A integração de dados clínicos, patológicos, radiológicos e transcriptômicos melhora a previsão do resultado da imunoterapia de primeira linha no câncer de pulmão não pequenas células metastático

Resumo A sobrevivência de pacientes com câncer de pulmão não pequenas células metastático (NSCLC) tem aumentado com a imunoterapia, mas ainda são necessários biomarcadores eficientes para otimizar o tratamento dos pacientes. Neste estudo, exploramos os benefícios de abordagens multimodais para prever o resultado da imunoterapia utilizando múltiplos algoritmos de aprendizado de máquina e estratégias de integração. Aproveitamos uma nova coorte multimodal de 317 pacientes com NSCLC metastático tratados com imunoterapia de primeira linha, coletando imagens de tomografia por emissão de positrões, lâminas patológicas digitalizadas, perfis transcriptômicos em massa e informações clínicas. A maioria das estratégias de integração investigadas produziu modelos multimodais que superaram tanto os melhores modelos unimodais quanto os biomarcadores univariados estabelecidos, como a expressão de PD-L1. Além disso, várias combinações multimodais demonstraram uma melhor estratificação de risco dos pacientes em comparação aos modelos construídos apenas com características clínicas de rotina. Assim, nosso estudo forneceu novas evidências da superioridade de abordagens multimodais sobre unimodais, defendendo a coleta de grandes coortes multimodais de NSCLC para desenvolver e validar biomarcadores de imunoterapia robustos e potentes.