Un reciente estudio liderado por investigadores del Centro RIKEN para Ciencias Teóricas e Interdisciplinarias (iTHEMS) ha revelado que los modelos matemáticos utilizados para predecir el crecimiento de tumores cancerígenos en ratones pueden ofrecer resultados engañosos si se ignoran los datos no medibles. Esta investigación, publicada en la revista npj Systems Biology and Applications, tiene implicaciones significativas para la aplicación de modelos matemáticos en el campo de la medicina.
La investigadora Catherine Beauchemin, quien se describe a sí misma como una “friki de los datos”, ha dedicado su carrera a aplicar la matemática en diversos ámbitos, desde virología hasta astrofísica. En su búsqueda por comprender mejor los mecanismos del cáncer, su equipo analizó datos previamente publicados sobre mediciones del tamaño de tumores en diez ratones. En las primeras etapas del estudio, solo un par de ratones presentaban tumores lo suficientemente grandes como para ser detectados y medidos. Posteriormente, algunos ratones fueron sacrificados al alcanzar un tamaño considerable para evitarles sufrimiento, lo que dejó a solo aquellos con los tumores más pequeños aún medibles.
La Inclusión de Datos No Medibles
El equipo de Beauchemin aplicó cinco modelos mecánicos de creciente complejidad para analizar los datos. En su análisis inicial, consideraron únicamente los tamaños de los tumores que se habían medido, según la práctica habitual en estudios de este tipo. Sin embargo, al repetir el análisis incluyendo el número de tumores que no podían ser medidos en cada momento, se dieron cuenta de que los resultados variaban drásticamente. Utilizaron un enfoque matemático que estima la probabilidad de tener un número determinado de tumores no medibles en un momento específico, teniendo en cuenta el rango de tamaños de tumores que se pueden medir experimentalmente.
Los resultados mostraron que al incluir únicamente los datos medidos, todos los modelos mecánicos sobrestimaban el tamaño del tumor en las etapas iniciales y lo subestimaban en las fases posteriores. Beauchemin explica que «si solo informamos al modelo matemático sobre las mediciones que tenemos, sus resultados estarán sesgados hacia arriba por los tamaños más grandes de los tumores en las etapas tempranas y hacia abajo por los más pequeños en las etapas finales». Esta distorsión puede llevar a conclusiones erróneas al evaluar la efectividad de tratamientos.
La investigadora aconseja a sus colegas no descartar información. «No dejen nada en la mesa de corte», afirma. «Cuando una cantidad no es medible, significa que es demasiado pequeña o grande para ser medida. Ignorar esto puede cambiar significativamente el resultado». Para abordar este problema, el equipo proporcionó un marco matemático que facilita la inclusión de cantidades no medibles, lo que permite estimar parámetros de manera más precisa con modelos mecánicos.
Beauchemin también está interesada en aplicar estos principios a otros campos, como la modelización de enfermedades infecciosas. Actualmente colabora con experimentadores para diseñar nuevos protocolos de medición que puedan aportar datos más ricos y útiles para informar a los modelos matemáticos.
Más información: Jamie Porthiyas et al, Practical parameter identifiability and handling of censored data with Bayesian inference in mathematical tumour models, npj Systems Biology and Applications (2024). DOI: 10.1038/s41540-024-00409-6
