Simple Science

Ciência de ponta explicada de forma simples

# Ciências da saúde# Economia sanitaria

Avanços em Medicina de Precisão para Tratamento do Câncer

Novas abordagens no tratamento do câncer estão focando em terapias direcionadas com base na genética do tumor.

― 7 min ler


Medicina de Precisão noMedicina de Precisão noTratamento do Câncerlegal, mas a eficácia varia.Terapias direcionadas têm um potencial
Índice

A medicina de precisão tá mudando a forma como os médicos encaram o tratamento, especialmente no cuidado com câncer. Em vez de focar só no tipo de câncer, essa abordagem olha pras características específicas do tumor do paciente. Isso significa que os médicos podem usar medicamentos que atacam características específicas nas células cancerígenas, resultando em melhores resultados pros pacientes.

Recentemente, surgiu uma nova classe de medicamentos chamada de medicamentos tumor-agnósticos (TADs). Esses medicamentos não dependem de onde o tumor tá localizado no corpo, mas sim atacam mudanças moleculares específicas presentes em vários tipos diferentes de câncer. Por exemplo, o pembrolizumabe foi o primeiro TAD aprovado pela FDA em 2017. Ele é usado pra tratar certos tumores sólidos que têm características genéticas conhecidas como instabilidade de microssatélites alta (MSI-H) ou deficiência de reparo de incompatibilidade (dMMR). Isso quer dizer que o remédio pode ser eficaz pra diferentes tipos de câncer, desde que compartilhem essas características moleculares específicas.

Até 2022, cinco TADs receberam aprovação da FDA, e muitos outros estão em desenvolvimento. Essa nova forma de encarar o tratamento traz esperança, especialmente pros pacientes com poucas opções.

O Papel dos Estudos Basket

Os estudos basket são um tipo especial de pesquisa usado pra testar os TADs. Nesses estudos, os pesquisadores olham como um medicamento funciona em vários tipos de câncer que têm a mesma mudança genética ou molecular. Esse método é mais eficiente do que fazer estudos separados pra cada tipo de câncer, tornando-se uma ferramenta útil pro desenvolvimento precoce de medicamentos.

Porém, os estudos basket têm seus desafios. Uma preocupação grande é que o medicamento pode agir de forma diferente entre os tipos de tumores. Por exemplo, em um estudo importante chamado KEYNOTE-158, pacientes com diferentes cânceres mostraram taxas de resposta que variavam bastante. Enquanto alguns cânceres tiveram uma alta taxa de resposta ao tratamento, outros não responderam tão bem. Essa variabilidade dificulta aplicar os resultados de forma uniforme em todos os tipos de câncer, mesmo quando compartilham os mesmos marcadores genéticos.

Os Benefícios dos Modelos Hierárquicos Bayesianos

Pra lidar com os desafios de analisar dados de estudos basket, os pesquisadores usam um método chamado Modelagem Hierárquica Bayesiana (BHM). Essa abordagem de modelagem pode gerenciar as diferenças e complexidades entre os tipos de tumores. Ela permite que os pesquisadores combinem informações de vários estudos, melhorando a precisão das estimativas dos efeitos do tratamento.

Modelos bayesianos podem pegar informações de diferentes tipos de tumores, ajudando a melhorar as estimativas enquanto reduzem o impacto de resultados extremos de grupos menores de pacientes. Essa abordagem oferece uma visão mais abrangente de como um medicamento pode funcionar em diferentes cânceres e ajuda a garantir que estudos menores contribuam pra compreensão geral da eficácia do tratamento.

Visão Geral do Estudo

Um estudo buscou examinar quão bem o pembrolizumabe funciona para vários tipos de câncer usando modelos estatísticos bayesianos. Os pesquisadores olharam pra três resultados principais: a Taxa de Resposta Objetiva (ORR), a sobrevida livre de progressão mediana (mPFS) e a sobrevida geral mediana (mOS). Esses resultados são essenciais pra entender quão eficaz é o remédio.

Eles analisaram dados de estudos que envolveram pacientes com oito tipos diferentes de câncer, incluindo câncer endometrial, colorretal, gástrico e pancreático, entre outros. Os pesquisadores queriam ver como o pembrolizumabe se saiu em cada tipo de tumor e se os resultados podiam dar insights sobre seu uso em diferentes cânceres.

Descobertas sobre os Resultados do Tratamento

Taxa de Resposta Objetiva (ORR)

A taxa de resposta objetiva mede quantos pacientes mostram uma redução significativa no tamanho do tumor após o tratamento. Nesse estudo, a maior ORR foi encontrada no câncer endometrial, seguida de perto pelos cânceres de intestino delgado e colangiocarcinoma. Enquanto a taxa geral de resposta entre os diferentes cânceres indicou que o pembrolizumabe foi eficaz, alguns cânceres, como o pancreático, tiveram taxas de resposta mais baixas. Os resultados mostraram que aproximadamente 35% dos pacientes em sete tipos de câncer experimentaram redução do tumor, o que é promissor pra tratamentos baseados nessas características moleculares.

Sobrevida Livre de Progressão Mediana (mPFS)

Sobrevida livre de progressão se refere ao tempo em que, durante e após o tratamento, o câncer do paciente não piora. O estudo encontrou que o câncer de intestino delgado teve a maior mPFS, seguido pelo câncer endometrial. Outros cânceres mostraram durações de mPFS variadas, com alguns tipos, como o câncer pancreático, tendo durações significativamente mais curtas. No geral, enquanto alguns pacientes experimentaram estabilidade prolongada da doença, outros tiveram muito menos sucesso.

