Avaliação do Tratamento do Câncer Através das Taxas de Crescimento Tumoral
Estudo relaciona taxas de crescimento de tumores a resultados de sobrevivência de pacientes em tratamentos contra câncer.
― 6 min ler
Índice
Quando se trata de câncer, os médicos precisam descobrir como as novas terapias funcionam em comparação com os Tratamentos que já estão em uso. Os ensaios clínicos, especialmente os de fase III, ajudam nessa avaliação. Esses testes costumam olhar para pontos específicos, chamados de desfechos, para medir a eficácia. Os dois principais desfechos são a sobrevida livre de progressão (PFS) e a sobrevida global (OS).
A sobrevida livre de progressão é o tempo durante e após o tratamento em que o câncer do paciente não piora. Já a sobrevida global mede quanto tempo os pacientes vivem depois de começarem o tratamento, independentemente de o câncer progredir.
Medindo a Progressão do Tumor
Para avaliar a progressão, os médicos usam técnicas de imagem para tirar fotos regulares do tumor. Eles também podem medir substâncias específicas no sangue, conhecidas como biomarcadores. Por exemplo, no câncer de próstata, os níveis do antígeno prostático específico (PSA) ajudam a acompanhar as mudanças no tumor, enquanto no câncer de pâncreas, usa-se o CA19-9.
Existem métodos padronizados, como os critérios RECIST, para avaliar a progressão do tumor. Segundo esse método, um tumor é considerado em progressão quando seu tamanho aumenta em 20% a partir do menor ponto durante o tratamento.
Normalmente, o tratamento do câncer avançado começa com a redução do tamanho do tumor. Depois de atingir o menor tamanho, conhecido como nadir, o tumor pode começar a crescer novamente. A eficácia do tratamento é medida analisando a melhor resposta, que é expressa como uma queda percentual em relação ao tamanho inicial.
Essas medidas-PFS, OS e taxas de resposta-dão informações valiosas sobre os efeitos do tratamento, mas não fornecem detalhes sobre a velocidade de Crescimento ou diminuição do câncer. Isso é um grande problema, já que o câncer de cada paciente se comporta de maneira diferente.
Ter uma maneira de comparar as taxas de crescimento dos Tumores entre pacientes com tipos de câncer semelhantes sendo tratados da mesma forma pode ajudar a tomar decisões de tratamento melhores.
Coletando Dados para Análise
Em estudos recentes com o objetivo de entender melhor o tratamento do câncer, foi coletada uma grande quantidade de dados de diversas fontes. Esses dados incluíram informações de ensaios clínicos patrocinados por empresas farmacêuticas, estudos clínicos de grupos oncológicos reconhecidos e bancos de dados publicamente disponíveis.
Os dados cobriram múltiplos tipos de tumores. Usou-se os mesmos desfechos para garantir consistência e confiabilidade na compreensão de como diferentes tratamentos se comportaram em perfis de pacientes semelhantes.
Analisando o Crescimento e Regressão do Tumor
Em pesquisas anteriores, foi usado um modelo simples para entender as respostas dos tumores aos tratamentos. Esse modelo analisou quão rápido os tumores diminuem (regressão) e crescem. No estudo atual, o mesmo modelo foi usado, mas os pesquisadores também examinaram outros modelos para ver se conseguiam explicar melhor os dados.
Alguns modelos analisaram se o crescimento e a redução das células cancerígenas ocorriam apenas na superfície do tumor, no núcleo, ou em ambos. Outros modelos consideraram como as células se dividem e crescem.
Por exemplo, uma abordagem envolveu assumir que um número fixo de células morre após cada tratamento, enquanto outra sugeriu que o crescimento das células significa que o tamanho do tumor aumenta gradualmente ao longo do tempo.
O objetivo era analisar os dados de um número significativo de pacientes com tumores sólidos para descobrir essas taxas de crescimento e regressão para cada indivíduo com base em sua resposta específica ao tratamento.
Resultados da Análise
A partir dos dados coletados, as respostas dos tumores de milhares de pacientes ao tratamento foram avaliadas. A maioria dos dados dos pacientes se encaixou no modelo original, que capturou bem a relação entre a diminuição e o crescimento do tumor. Uma parte menor dos pacientes teve dados que não se alinharam com esse modelo, levando à exploração de modelos alternativos de crescimento.
Os pesquisadores queriam ver se algum desses novos modelos poderia explicar os padrões de crescimento dos tumores que não se conformavam às expectativas padrão. No entanto, apenas uma pequena fração dos dados dos pacientes foi melhor descrita por esses modelos alternativos, e muitos não produziram taxas de crescimento significativas.
