Contesto e scopo
Gli inibitori dei checkpoint immunitari (ICI) (n.d.r: farmaci oncologici (anticorpi monoclonali) che potenziano il sistema immunitario del paziente. Bloccano le proteine “freno” (checkpoint) che i tumori usano per nascondersi, permettendo ai linfociti T di riconoscere e distruggere le cellule tumorali. Sono utilizzati per trattare diverse neoplasie, tra cui melanoma e tumori al polmone) migliorano gli esiti del cancro, ma sono anche associati a eventi avversi immuno-correlati (irAE), che rappresentano una sfida significativa per la gestione clinica della terapia.
Approccio sperimentale
È stata condotta un’analisi di farmacovigilanza osservazionale sul sistema di segnalazione degli eventi avversi della FDA per identificare i segnali di eventi avversi (AE) correlati agli ICI. La simulazione della cinetica di mortalità e la regressione logistica multivariata sono state utilizzate per studiare i modelli di AE fatali e il coinvolgimento di segnali multipli. È stato sviluppato un framework di apprendimento automatico, SAFE-ICI, per prevedere il rischio a breve termine e gli esiti di irAE fatali che si verificano entro i primi 90 giorni di terapia con ICI.
Risultati principali
L’analisi ha identificato 358 segnali di AE significativi associati alle terapie con ICI in 18 sistemi d’organo. Le terapie con PD-1/PD-L1 (n.d.r: normalmente, le cellule sane espongono la proteina PD-L1 che si lega al recettore PD-1 presente sui linfociti T (le cellule immunitarie). Questo legame invia un segnale di “spegnimento”, evitando che il sistema immunitario attacchi i tessuti sani) sono state associate a 54 irAE fatali, di cui 23 nel carcinoma polmonare non a piccole cellule (NSCLC), 5 nel melanoma, 6 nel carcinoma a cellule renali (RCC) e 20 in altri tumori. Le terapie di combinazione sono state associate a 20 eventi avversi immuno-correlati (irAE) fatali, di cui 3 nel carcinoma polmonare non a piccole cellule (NSCLC), 6 nel melanoma, 7 nel carcinoma a cellule renali (RCC) e 4 in altri tumori, con un coinvolgimento stabile di molteplici segnali di eventi avversi. Il modello SAFE-ICI ha dimostrato una solida performance nella previsione del rischio di irAE fatali, stratificando con successo i pazienti in fenotipi a basso e alto rischio con benefici di sopravvivenza significativamente diversi, sia nella coorte di scoperta che in quella di validazione.
Conclusioni e implicazioni
I nostri risultati evidenziano il potenziale dell’apprendimento automatico per migliorare i sistemi di farmacovigilanza e aiutare i clinici a migliorare gli esiti dei pazienti durante la terapia con inibitori dei checkpoint immunitari (ICI).
Parole chiave: FAERS; analisi di disproporzione; inibitore dei checkpoint immunitari; eventi avversi immuno-correlati; apprendimento automatico.
Gli autori dichiarano di non avere conflitti di interesse.
Br J Pharmacol . 2026 Jan;183(2):364-378. doi: 10.1111/bph.70195. Decoding fatal toxic effects in checkpoint inhibitor therapy using real-world pharmacovigilance data and machine learning. D Yan, B Lyu, J Yu, S Bao, Z Zhang, M Zhou, J Sun.
