La terapia neoadyuvante (NAT) se emplea en el tratamiento de los tumores de la mama antes de la cirugía para reducir el tamaño del tumor y mejorar el pronóstico. Sin embargo, actualmente no existen parámetros clínicos o de imagen que permitan predecir eficazmente antes del tratamiento qué pacientes lograrán una respuesta patológica completa (pCR). En objetivo principal del presente proyecto es desarrollar y evaluar la capacidad de un modelo basado en el “aprendizaje automático” para predecir la respuesta a la NAT en pacientes con cáncer de mama del subtipo HER2+. Se tomarán los datos de n = 96 pacientes que recibieron NAT en el HULA entre los años 2017 a 2020, antes del inicio del tratamiento neoadyuvante: datos clínico-patológicos, imágenes de RMI e imágenes histológicas del tumor mamario (H&E), datos genómicos (tejido tumoral), proteómicos (tejido tumoral y suero sanguíneo), y diversidad bacteriana (microbiota) del tejido tumoral. Se entrenará el modelo con los datos de 2/3 de las pacientes (n = 64), y éste se validará de dos formas: a) validación dependiente con los datos del 1/3 restante del grupo de pacientes (n = 32) y, b) validación independiente con una cohorte de datos tomados de la TCGA. Los resultados de este proyecto proporcionarán una herramienta transferible a la práctica clínica para guiar la terapia dirigida en las pacientes con cáncer de mama HER2+, evitando el sobretratamiento. Como objetivos secundarios, 1) compararemos los perfiles proteogenómicos de las pacientes que mostraron una respuesta completa (pCR) y las que no (NpCR) para identificar nuevas vías implicadas en la respuesta/resistencia a la NAT; 2) compararemos los perfiles de proteínas tisulares y séricas previas al tratamiento en los dos grupos de pacientes (pCR y NpCR) para su clasificación/diferenciación mediante un método no invasivo (biopsia líquida); 3) identificaremos nuevos componentes de la microbiota tumoral relacionados con la respuesta/resistencia a la NAT.

cáncer de mama
HER2-postivo
neoadyuvancia
predicción de respuesta
proteómica
genómica
radiómica
micribioma
aprendizaje automático

Acción Estratégica en Salud (AES)