El diagnóstico precoz del carcinoma hepatocelular (CHC) -una de las neoplasias malignas más mortales- es crucial para mejorar la supervivencia de los pacientes. En un estudio innovador, los investigadores informan del desarrollo de un modelo de aprendizaje automático de genes de fusión en suero. Esta importante herramienta de cribado puede aumentar la tasa de supervivencia a cinco años de los pacientes con CHC del 20% al 90% gracias a su mayor precisión en el diagnóstico precoz del CHC y el seguimiento del impacto del tratamiento. El estudio aparece en The American Journal of Pathology, publicado por Elsevier.

El CHC es la forma más común de cáncer de hígado y representa alrededor del 90% de los casos. En la actualidad, la prueba de cribado más común para el biomarcador del CHC, la proteína alfa fetal sérica, no siempre es precisa, y hasta el 60% de los cánceres de hígado sólo se diagnostican en estadios avanzados, lo que se traduce en una tasa de supervivencia de sólo alrededor del 20%.

El investigador principal, el doctor Jian-Hua Luo, del Departamento de Patología, el Centro de Genómica de Alto Rendimiento y el Centro de Investigación Hepática de Pittsburgh, de la Facultad de Medicina de la Universidad de Pittsburgh, explicó: "El diagnóstico precoz del cáncer de hígado ayuda a salvar vidas. Sin embargo, la mayoría de los cánceres de hígado se presentan de forma insidiosa y sin muchos síntomas. Esto dificulta el diagnóstico precoz. Lo que necesitamos es una prueba rentable, precisa y cómoda para detectar el cáncer de hígado en estadios tempranos en poblaciones humanas. Queríamos explorar si se podía utilizar un enfoque de aprendizaje automático para aumentar la precisión del cribado del CHC basado en el estado de los genes de fusión".

En la búsqueda de una herramienta de diagnóstico más eficaz y eficiente para predecir los casos de CHC y no CHC, los investigadores analizaron un panel de nueve transcripciones de fusión en muestras de suero de 61 pacientes con CHC y 75 pacientes con afecciones no CHC mediante PCR de transcripción inversa cuantitativa en tiempo real (RT-PCR). Siete de las nueve fusiones se detectaron con frecuencia en pacientes con CHC. Los investigadores generaron modelos de aprendizaje automático basados en los niveles séricos de genes de fusión para predecir el CHC en la cohorte de entrenamiento, utilizando el enfoque de validación cruzada leave-one-out.

Un modelo de regresión logística de cuatro genes de fusión produjo una precisión del 83% al 91% en la predicción de la aparición de CHC. Cuando se combinó con la proteína alfa fetal sérica, el modelo de regresión logística de dos genes de fusión más proteína alfa fetal produjo una precisión del 95% para todas las cohortes. Además, la cuantificación de los transcritos del gen de fusión en las muestras de suero evaluó con precisión el impacto del tratamiento y pudo controlar la reaparición del cáncer.

El Dr. Luo comentó: "El modelo de aprendizaje automático del gen de fusión mejora significativamente la tasa de detección precoz del CHC con respecto a la proteína alfa fetal en suero por sí sola. Puede ser una herramienta importante en el cribado del CHC y en el seguimiento del impacto del tratamiento del CHC. Esta prueba detectará a los pacientes con probabilidades de padecer CHC".

El Dr. Luo concluyó: "El tratamiento precoz del cáncer de hígado tiene una tasa de supervivencia a cinco años del 90%, mientras que el tratamiento tardío sólo del 20%. La alternativa a esta prueba es someter a todos los individuos con algún riesgo de cáncer de hígado a análisis de imagen cada seis meses, lo que resulta muy costoso e ineficaz. Además, cuando los resultados del diagnóstico por imagen sean ambiguos, esta prueba ayudará a diferenciar las lesiones malignas de las benignas." 

Fuente: Elsevier