– Un equipo de investigación de la Universidad de Texas en Arlington (UTA) ha desarrollado un algoritmo para proporcionar opciones de tratamiento personalizadas óptimas para pacientes con cáncer de esófago, según un informe de enero. estudiar publicado en el Revista de biología matemática.
El cáncer de esófago puede ser difícil de detectar y tratar eficazmente, ya que los primeros signos de la enfermedad (como acidez de estómago e indigestión) son comunes y hay no hay una prueba de detección estándar para ello. Como resultado, el cáncer de esófago a menudo pasa desapercibido hasta que se encuentra en sus últimas etapas.
En este punto, hay menos opciones de tratamiento efectivas disponibles para los pacientes, y esta falta de opciones contribuye al empeoramiento de la enfermedad. Tasa de supervivencia a cinco años del 21,7 por ciento. Los factores de riesgo del cáncer de esófago también varían, pero incluyen el consumo de alcohol y tabaco, el reflujo gástrico y la edad avanzada.
Estas variaciones dificultan el tratamiento de los pacientes.
«El cáncer de esófago es una enfermedad inusualmente diversa con muchas heterogeneidades y orígenes cancerosos, que se ha demostrado que son factores principales de la resistencia a los medicamentos en los pacientes», dijo Souvik Roy, PhD, profesor asistente de matemáticas en la UTA que dirigió la investigación, en a comunicado de prensa. «Es por eso que las estrategias de tratamiento oportunas y efectivas son clave para combatirlo».
Para mejorar los resultados de los pacientes, el equipo de investigación diseñó un marco de modelado diseñado para tener en cuenta las heterogeneidades del cáncer de esófago con el fin de ayudar a comprender la progresión de la enfermedad y guiar el tratamiento.
«Imagínese una aplicación de software en la que pueda ingresar datos de cáncer de esófago en tiempo real junto con información sobre medicamentos disponibles y posibles interacciones con los pacientes, y luego recibir un curso de tratamiento óptimo recomendado», afirmó Roy. «Facilitaría mucho el trabajo del médico y, con suerte, mejoraría las tasas de supervivencia de esta temida enfermedad».
El marco UTA se compone de tres pasos: utilizar un modelo farmacocinético basado en matemáticas para determinar la dosis farmacéutica ideal para cada paciente; realizar análisis de sensibilidad para identificar factores que faciliten la progresión del cáncer; y aprovechar un “modelo de control óptimo” para seleccionar combinaciones de medicamentos y perfiles de dosificación.
El marco se probó utilizando datos sintéticos y el modelo recomendó con éxito estrategias de tratamiento óptimas con alta precisión.
«Este trabajo presenta un nuevo marco matemático que describe una nueva forma de modelar las heterogeneidades del cáncer mediante el uso de diferentes leyes de interacción y la evaluación de estrategias de tratamiento combinadas, todas dirigidas a una clase de vías de señalización que son sobreexpresivas en pacientes con cáncer de esófago», dijo Roy. «Tenemos la esperanza de que esto agregue una nueva herramienta al arsenal que los médicos puedan utilizar para combatir esta enfermedad».
Otros equipos de investigación de la UTA también están utilizando modelos computacionales avanzados para rastrear la progresión de la enfermedad y mejorar el tratamiento.
La semana pasada, los investigadores compartieron que habían desarrollado una herramienta para predecir cómo progresará la enfermedad de Alzheimer de un individuo con el tiempo.
El seguimiento de la progresión del Alzheimer es clave para ayudar a los pacientes y a sus cuidadores a prepararse para las crecientes necesidades de apoyo que acompañan a la enfermedad con el tiempo. Para ayudar a anticipar estas necesidades de atención, el equipo de investigación creó un modelo para identificar dónde se encuentra un paciente dentro del espectro de desarrollo de la enfermedad de Alzheimer.
El modelo puede proyectar con éxito el estado clínico de un paciente y la trayectoria de la enfermedad codificándolos en cinco etapas del desarrollo de la enfermedad: cognición normal, preocupación significativa por la memoria (SMC), deterioro cognitivo leve temprano (EMCI), deterioro cognitivo leve tardío (LMCI) y Alzheimer. enfermedad.