Μια νέα ερευνητική προσέγγιση φέρνει την τεχνητή νοημοσύνη πιο κοντά στην εξατομικευμένη αντιμετώπιση του καρκίνου του προστάτη. Επιστήμονες παρουσίασαν ένα καινοτόμο μοντέλο μηχανικής μάθησης που μπορεί να προβλέπει τη δόση ακτινοβολίας που θα απορροφήσουν οι όγκοι αλλά και τα υγιή όργανα πριν ακόμη ξεκινήσει η θεραπεία. Η μελέτη παρουσιάστηκε στο ετήσιο συνέδριο της Society of Nuclear Medicine and Molecular Imaging και αφορά ασθενείς με μεταστατικό ανθεκτικό στον ευνουχισμό καρκίνο του προστάτη (mCRPC).
Ένα σημαντικό βήμα προς την εξατομικευμένη θεραπεία
Ο μεταστατικός ανθεκτικός στον ευνουχισμό καρκίνος του προστάτη αποτελεί μία από τις πιο δύσκολες μορφές της νόσου. Τα τελευταία χρόνια, η θεραπεία με ραδιοφάρμακα όπως το 177Lu-PSMA έχει προσφέρει νέες ελπίδες, καθώς στοχεύει ειδικά τα καρκινικά κύτταρα που εκφράζουν το ειδικό προστατικό αντιγόνο μεμβράνης (PSMA).
Ωστόσο, η αποτελεσματικότητα και η ασφάλεια της θεραπείας εξαρτώνται σε μεγάλο βαθμό από τη δοσιμετρία, δηλαδή τον ακριβή υπολογισμό της δόσης ακτινοβολίας που λαμβάνει κάθε ιστός. Μέχρι σήμερα, οι υπολογισμοί αυτοί πραγματοποιούνται κυρίως μετά τη χορήγηση της θεραπείας, μέσω ειδικών απεικονιστικών εξετάσεων, μια διαδικασία που απαιτεί χρόνο και σημαντικούς πόρους.
Η νέα μελέτη επιχειρεί να αλλάξει αυτή την προσέγγιση, χρησιμοποιώντας δεδομένα που συλλέγονται ήδη κατά τη διάρκεια των προθεραπευτικών εξετάσεων PET/CT.
Πώς λειτουργεί το νέο μοντέλο
Οι ερευνητές ανέλυσαν δεδομένα από εννέα ασθενείς που επρόκειτο να υποβληθούν σε θεραπεία με 177Lu-PSMA. Συνολικά αξιολογήθηκαν 57 όγκοι, 36 σιελογόνοι αδένες και 18 νεφροί.
Το μοντέλο μηχανικής μάθησης αξιοποίησε:
- Μετρήσεις πρόσληψης από τις εξετάσεις PET.
- Ραδιομικά χαρακτηριστικά, δηλαδή πολύπλοκες πληροφορίες που εξάγονται από τις ιατρικές εικόνες.
- Κλινικούς βιοδείκτες των ασθενών.
Στη συνέχεια, οι προβλέψεις του συγκρίθηκαν με τις πραγματικές δόσεις ακτινοβολίας που καταγράφηκαν μετά τον πρώτο κύκλο θεραπείας.
Τα αποτελέσματα έδειξαν ότι το μοντέλο μπορούσε να εκτιμήσει με αξιοσημείωτη ακρίβεια την απορροφούμενη δόση τόσο στους όγκους όσο και στα υγιή όργανα.
Οφέλη για τους ασθενείς
Η δυνατότητα πρόβλεψης της δοσιμετρίας πριν από τη θεραπεία θα μπορούσε να προσφέρει σημαντικά πλεονεκτήματα.
Αρχικά, οι γιατροί θα μπορούν να εντοπίζουν ποιοι ασθενείς είναι πιθανότερο να ωφεληθούν από τη θεραπεία. Παράλληλα, θα είναι δυνατή η καλύτερη εκτίμηση του κινδύνου παρενεργειών σε ευαίσθητα όργανα όπως οι νεφροί και οι σιελογόνοι αδένες.
Επιπλέον, η εξατομίκευση της θεραπείας θα μπορούσε να οδηγήσει σε βελτιωμένη αποτελεσματικότητα, καθώς η δόση θα προσαρμόζεται στα ιδιαίτερα χαρακτηριστικά κάθε ασθενούς και του όγκου του.
Η δύναμη της τεχνητής νοημοσύνης στην ογκολογία
Η χρήση της τεχνητής νοημοσύνης στην ιατρική αναπτύσσεται με ταχείς ρυθμούς. Από την ανάλυση ιατρικών εικόνων μέχρι την πρόβλεψη της πορείας ασθενειών και την επιλογή της βέλτιστης θεραπείας, τα συστήματα μηχανικής μάθησης προσφέρουν νέες δυνατότητες που πριν από λίγα χρόνια θεωρούνταν αδιανόητες.
Στην περίπτωση της θεραπείας με 177Lu-PSMA, η τεχνητή νοημοσύνη δεν χρησιμοποιείται μόνο για τη διάγνωση αλλά και για την ενεργή υποστήριξη των θεραπευτικών αποφάσεων. Αυτό σηματοδοτεί μια σημαντική μετατόπιση προς πιο ακριβείς και εξατομικευμένες μορφές φροντίδας.
Τα επόμενα βήματα
Παρότι τα αποτελέσματα είναι ιδιαίτερα ενθαρρυντικά, οι ερευνητές επισημαίνουν ότι πρόκειται για μια μελέτη απόδειξης της ιδέας με μικρό αριθμό συμμετεχόντων. Για τον λόγο αυτό σχεδιάζεται ένα πενταετές ερευνητικό πρόγραμμα που θα περιλαμβάνει μεγαλύτερες και πολυκεντρικές ομάδες ασθενών.
Στόχος είναι η συλλογή περισσότερων δεδομένων και η ανάπτυξη ενός πλήρως επικυρωμένου μοντέλου που θα μπορεί να εφαρμοστεί με ασφάλεια στην καθημερινή κλινική πρακτική.
Εάν οι μελλοντικές μελέτες επιβεβαιώσουν τα αρχικά ευρήματα, η νέα αυτή τεχνολογία θα μπορούσε να αποτελέσει ένα σημαντικό εργαλείο για την εξατομίκευση της ραδιοφαρμακευτικής θεραπείας του καρκίνου του προστάτη, βελτιώνοντας τα αποτελέσματα και μειώνοντας παράλληλα τους κινδύνους για τους ασθενείς.
Βρείτε μας στο Google News. Πατήστε εδώ!