Berandasehat.id – Pada sebagian kecil pasien kanker, dokter tidak dapat menentukan dari mana kanker mereka berasal sehingga menyulitkan dokter untuk memilih pengobatan bagi pasien tersebut, karena banyak obat kanker biasanya dikembangkan untuk jenis kanker tertentu.

Menjawab masalah ini, sebuah pendekatan baru yang dikembangkan oleh para peneliti di MIT dan Dana-Farber Cancer Institute dapat mempermudah untuk mengidentifikasi situs asal kanker misterius tersebut. Menggunakan pembelajaran mesin, para peneliti membuat model komputasi yang dapat menganalisis urutan sekitar 400 gen dan menggunakan informasi tersebut untuk memprediksi dari mana asal tumor tertentu di dalam tubuh.

Dengan menggunakan model ini, para peneliti menunjukkan bahwa mereka dapat secara akurat mengklasifikasikan setidaknya 40% tumor yang tidak diketahui asalnya dengan keyakinan tinggi, dalam kumpulan data sekitar 900 pasien. Pendekatan ini memungkinkan peningkatan 2,2 kali lipat dalam jumlah pasien yang memenuhi syarat untuk pengobatan yang ditargetkan dan dipandu secara genomik, berdasarkan asal kankernya.

“Itu adalah temuan paling penting dalam makalah kami, bahwa model ini berpotensi digunakan untuk membantu keputusan pengobatan, membimbing dokter menuju perawatan yang dipersonalisasi untuk pasien dengan kanker yang tidak diketahui asal mulanya,” kata Intae Moon, seorang mahasiswa pascasarjana MIT di bidang teknik elektro dan ilmu komputer, merupakan penulis utama dari studi baru tersebut.

Alexander Gusev, seorang profesor kedokteran di Harvard Medical School dan Dana-Farber Cancer Institute, adalah penulis senior makalah yang telah dipublikasikan di Nature Medicine.

Ilustrasi pasien kanker (dok. ist)

Asal Muasal Kanker Misterius

Pada 3% hingga 5% pasien kanker – terutama dalam kasus di mana tumor telah menyebar ke seluruh tubuh – ahli onkologi tidak memiliki cara yang mudah untuk menentukan dari mana asal kanker. Tumor ini diklasifikasikan sebagai kanker primer yang tidak diketahui (CUP).

Kurangnya pengetahuan ini kerap menghalangi dokter untuk dapat memberikan obat presisi atau yang tepat kepada pasien, yang biasanya disetujui untuk jenis kanker tertentu. Perawatan yang ditargetkan ini cenderung lebih efektif dan memiliki efek samping yang lebih sedikit daripada perawatan yang digunakan untuk spektrum kanker yang luas, yang umumnya diresepkan untuk pasien CUP.

“Sejumlah besar orang mengembangkan kanker primer yang tidak diketahui ini setiap tahun, dan karena sebagian besar terapi disetujui untuk lokasi kanker spesifik, di mana dokter harus mengetahui lokasi utama asal penyebarannya – sehingga mereka memiliki pilihan pengobatan yang sangat terbatas,” kata Gusev .

Moon, afiliasi dari Laboratorium Ilmu Komputer dan Kecerdasan Buatan yang didampingi Gusev, memutuskan untuk menganalisis data genetik yang secara rutin dikumpulkan di Dana-Farber untuk melihat apakah data tersebut dapat digunakan untuk memprediksi jenis kanker. Data tersebut terdiri dari urutan genetik sekitar 400 gen yang sering bermutasi pada kanker.

Para peneliti melatih model pembelajaran mesin pada data dari hampir 30.000 pasien yang telah didiagnosis dengan salah satu dari 22 jenis kanker yang diketahui. Kumpulan data itu termasuk pasien dari Pusat Kanker Memorial Sloan Kettering dan Pusat Kanker Vanderbilt-Ingram, serta Dana-Farber.

Para peneliti kemudian menguji model yang dihasilkan pada sekitar 7.000 tumor yang belum pernah dilihat sebelumnya, tetapi tempat asalnya diketahui. Model yang oleh para peneliti diberi nama OncoNPC, mampu memprediksi asal kanker dengan akurasi sekitar 80%. Untuk tumor dengan prediksi kepercayaan tinggi – sekitar 65% dari total – akurasinya naik menjadi sekitar 95%.

Setelah hasil yang menggembirakan tersebut, para peneliti menggunakan model tersebut untuk menganalisis sekitar 900 tumor dari pasien CUP, yang semuanya berasal dari Dana-Farber. Mereka menemukan bahwa untuk 40% dari tumor ini, model tersebut mampu membuat prediksi dengan keyakinan tinggi.

Para peneliti kemudian membandingkan prediksi model tersebut dengan analisis germline (mutasi bawaan) pada subset tumor dengan data yang tersedia, yang dapat mengungkapkan apakah pasien memiliki kecenderungan genetik untuk mengembangkan jenis kanker tertentu. Para peneliti menemukan bahwa prediksi model jauh lebih cocok dengan jenis kanker yang paling kuat diprediksi oleh mutasi germline daripada jenis kanker lainnya.

Membimbing Pemberian Obat Presisi

Untuk lebih memvalidasi prediksi model, para peneliti membandingkan data waktu kelangsungan hidup pasien CUP dengan prognosis tipikal untuk jenis kanker yang diprediksi model. Mereka menemukan bahwa pasien CUP yang diprediksi menderita kanker dengan prognosis buruk, seperti kanker pankreas, menunjukkan waktu kelangsungan hidup yang lebih pendek. 

Sementara itu, pasien CUP yang diprediksi memiliki kanker dengan prognosis yang lebih baik, seperti tumor neuroendokrin, memiliki waktu bertahan hidup yang lebih lama.

Indikasi lain bahwa prediksi model dapat berguna berasal dari melihat jenis perawatan yang telah diterima oleh pasien CUP yang dianalisis dalam penelitian ini. Sekitar 10% dari pasien ini telah menerima pengobatan yang ditargetkan, berdasarkan tebakan terbaik ahli onkologi mereka tentang dari mana asal kanker tersebut. 

Di antara pasien tersebut, mereka yang menerima pengobatan yang konsisten dengan jenis kanker yang diprediksi model bernasib lebih baik daripada pasien yang menerima pengobatan yang biasanya diberikan untuk jenis kanker yang berbeda dari yang diprediksi model tersebut.

Dengan menggunakan model ini, para peneliti juga mengidentifikasi tambahan 15% pasien (peningkatan 2,2 kali lipat) yang dapat menerima pengobatan target yang ada, jika jenis kankernya telah diketahui. Sebaliknya, pasien tersebut akhirnya menerima obat kemoterapi yang lebih umum.

“(Hasil) Itu berpotensi membuat temuan ini lebih dapat ditindaklanjuti secara klinis karena kami tidak memerlukan obat baru untuk disetujui. Apa yang kami katakan adalah populasi ini sekarang dapat memenuhi syarat untuk perawatan presisi yang sudah ada,” kata Gusev.

Para peneliti kini berharap untuk memperluas model dengan memasukkan jenis data lain, seperti gambar patologi dan gambar radiologi, untuk memberikan prediksi yang lebih komprehensif menggunakan beberapa modalitas data. Hal itu akan memberikan model dengan perspektif tumor yang komprehensif, memungkinkannya untuk memprediksi tidak hanya jenis tumor dan hasil pasien, tetapi bahkan pengobatan yang optimal. (BS)