innovación, Agencia Estatal de Investigación, con cofinanciación del Fondo Europeo de Desarrollo Regional (FEDER). Asimismo, ha recibido financiación del proyecto INGENIO del Instituto de Salud Carlos III (ISCIII) y de los fondos Next Generation UE. Además, ha sido parcialmente financiado por la beca Leonardo a investigadores y creadores culturales 2019 de la Fundación BBVA y por el proyecto MAGERIT-CM, en el marco del programa de I+D en Tecnologías de la Comunidad de Madrid.

Referencia del artículo:

Ramos-Guerra, A.D., Farina, B., Rubio Pérez, J. et al. Monitoring peripheral blood data supports the prediction of immunotherapy response in advanced non-small cell lung cancer based on real-world data. Cancer Immunol Immunother 74, 120 (2025). https://doi.org/10.1007/s00262-025-03966-9