Correlação com Taxas de Sobrevida
Um aspecto crucial do estudo foi examinar como essas taxas de crescimento se relacionavam com a sobrevida global. Os pesquisadores encontraram uma forte ligação entre quão rapidamente os tumores cresciam e os tempos de sobrevida global dos pacientes. Basicamente, o crescimento mais rápido do tumor geralmente significava tempos de sobrevida mais curtos.
As descobertas se mantiveram verdadeiras em diferentes tipos de câncer. Mesmo quando os dados de vários cânceres foram combinados, o padrão permaneceu claro: entender o crescimento do tumor poderia servir como um preditor de quanto tempo os pacientes poderiam viver após o tratamento.
Importância da Taxa de Crescimento no Tratamento do Câncer
Ter uma medida clara do crescimento do tumor pode dar tanto aos pacientes quanto aos médicos insights valiosos durante o tratamento. Saber como um tumor responde à terapia pode guiar decisões de tratamento futuras. Se os médicos puderem medir a taxa de crescimento e souberem como isso se correlaciona com a sobrevida, eles podem comparar pacientes individuais com grupos maiores de pacientes semelhantes.
Isso pode ser particularmente útil durante ensaios clínicos, onde decisões rápidas precisam ser feitas sobre a eficácia de novas terapias.
Conclusão
Em resumo, este estudo destaca a importância de entender o crescimento e a regressão do tumor no tratamento do câncer. O uso de modelos matemáticos para analisar esse crescimento fornece dados valiosos que se correlacionam fortemente com os resultados dos pacientes.
Apesar de algumas limitações nos modelos alternativos, o modelo principal oferece uma abordagem clara e biologicamente sólida para avaliar como os tumores respondem ao tratamento. O conhecimento obtido a partir disso pode potencialmente levar a uma melhor gestão dos pacientes e estratégias de tratamento aprimoradas, ajudando a prolongar vidas e melhorar a qualidade do atendimento para aqueles que lutam contra o câncer.
Título: Cancer Interception During Treatment: Using Growth Kinetics to Create a Continuous Variable for Assessing Disease Response
Resumo: BackgroundWe applied 11 mathematical models of tumor growth to clinical trial data available from public and private sources. We have previously described the remarkable capacity for a simple biexponential model of tumor growth to fit thousands of datasets, and to correlate with overall survival. The goal of this study was to extend our analysis to additional tumor types and to evaluate whether alternate growth models could describe the time course of disease burden in the small subset of patients in whom the biexponential model failed. MethodsFor this analysis, we obtained data for tumor burden from 17,140 patients with six different tumor types. Imaging data and serum levels of tumor markers were available for 3,346 and 13,794 patients, respectively. Data from patients were first analyzed using the biexponential model to determine rates of tumor growth (g) and regression (d); for those whose data could not be described by this model, fit of their data was assessed using seven alternative models. The model that minimized the Akaike Information Criterion was selected as the best fit. Using the model that best fit an individual patients data, we estimated the rates of growth (g) and regression (d) of disease burden over time. The rates of tumor growth (g) were examined for association with a traditional endpoint (overall survival). FindingsFor each model, the number of patient datasets that fit the model were obtained. As we have previously reported, data from most patients fit a simple model of exponential growth and exponential regression (86%). Data from another 7% of patients fit an alternative model, including 3% fitting to a model of constant or linear regression and exponential growth of tumor on the surface and 3% fitting to model of exponential decay on tumor surface with asymmetric growth. As previously reported, we found that growth rate correlates well with overall survival, remarkably even when data from various histologies are considered together. For patients with multiple timepoints of tumor measurement, the growth rate could often be estimated even during the phase when only net regression of tumor quantity could be discerned. InterpretationThe validation of a simple mathematical model across different cancers and its application to existing clinical data allowed estimation of the rate of growth of a treatment resistant subpopulation of cancer cells. The quantification of available clinical data using the growth rate of tumors in individual patients and its strong correlation with overall survival makes the growth rate an excellent marker of the efficacy of therapy specific to the individual patient.
Autores: Krastan B. Blagoev, M. Zhou, T. Fojo, L. Schwartz, S. E. Bates
Última atualização: 2024-09-11 00:00:00
Idioma: English
Fonte URL: https://www.biorxiv.org/content/10.1101/2024.09.10.612311
Fonte PDF: https://www.biorxiv.org/content/10.1101/2024.09.10.612311.full.pdf
Licença: https://creativecommons.org/publicdomain/zero/1.0/
Alterações: Este resumo foi elaborado com a assistência da AI e pode conter imprecisões. Para obter informações exactas, consulte os documentos originais ligados aqui.
Obrigado ao biorxiv pela utilização da sua interoperabilidade de acesso aberto.