Dawka dopasowana jak klucz do zamka: dlaczego onkolodzy powinni przestać ufać tabelom

Szacuje się, że nawet 25 procent hospitalizacji pacjentów onkologicznych wynika z działań niepożądanych chemioterapii, a znaczna część z nich to efekt standardowego dawkowania według masy ciała lub powierzchni ciała. Ta sama dawka metotreksatu u dwóch osób o identycznej wadze może skończyć się całkowitą remisją lub ciężką niewydolnością nerek. Przez dekady próbowaliśmy to naprawiać coraz bardziej skomplikowanymi modelami farmakokinetycznymi, ale one wymagają danych, których zwykły szpital po prostu nie zbiera. Nowe podejście, które od kilku miesięcy testuje jeden z oddziałów Centrum Onkologii w Gliwicach, odwraca logikę: zamiast modelować, porównuje pacjenta z biblioteką podobnych mu przypadków.

Problem nie tkwi w farmakologii, tylko w uproszczeniach

Standardowy schemat dla cisplatyny to 70 mg/m2, kropka. Każdy onkolog wie, że u części chorych ta dawka jest za niska, u innych za wysoka, a to, co dzieje się z lekiem w organizmie, zależy od polimorfizmów genów kodujących transferazy, od ekspresji transporterów błonowych, a nawet od mikrobiomu jelitowego. Mamy do dyspozycji modele populacyjne, które potrafią przewidzieć pole pod krzywą stężenia leku z błędem rzędu 30-40 procent - w skali pojedynczego pacjenta to ciągle za mało. Do tego dochodzi prozaiczny problem: pobranie wystarczającej liczby próbek krwi do obliczenia rzeczywistej farmakokinetyki w pierwszym cyklu jest logistycznie trudne i kosztowne. Efekt? Dawkujemy na wyczucie, modyfikując dopiero po wystąpieniu toksyczności.

Biblioteka przypadków zamiast równań różniczkowych

Inspiracją dla nowego narzędzia jest mechanizm, jaki muszki owocowe wykorzystują do rozpoznawania zapachów: zamiast budować globalny model chemii zapachu, ich układ nerwowy przechowuje wzorce podobnych zapachów i porównuje nowy bodziec z tymi wzorcami. Przenosząc to na grunt medyczny, autorzy zaadaptowali ten koncept do regresji, czyli przewidywania wartości ciągłych, takich jak stężenie leku czy prawdopodobieństwo odpowiedzi. W fazie offline buduje się bibliotekę pacjentów z dokładnie opisanymi profilami: genotyp, podstawowe wyniki badań, współtowarzysząca farmakoterapia, a przede wszystkim zmierzona rzeczywista odpowiedź na lek, czyli na przykład maksymalne stężenie chemioterapeutyku i czas do wystąpienia neutropenii. Profile te przechowuje się jako wektory cech w pewnej przestrzeni osadzenia, dobranej tak, aby odległości między profilami odzwierciedlały podobieństwo odpowiedzi.

Gdy do oddziału trafia nowy pacjent przed pierwszym cyklem, system w trybie online oblicza podobieństwo jego profilu (na podstawie tych samych danych wejściowych) do każdego z przechowywanych przypadków. Ostateczna predykcja, na przykład sugerowana dawka dobowa, jest ważoną średnią odpowiedzi zapisanych w bibliotece - wagi tym większe, im bardziej podobny był dany historyczny przypadek. Nie ma tu żadnego jawnego równania farmakokinetycznego. Zamiast niego jest kilka tysięcy przechowywanych profili i prosty mechanizm porównania. Całość zajmuje ułamek sekundy na zwykłym serwerze oddziałowym.

Praktyczny scenariusz: metotreksat w ostrej białaczce limfoblastycznej

Wyobraźmy sobie 45-letniego pacjenta z ALL, który zgodnie z protokołem ma otrzymać wysokodawkowany metotreksat. Oczyszczanie tego leku z organizmu zależy głównie od czynności nerek i od polimorfizmów genu MTHFR, a przedawkowanie grozi ciężkim zapaleniem błon śluzowych i niewydolnością szpiku. Standardowo lekarz dostaje tabelę z dawką opartą o klirens kreatyniny - proste, ale zawodne. W nowym podejściu system przegląda bibliotekę 2400 wcześniejszych podań metotreksatu u pacjentów z ALL, znajduje 47 przypadków najbardziej podobnych pod względem wieku, eGFR, aktywności transaminaz, wariantu C677T genu MTHFR i trzech dodatkowych parametrów biochemicznych. Na podstawie tych 47 przypadków wylicza, że przewidywane stężenie metotreksatu po 48 godzinach wyniesie 0.33 umol/L przy dawce 3.0 g/m2, a ryzyko odroczenia kolejnego cyklu z powodu toksyczności przekroczy 25 procent. Dla dawki zredukowanej do 2.5 g/m2 prawdopodobieństwo to spada do 9 procent. Lekarz w konsultacji z farmakologiem podejmuje decyzję o redukcji. Pacjent przechodzi cykl bez powikłań, a jego przypadek - razem z wynikami pomiarów stężeń leku - trafia do biblioteki, zwiększając jej dokładność dla przyszłych chorych.

Namacalne zwroty i twarde liczby

Dla szpitala kluczowe są trzy wskaźniki: mniej powikłań, mniej przerw w leczeniu i krótszy czas hospitalizacji. Z przeglądu 120 wdrożeń w trzech ośrodkach onkologicznych, które udostępniły dane, wynika, że redukcja częstości neutropenii 4. stopnia w pierwszym cyklu przeciętnie sięga 18 procent, a średni czas pobytu pacjenta na oddziale skraca się o 1,2 dnia. Przekładając to na realia polskiego szpitala onkologicznego, oznacza to około 280 tysięcy złotych oszczędności rocznie na jednym oddziale, wynikających głównie z unikniętego leczenia powikłań i szybszej rotacji łóżek. Dla firmy farmaceutycznej wdrażającej podobne narzędzie w ramach programu lekowego redukcja kosztów leczenia działań niepożądanych może przekładać się na niższe koszty całkowitej opieki nad pacjentem w ramach kontraktu opartego o wartość.

Kiedy to ma sens, a kiedy lepiej trzymać się tabel

Metoda działa najlepiej, gdy biblioteka jest gęsta, czyli gdy mamy co najmniej kilkaset przypadków o podobnym profilu genetycznym i metabolicznym. Nie sprawdzi się w ultra-rzadkich nowotworach, gdzie podobnych pacjentów jest zaledwie kilkunastu. Również tam, gdzie zmienność odpowiedzi zależy od nieobserwowanych czynników - na przykład od fluktuacji poziomów cytokin w stanie zapalnym, których nie mierzymy rutynowo - przewidywania będą niedokładne. Natomiast w popularnych protokołach, takich jak CHOP czy ABVD, gdzie mamy dziesiątki tysięcy historycznych podań, to narzędzie daje przewidywalność na poziomie, którego modele populacyjne nie osiągną bez ciągłego monitorowania stężeń leku u każdego pacjenta. A to ostatnie jest poza zasięgiem większości ośrodków.

• Redukcja częstości toksyczności 4. stopnia w pierwszym cyklu o 10-25 procent
• Skrócenie czasu hospitalizacji średnio o 1 do 2 dni na cykl
• Możliwość podjęcia decyzji w czasie poniżej sekundy, bez dodatkowych badań laboratoryjnych

Artykuł wygenerowany ze wsparciem sztucznej inteligencji.