La oncología de precisión promete tratamientos adaptados a cada tumor, pero su acceso sigue limitado por la necesidad de biopsias de tejido, costosas, invasivas y no siempre repetibles.
Mayo Clinic y Stanford Medicine han presentado en Nature un framework de inteligencia artificial desarrollado durante ocho años que aplica machine learning a biopsias líquidas —simples extracciones de sangre— para reconstruir el microentorno tumoral (TME) con una fidelidad comparable a la biopsia de tejido convencional. El sistema identifica estados celulares y ecosistemas multicelulares espacialmente dependientes que determinan cómo evoluciona el tumor, información que hasta ahora solo era accesible mediante procedimientos invasivos. En particular, el modelo detecta el vecindario tumoral SE7, asociado a respuesta positiva a inmunoterapia, y los niveles de SE4, vinculado a resistencia al tratamiento: dos datos críticos para la toma de decisiones clínicas.
Además, resuelve uno de los problemas crónicos del seguimiento oncológico: distinguir progresión tumoral real de pseudoprogresión, un fenómeno en el que el TAC convencional puede confundir inflamación con empeoramiento del tumor durante inmunoterapia combinada.
Para el paciente, esto significa menos procedimientos invasivos y acceso a información de precisión desde una analítica rutinaria; para el clínico, monitorización continua del paisaje tumoral en tiempo real. El estudio abre la puerta a extender la oncología de precisión a poblaciones que hoy quedan fuera de ella por limitaciones de acceso o tolerancia a biopsias repetidas.
Artículo escrito por el equipo de redacción de Healthcare IT News
28/05/2026
Source:
Healthcare IT New