Biomarcadores múltiples mejoran la predicción de respuesta a inmunoterapia contra el cáncer

El desafío de predecir quién responde a la inmunoterapia #

La inmunoterapia oncológica ha transformado el tratamiento de varios tipos de cáncer en las últimas décadas. A diferencia de la quimioterapia tradicional, este enfoque busca activar el propio sistema inmunitario del paciente para reconocer y destruir las células tumorales. Sin embargo, uno de sus mayores obstáculos es que no todos los pacientes responden de la misma manera: algunos experimentan beneficios notables, mientras que otros no muestran mejoría o incluso presentan efectos adversos significativos.

Identificar de antemano quién se beneficiará de estos tratamientos es una prioridad médica urgente. Para ello, los investigadores han explorado el uso de biomarcadores, es decir, señales biológicas medibles que pueden indicar cómo reaccionará un tumor o un organismo ante una terapia determinada. Hasta ahora, ningún biomarcador individual ha demostrado ser suficientemente preciso por sí solo.

Qué plantea el nuevo estudio #

Un comentario editorial publicado en Nature Medicine en 2026, firmado por Raquel Perez-Lopez, del Vall d’Hebron Institute of Oncology en Barcelona, y Mireia Crispin-Ortuzar, de la Universidad de Cambridge, analiza los avances recientes en la integración de múltiples biomarcadores para predecir la respuesta a la inmunoterapia contra el cáncer.

Según los autores, la clave está en el enfoque multimodal: en lugar de depender de una sola fuente de información biológica, los nuevos modelos combinan datos de diversa naturaleza —imágenes médicas, análisis genómicos, datos clínicos, entre otros— a nivel individual de cada paciente. Esta integración, señalan, mejora de manera significativa la capacidad de predecir si un paciente responderá o no al tratamiento inmunoterápico.

El artículo hace referencia a un estudio de Prelaj y colaboradores, publicado también en Nature Medicine (2026), como ejemplo representativo de este enfoque multimodal. Asimismo, cita investigaciones previas en revistas como Lancet Digital Health, Nature Cancer, JAMA Oncology y Nature Communications, que han explorado distintas estrategias para combinar biomarcadores en oncología.

Qué significan estos hallazgos en términos generales #

La integración de biomarcadores multimodales representa un paso hacia la llamada medicina de precisión: la idea de que los tratamientos deben adaptarse al perfil biológico único de cada paciente, en lugar de aplicarse de forma uniforme. Según los autores del comentario, los modelos que combinan múltiples fuentes de datos a nivel del paciente individual superan en capacidad predictiva a los enfoques que utilizan un solo tipo de biomarcador.

Sin embargo, los autores advierten que la generalización de estos modelos sigue siendo un desafío importante. Esto significa que un modelo entrenado con datos de una población o institución específica puede no funcionar igual de bien cuando se aplica a pacientes de otros contextos, hospitales o regiones geográficas. Este problema de generalización es uno de los principales obstáculos para trasladar estos avances del laboratorio a la práctica clínica cotidiana.

Es importante subrayar que estos hallazgos son de naturaleza investigativa. Cualquier decisión sobre el uso de inmunoterapia u otras intervenciones oncológicas debe tomarse en consulta con un médico especialista, quien evaluará el caso individual de cada paciente.

Qué significa para América Latina #

En América Latina, el acceso a la inmunoterapia oncológica varía considerablemente entre países y entre sistemas de salud públicos y privados. Los tratamientos inmunoterápicos suelen ser costosos, lo que hace aún más relevante contar con herramientas precisas que permitan identificar a los pacientes con mayor probabilidad de beneficiarse.

Al mismo tiempo, el desafío de la generalización que señalan los autores cobra especial relevancia en la región: la mayoría de los modelos predictivos se desarrollan con datos de poblaciones europeas o norteamericanas, lo que puede limitar su aplicabilidad directa en contextos latinoamericanos, donde la diversidad genética, los perfiles de enfermedad y las condiciones de atención médica difieren. Avanzar hacia modelos que incluyan datos de poblaciones diversas será fundamental para que estos beneficios lleguen equitativamente a todos los pacientes.

Limitaciones y lo que falta por confirmar #

El material disponible corresponde a un comentario editorial de acceso restringido, por lo que no se dispone del detalle metodológico completo del estudio principal al que hace referencia. No se reportan en el texto accesible el tamaño muestral, los tipos específicos de cáncer estudiados ni los biomarcadores concretos integrados en los modelos analizados.

Los propios autores reconocen que la generalización de estos enfoques multimodales es aún un problema sin resolver. Esto implica que, aunque los resultados son prometedores, se necesitan estudios adicionales en poblaciones más diversas y en distintos entornos clínicos antes de que estos modelos puedan implementarse de manera rutinaria. Además, la integración de múltiples tipos de datos requiere infraestructura tecnológica y capacidad analítica que no siempre está disponible en todos los centros oncológicos.

Consulte siempre con un profesional de la salud #

Los avances en la predicción de respuesta a la inmunoterapia representan un campo de investigación activo y en evolución. Sin embargo, la información presentada en este artículo tiene un carácter estrictamente divulgativo y no debe interpretarse como una recomendación médica personalizada. Si usted o un familiar enfrenta un diagnóstico de cáncer y tiene preguntas sobre la inmunoterapia u otras opciones de tratamiento, es fundamental consultar con un oncólogo o médico especialista, quien podrá evaluar el caso de manera individualizada y orientar las decisiones terapéuticas con base en la evidencia más actualizada y las circunstancias particulares de cada paciente.

Fuente original: Perez-Lopez, R., Crispin-Ortuzar, M. “A multimodal murmuration for immunotherapy.” Nature Medicine (2026). https://doi.org/10.1038/s41591-026-04587-0