En el manejo del mieloma múltiple (MM) se recogen multitud de datos clínicos y moleculares que, en ocasiones, no son aprovechados del todo por los modelos de estratificación del riesgo tradicionales. Esta riqueza de datos podría permitir aproximaciones más individualizadas gracias al aprendizaje automático (AA;
machine learning en inglés), un tipo de
inteligencia artificial (IA) que puede detectar relaciones complejas y no lineales en grandes conjuntos de datos.
Con el objetivo de mejorar los modelos pronósticos disponibles, un equipo de especialistas europeos, incluidos autores españoles, ha recurrido al AA para desarrollar y validar un nuevo modelo de estratificación del riesgo en el MM de nuevo diagnóstico (MMND). Los resultados se han publicado en HemaSphere.
Para entrenar y validar internamente el modelo se recurrió al
consorcio EMN-HARMONY, que incluye datos de 14.345 pacientes: 10.843 con MMND y 1.281 con MM en recaída y/o refractario (MMRR) de ensayos clínicos, y 2.221 de registros de la práctica clínica habitual.
Se ha generado una herramienta online que integra los modelos y permite evaluar el riesgo individualizado en tiempo real
Se desarrollaron tres modelos de AA: uno exhaustivo que incorporaba 20 variables; otro reducido con solo seis variables esenciales (edad, hemoglobina, microglobulina β2, albúmina, ganancia de 1q y deleción de 17p); y un tercero que no incluía información
citogenética.
Al evaluar el rendimiento mediante el índice C, que mide la concordancia entre el riesgo pronosticado y el observado, todos los modelos obtuvieron valores ≥0,600 para la supervivencia global y la supervivencia libre de progresión, tanto en el entrenamiento como en la validación. Además, el rendimiento mejoró al incorporar el tipo de tratamiento de primera línea y la respuesta obtenida. Los resultados también se pudieron reproducir en pacientes con MMRR.
Los autores destacan que estos nuevos modelos pronósticos basados en AA para estratificar el riesgo mejoran la precisión de los sistemas clásicos del International Staging System (ISS), incluidas las dos revisiones (ISS-R e ISS-R2), al tiempo que ofrecen un entorno más dinámico y personalizado. Además, la precisión predictiva sigue siendo buena incluso en el modelo sin datos moleculares.
Para facilitar su uso y evaluar el riesgo de los pacientes en tiempo real, se ha creado una
calculadora online que incorpora los modelos desarrollados, aunque los autores señalan que se requieren futuros estudios prospectivos para validar su integración en la práctica clínica y confirmar su impacto en el manejo de los pacientes.
Mosquera Orgueira A, Gonzalez Perez MS, D'Agostino M, et al. Machine learning risk stratification strategy for multiple myeloma: Insights from the EMN-HARMONY Alliance platform.
Hemasphere. 2025;9(10):e70228. Published 2025 Oct 9.
doi:10.1002/hem3.70228
SC-ES-CP-00099
Aceptar y salir
