Estudio observacional prospectivo del linfoma B difuso de células grandes (LBDGCréfract)

La enfermedad refractaria primaria afecta aproximadamente al 30-40% de los pacientes diagnosticados con LDCBG y supone un desafío en el manejo de esta enfermedad debido a su mal pronóstico. La predicción del estado refractario podría ser de gran utilidad en la estrategia de tratamiento que permita una intervención temprana. De hecho, ahora hay varias opciones disponibles dependiendo de las características del paciente y de la enfermedad, como la quimioterapia de rescate y el TCMH autólogo, terapias dirigidas o terapia de células T con CAR. Las técnicas de aprendizaje automático supervisado son capaces de predecir resultados en un contexto médico y, por tanto, parecen muy adecuadas para este asunto.

Nuestro enfoque con el aprendizaje automático parece particularmente interesante porque actualmente no existen modelos estadísticos lo suficientemente eficientes como para brindar apoyo a la toma de decisiones a los médicos. Por lo tanto, mostramos en un estudio previo que los algoritmos pueden ser efectivos para predecir el estado refractario de la enfermedad a partir de datos estructurados del historial médico del paciente. Debido al gran número de terapias de rescate disponibles y eficaces, intervenir rápidamente en la vía terapéutica del paciente parece ser la opción correcta y la forma más personalizada de maximizar las posibilidades de curación reduciendo al mismo tiempo las de toxicidad. Según el criterio clínico de los médicos y las mejores predicciones de los algoritmos, el médico podría elegir una estrategia de tratamiento temprano para el DLBCL refractario primario.

En un estudio anterior encontramos dos modelos interesantes (NBC y XGBoost) para predecir la enfermedad refractaria en el conjunto de validación. La aplicación de técnicas de aprendizaje automático puede contribuir significativamente al tratamiento de los pacientes con LBDCG. Estos algoritmos tienen el potencial de ayudar a los médicos a tomar decisiones informadas con respecto a las estrategias de tratamiento, permitiendo la personalización de las terapias en función de cada paciente. Para validar estos hallazgos a una escala más amplia, este estudio podría confirmar los resultados en una cohorte prospectiva y el valor de esta tecnología en el tratamiento complejo de la enfermedad refractaria primaria en pacientes con DLBCL.