Sobrevida Geral Mediana (mOS)

Sobrevida geral é uma medida crítica da eficácia do tratamento, indicando quanto tempo os pacientes vivem após o início do tratamento. Os resultados do estudo mostraram que o câncer de intestino delgado também teve a melhor mOS. No entanto, pra vários outros tipos de tumor, as taxas de sobrevida foram mais baixas. Isso destaca que, embora um remédio possa ajudar a reduzir tumores, nem sempre isso se traduz em uma sobrevida mais longa.

Implicações para Pesquisas Futuras e Tratamentos

As descobertas desse estudo mostram que, embora os TADs como o pembrolizumabe possam oferecer esperança pra muitos tipos de câncer, ainda há uma variação significativa em quão bem eles funcionam. Essa variação significa que, mesmo dentro das mesmas características moleculares, os cânceres individuais podem responder de formas diferentes. Portanto, pesquisas contínuas e cautela são necessárias ao tomar decisões de tratamento baseadas nos dados agrupados de múltiplos tipos de tumor.

Os resultados se beneficiariam de mais estudos que pudessem confirmar essas descobertas, especialmente em cânceres com maior variabilidade nas respostas. Os pesquisadores também podem precisar investigar medidas adicionais de eficácia pra reunir uma compreensão mais abrangente de como esses tratamentos funcionam em diferentes cânceres.

Conclusão

A medicina de precisão tá mudando o tratamento do câncer, permitindo abordagens mais direcionadas com base na biologia do tumor, em vez da sua localização. Medicamentos tumor-agnósticos como o pembrolizumabe mostram potencial, mas os resultados dos tratamentos variam bastante entre diferentes tipos de câncer. O uso de métodos estatísticos avançados, como modelos hierárquicos bayesianos, pode ajudar os pesquisadores a entender melhor os efeitos dos tratamentos e identificar os melhores candidatos pra essas terapias.

Enquanto os pesquisadores continuam explorando o uso dos TADs, é crucial manter o foco em estratégias de tratamento personalizadas e reconhecer que nem todos os pacientes vão responder da mesma forma. Apoiar os esforços de pesquisa contínua será vital pra aprimorar os tratamentos, melhorar os resultados dos pacientes e garantir que todo o potencial da medicina de precisão seja realizado na luta contra o câncer.

Fonte original

Título: Tumor-Specific Decisions Using Tumor-Agnostic Evidence from Basket Trials: A Bayesian Hierarchical Approach

Resumo: PurposeTreatment effect heterogeneity across tumor types remains a challenge to evidence interpretation and implementation of tumor-agnostic drugs (TADs), which are typically approved based on basket trial evidence. We sought to use Bayesian hierarchical models (BHM) to assess heterogeneity and improve estimates of tumor-specific treatment outcomes, which are crucial for healthcare decision-making. MethodsWe fitted BHMs and Bayesian fixed-effect models to evaluate the objective response rate (ORR), the median progression-free survival (mPFS), and the overall survival (mOS). We estimated the posterior distribution of outcomes for each tumor type, the pooled effects, and intra-class correlations (ICC). Using published basket trial evidence for pembrolizumab (KEYNOTE-158/KEYNOTE-164), we obtained the predictive outcomes in a new cancer type drawn from the same population. In the base case, we assumed non-informative priors with uniform distributions for between-tumor standard deviation. We performed sensitivity analyses with various priors to account for uncertainty in the prior specification. ResultsThe BHMs shrunk the original tumor-specific estimates toward a pooled treatment effect. The borrowing of information across tumor types resulted in less variability in the posterior tumor-specific estimates compared to the original trial estimates, reflected in narrower 95% credible intervals (CrLs). We found low heterogeneity for ORR but high heterogeneity for mPFS and mOS across cancers (ICC: 0.22, 0.87, 0.7). The predicted posterior means and 95%CrLs were 0.37 (0.15-0.64) for ORR, 3.75 months (0.24-50.45) for mPFS, and 13.76 months (0.42-276.49) for mOS, respectively. ConclusionsBorrowing information through BHM can improve the precision of tumor-specific estimates, thereby facilitating more robust policy decisions regarding TADs. Our analysis revealed high heterogeneity and uncertainty in survival endpoints. Both pooled and tumor-specific estimates are informative for clinical and coverage decision making. HighlightsO_LIBayesian hierarchical models could enhance precision and reduce uncertainty of estimates derived from basket trial evidence, potentially improving confidence in tumor-agnostic decision making, despite small sample sizes in some tumor types. C_LIO_LIOur study highlights high variability in treatment effects of pembrolizumab across tumor types with respect to survival endpoints, although treatment effects appear more consistent when judged by objective response rate at approval. Understanding heterogeneity in treatment effects following accelerated approvals based on surrogate endpoint is crucial for clinical and coverage decision making. C_LIO_LIThis article demonstrates the use of Bayesian methods to estimate posterior distributions of tumor-specific and aggregated treatment effects (ORR, median PFS, and median OS) from basket trials. Choosing between fixed-effect or random-effects model to evaluate pooled treatment effects depends on the level of heterogeneity in effect sizes across tumor types. C_LI

Autores: Yilin Chen, J. J. Carlson, F. Montano-Campos, A. Basu, L. Y. T. Inoue

Última atualização: 2023-09-21 00:00:00

Idioma: English

Fonte URL: https://www.medrxiv.org/content/10.1101/2023.09.19.23295807

Fonte PDF: https://www.medrxiv.org/content/10.1101/2023.09.19.23295807.full.pdf

Licença: https://creativecommons.org/licenses/by/4.0/

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 medrxiv pela utilização da sua interoperabilidade de acesso aberto.

Mais de autores

Artigos semelhantes