2.2.1.
Medicina Personalizada y de Precisión
El Diccionario del Instituto Nacional del Cáncer (National Cancer Institute, NCI) de los EE.UU. define la Medicina Personalizada de Precisión como el “tipo de medicina que usa la información de los genes, las proteínas y el ambiente de una persona para prevenir, diagnosticar y tratar una enfermedad. En la Medicina Personalizada de Precisión para el cáncer, se usa información específica del tumor de una persona con el fin de facilitar el diagnóstico, planificar el tratamiento, determinar si el tratamiento es eficaz o dar un pronóstico.”(Instituto Nacional del Cáncer, 2019b). De una forma similar, el informe elaborado por la Fundación Instituto Roche sobre la Medicina Personalizada de Precisión en España (Fundación Instituto Roche, 2019) define el concepto de Medicina Personalizada de Precisión (MPP) de la siguiente forma: “la integración de los datos genómicos y de otras ciencias “ómicas” con el conjunto de datos clínicos del paciente y su entorno, permite una práctica clínica adaptada a las características individuales de cada paciente, en lo que se denomina Medicina Personalizada de Precisión (MPP)”.
La MPP permite establecer una nueva taxonomía de la enfermedad basada en la biología molecular, de forma que facilite un diagnóstico más preciso, un tratamiento dirigido y en definitiva unos mejores resultados en salud (National Research Council, 2011). La iniciativa
lanzada por el Presidente Barack Obama sobre Medicina de Precisión en los EE.UU. (Collins and Varmus, 2015) es un claro ejemplo del desarrollo de este concepto a gran escala y de su singular beneficio potencial para el tratamiento del cáncer.
Por ejemplo, en el cáncer de pulmón la clasificación tradicional de la enfermedad se ha basado en su histología (incluyendo el cáncer de pulmón de célula pequeña y el cáncer de pulmón de célula no pequeña y sus respectivos subtipos). Sin embargo, actualmente se clasifican también en función de la presencia de mutaciones genéticas que contribuyen a su generación y proliferación (mutaciones driver) (National Research Council, 2011). A partir de 2004 el éxito de tratamientos como Gefitinib y Erlotinib sobre tumores mutados EGFR supuso un cambio de paradigma y el inicio de la medicina personalizada y de precisión en el cáncer de pulmón. Además de las conocidas mutaciones en KRAS y EGFR, en los últimos años han sido muchas las mutaciones driver descubiertas para las que se han desarrollado terapias dirigidas (ALK, HER2, BRAF, PIK3CA, AKT1, MAP2K1 o MET entre otras) (Pao and Girard, 2011) y las correspondientes resistencias (Lin and Shaw, 2016) para las que nuevas terapias dirigidas han sido desarrolladas. Conscientes de esta revolución en el campo médico, el Consejo Europeo publicó en 2015 recomendaciones para los estados miembros y para la Comisión Europea relativas a la implementación efectiva de la Medicina Personalizada, específicamente a través de la aplicación de Big Data (Council of the European Union, 2015). La Comisión Europea, en una comunicación de abril de 2018 relativa a la consecución de la transformación digital de la sanidad indica que “La medicina personalizada es una tendencia emergente que emplea datos generados por nuevas tecnologías con el fin de comprender mejor las características de un paciente y ofrecer la asistencia correcta a la persona adecuada en el momento oportuno” reconociendo que “Es primordial acordar las especificaciones técnicas aplicables al acceso e intercambio de datos sobre salud con fines de investigación y salud pública, abordando, por ejemplo, la recopilación de datos sobre salud, su almacenamiento, compresión, tratamiento y acceso en toda la UE.” (Comisión Europea, 2018). En el ámbito nacional, el Informe de la Ponencia de Estudio sobre Genómica del Senado Español (Ponencia de estudio sobre genómica, 2019), aprobado el pasado 15 de Enero de 2019, establece la necesidad de elaborar “una Estrategia en Medicina Genómica, Personalizada y de Precisión para el Sistema Nacional de Salud, que posicione a España en la vanguardia de la sanidad, con planes y objetivos a corto, medio y largo plazo para los próximos diez años.”. Según se indica, “La Estrategia deberá asegurar la incorporación de la Medicina Genómica, Personalizada y de Precisión en la cartera de servicios comunes del Sistema Nacional de Salud en el ámbito de atención primaria y atención hospitalaria, con criterios de coordinación, refuerzo de la capacidad de prevención y mejora continua de la asistencia y de los resultados clínicos en la salud de los pacientes […]”. Así mismo “deberá incorporar objetivos para asegurar la secuenciación genómica de los pacientes con enfermedades raras y de sus
36
familiares; de los pacientes con neoplasias y de sus familiares” y se indica que “deberá integrarse la información generada con los datos clínicos almacenados en la historia clínica electrónica”. Se hace así mismo una mención especial al ámbito de la seguridad, indicando que “Los poderes públicos deberán asegurar la aplicación estricta y rigurosa de la normativa nacional y europea de protección de datos personales en el campo de la Medicina Genómica, Personalizada y de Precisión, tanto en la asistencia clínica como en la investigación […]” y que “Es imprescindible una gestión de la aplicación de la inteligencia artificial y del acceso a esas bases de datos y de los Big Data para la clínica y la investigación con una fuerte protección legal y una enorme vigilancia continua desde los poderes públicos”. En lo relativo a los recursos, se introduce la necesidad de cambios organizativos: “Se recomienda la creación de la especialidad de Genética clínica y la incorporación de profesionales de Bioinformática y otros perfiles profesionales necesarios con un enfoque multidisciplinar para la adecuada oferta de los servicios de la Medicina Genómica, Personalizada y de Precisión en la cartera de servicios del Sistema Nacional de Salud y para la gestión de los Big Data orientada a la asistencia y la investigación”. La elaboración de esta Estrategia Nacional es clave para asegurar la equidad en la asistencia del cáncer, actualmente comprometida por las diferencias existentes en esta materia en las distintas Comunidades Autónomas (Fundación Instituto Roche, 2019).
