AGI - I risultati di uno studio internazionale pubblicati sul Journal of Clinical Oncology propongono un nuovo approccio per migliorare la gestione della Leucemia mielomonocitica cronica (CMML), una rara neoplasia del sangue caratterizzata da elevata variabilità tra i pazienti e da esiti spesso sfavorevoli. Integrando informazioni molecolari, parametri clinici e modelli computazionali avanzati, i ricercatori hanno sviluppato strumenti in grado di stimare più accuratamente l’evoluzione della malattia e supportare decisioni terapeutiche personalizzate.
Lo studio, multicentrico e su larga scala, è il risultato della collaborazione di un team internazionale che coinvolge centri di ricerca in Europa, Stati Uniti e Taiwan. Il progetto è stato ideato e coordinato da Humanitas, che integra attività clinica, ricerca in ambito oncoematologico e approcci avanzati di intelligenza artificiale, sotto la guida di Matteo Giovanni Della Porta, responsabile di Leucemie dell’IRCCS Istituto Clinico Humanitas e professore di Humanitas University. Hanno contribuito allo studio Saverio D’Amico, ingegnere biomedico e data scientist presso Humanitas AI Center, impegnato nello sviluppo degli strumenti di analisi dei dati e, come primo autore, Luca Lanino, ematologo presso la Yale School of Medicine ed ex specializzando di Humanitas University.
La CMML si distingue per l’aumento dei monociti nel sangue, un tipo di globuli bianchi coinvolti nella risposta immunitaria, ed è caratterizzata da una marcata eterogeneità clinica. Colpisce prevalentemente la popolazione adulta e, in una parte dei casi, può evolvere in Leucemia mieloide acuta, una forma più aggressiva della malattia.
Il trapianto allogenico di cellule staminali ematopoietiche rappresenta a oggi l’unico trattamento potenzialmente curativo, tuttavia molti pazienti non sono candidabili a causa dell’età avanzata o della presenza di comorbidità. Le alternative farmacologiche disponibili, come gli agenti ipometilanti, offrono benefici limitati, evidenziando la necessità di strumenti prognostici più precisi e di approcci terapeutici sempre più personalizzati.
Analizzando i dati clinici e genetici di oltre 3.500 pazienti con un approccio multimodale, i ricercatori hanno identificato nove cluster molecolari, ciascuno associato a specifiche alterazioni genetiche e a differenti esiti clinici. Una parte dei pazienti (circa il 15%) ha inoltre mostrato caratteristiche sovrapposte ad altre neoplasie mieloidi, suggerendo che i confini tra queste malattie siano meno definiti di quanto ritenuto finora. «Questa nuova mappa genetica permette di descrivere la malattia in modo più preciso rispetto alle classificazioni tradizionali, offrendo uno strumento per comprendere meglio le differenze tra i pazienti e la variabilità clinica che osserviamo nella pratica», spiega il dott. Luca Lanino. «Una classificazione più accurata rappresenta la base per sviluppare strategie terapeutiche sempre più mirate».
I dati raccolti hanno portato allo sviluppo dell’International CMML Prognostic Scoring System (iCPSS), un nuovo sistema prognostico che integra mutazioni genetiche, parametri ematologici e alterazioni citogenetiche, cioè anomalie dei cromosomi che contengono il DNA.
Il modello individua cinque gruppi prognostici, ciascuno con differenti probabilità di sopravvivenza complessiva e di evoluzione verso leucemia acuta, migliorando la capacità predittiva su base individuale rispetto ai sistemi precedenti. Circa il 55% dei pazienti è stato infatti riclassificato in categorie di rischio diverse. «Integrare informazioni genetiche e cliniche consente di ottenere una valutazione più precisa della prognosi e di personalizzare le decisioni terapeutiche», osserva il prof. Matteo Giovanni Della Porta. «Questo approccio permette di identificare meglio i pazienti che possono beneficiare di strategie più intensive, come il trapianto, e di pianificare il percorso di cura in modo più mirato».
Un elemento innovativo dello studio è l’impiego di strumenti avanzati di analisi dei dati e modelli decisionali sviluppati attraverso tecniche di intelligenza artificiale, con il contributo dell’Humanitas AI Center, che include tra le proprie linee di ricerca lo sviluppo di Digital Twin, rappresentazioni virtuali di pazienti costruite integrando dati clinici, genomici, immagini mediche, trattamenti ed esiti, per la comprensione e la gestione in particolare delle malattie in ambito oncoematologico. In questo contesto, i ricercatori hanno implementato una piattaforma di apprendimento federato, che consente di aggiornare continuamente il modello utilizzando dati provenienti da diversi centri senza condividere direttamente informazioni sensibili dei pazienti. L’uso di dati sintetici ha inoltre permesso di simulare scenari clinici realistici, testando e validando il modello per favorirne applicazioni future.
Nel loro insieme, queste soluzioni dimostrano come l’integrazione tra ricerca clinica, genomica e intelligenza artificiale possa supportare lo sviluppo di strumenti prognostici dinamici e aggiornabili nel tempo, con ricadute concrete sulla pratica clinica.
Un aspetto particolarmente rilevante riguarda infatti le strategie terapeutiche: l’adozione del modello ha modificato la pianificazione del trattamento nel 31% dei casi, con un miglioramento atteso della sopravvivenza nei pazienti idonei a terapie più intensive, come il trapianto di cellule staminali.
Complessivamente, lo studio rappresenta un risultato di rilievo internazionale e un possibile cambio di paradigma nella gestione della CMML, dimostrando come la medicina di precisione possa diventare sempre più applicabile nella pratica clinica quotidiana.