Más allá de los resultados positivos de los distintos ensayos clínicos realizados, nuevos estudios con los denominados “datos del mundo real” (Real World Data o RWD), basados en el análisis retrospectivo de datos genéticos ligados a datos clínicos de grandes poblaciones no seleccionadas a priori, están demostrando que los pacientes que son tratados con terapias dirigidas a mutaciones driver específicas presentan una mejor supervivencia (Singal et al., 2019). Tomamos la siguiente definición de RWD (Montouchet et al., 2018): datos longitudinales del paciente capturados en su gestión rutinaria que pueden ser reutilizados para estudiar el impacto de las intervenciones sanitarias. Se ha propuesto incluso que los RWD puedan ser empleados para la generación de evidencia clínica como alternativa a los Ensayos Clínicos Aleatorizados convencionales en el ámbito oncológico (Khozin, Blumenthal and Pazdur, 2017). Este nuevo paradigma de generación de evidencia basada en datos del mundo real (Real World Evidence o RWE) está adquiriendo progresivamente una mayor relevancia derivada de las capacidades técnicas crecientes para la obtención de datos moleculares a través de nuevas técnicas de secuenciación genética (Next Generation Sequencing o NGS), muy especialmente en el cáncer de pulmón a través de la biopsia líquida (Provencio, Pérez-Barrios, et al., 2019), y el procesamiento de grandes volúmenes de información (a través de técnicas de Data Science, Machine Learning, Artificial Intelligence y Big Data Analytics). En este sentido, la Food & Drug Administration (FDA) de los EE.UU. ha publicado recientemente un marco de trabajo para el empleo de RWE en la toma de decisiones regulatorias (FDA, 2018a). La utilización de RWD contenidos en la HCE permite una mejor comprensión del efecto real del tratamiento en los
pacientes, de la difusión real de la innovación sanitaria, permite un mejor diseño de ensayos clínicos a través de una estimación más certera de pacientes que cumplen criterios y de eventos clínicos de interés, e incluso para la generación de grupos de control sin necesidad de aleatorización (Basch and Schrag, 2019). Sin embargo, el concepto de RWD no se limita a los datos disponibles en la HCE, sino que incluye datos generados por el propio paciente (Patient Reported Outcomes o PROs), a través de páginas web, apps, redes sociales o dispositivos wearables, e incluso datos del paciente no generados por este, sino de una forma automatizada a través de sensores y dispositivos domésticos con conexión a internet (Internet of Things o IoT).
2.2.2.
Asistencia sanitaria basada en el valor
La asistencia sanitaria basada en el valor (Value-Based Healthcare o VBHC) es una modalidad de prestación de servicios sanitarios en la que los proveedores de los mismos son compensados económicamente en función de los resultados en salud de los pacientes atendidos, y no por volumen de actos clínicos generados o mediante una cápita fija (Massachusetts Medical Society, 2016). Este nuevo paradigma surge en los EE.UU., principalmente a raíz del trabajo de Michael Porter en Harvard Business School (Porter and Teisberg, 2006) y del cambio legislativo que supuso la aprobación de la Medicare Access and CHIP Reauthorization Act (MACRA) (Government Printing Office, 2015) y está siendo fuertemente impulsado a nivel internacional por organizaciones como International Consortium for Health Outcomes Measurement (ICHOM). De acuerdo a lo establecido por el Dr. Porter, la mejora del rendimiento en el ámbito sanitario depende, como en cualquier otro ámbito, del alineamiento de intereses y actividades de todos los implicados en torno a un objetivo común, que en el caso sanitario debe ser el valor aportado al paciente. Dicho valor se plantea como la relación entre el resultado clínico alcanzado por el paciente y el gasto incurrido por el sistema sanitario para ello (Porter, 2010). La medición del resultado clínico del paciente, como una integración compleja de distintos indicadores según la patología estudiada, y no sólo de la actividad realizada, es necesaria para la mejora del valor aportado y se convierte por tanto en un aspecto clave para el paradigma VBHC (Porter, Larsson and Lee, 2016). Con el fin de avanzar en su implementación, ICHOM ha elaborado una metodología de implementación y un conjunto de datos estándar (ICHOM standard sets) que integran resultados estandarizados, herramientas de medida en distintos puntos temporales de la asistencia y factores de riesgo ajustados para una determinada patología. Estos conjuntos de datos han sido elaborados por paneles de expertos y de pacientes, cubriendo hasta la fecha 26 patologías de alta prevalencia e impacto, estando entre ellas el cáncer de pulmón (International Consortium for Health Outcomes Measurement (ICHOM), 2017), el cáncer colorrectal, el cáncer de mama y el cáncer de próstata.
38