MIRA Clinical Learning Environment (MIRACLE): Plíce (MIRACLE)

V mnoha centrech jsou retrospektivně identifikovány a zkoumány nové datové vědy a metody založené na zobrazování pro personalizaci péče. Bohužel většina těchto metod vyžaduje významnou manuální intervenci, aby se mohla aplikovat na jakoukoli danou situaci pacienta, a je obtížné je zavést včas, aby ovlivnily rozhodnutí o léčbě pacienta. Klinická implementace výzkumu datové vědy bude vyžadovat automatizované potrubí, které bude propojeno s celou léčebnou cestou způsoby, které usnadní analýzu dat v reálném čase a umožní translační výzkum.

Současný proces pro klinické/translační výzkumné pracovníky v nemocnici Princess Margaret Hospital (PM)/University Health Network (UHN) k analýze dat ze snímků zahrnuje rozsáhlou manuální správu sestávající z interakcí s elektronickými databázemi a analytickými nástroji za účelem: identifikace pacientů pomocí dat ze snímků; shromažďovat tato data; vymezit cíle zájmu ručně (minuty až hodiny na pacienta); analyzovat cíle na základě ručně vybraných snímků; a poté korelovat analyzované snímky se zdroji klinických informací (např. výsledky nebo korelační údaje). Projekty s velkým počtem pacientů tak často narážejí na nepřekonatelné překážky, které omezují produktivitu výzkumu.

MIRA (vlastně vyvinutá sada programovacích nástrojů) řeší společný problém pro všechny výzkumné pracovníky v PM/UHN studující diagnostiku, plánování léčby radioterapií a/nebo zobrazování při léčbě tím, že poskytuje konzistentní prostředí pro automatizovanou analýzu těchto dat. MIRA také zlepšuje eticky schválené studie s přímou vazbou na klinická data v reálném čase, včetně diagnostického zobrazování prostřednictvím spolupráce s Joint Department of Medical Imaging, informací o plánování léčby radiační onkologie a denního zobrazování radiační onkologie při léčbě. Projekt zlepšování kvality MIRA Clinical Learning Environment (MIRACLE) má v úmyslu využít platformu MIRA k vývoji automatizovaných klinických kanálů pro řešení tří specifických studijních cílů:

Identifikovat pacienty s rakovinou plic s nediagnostikovaným základním zánětlivým onemocněním plic (ILD) z diagnostických snímků před léčbou

Odhadnout rychlost růstu nádoru u jednotlivých pacientů mezi diagnostickými snímky a snímky plánování léčby (specifická rychlost růstu, SGR)

Poskytnout každému pacientovi odhad rizika toxicity dynamické radiační léčby pomocí informací o plánování radiační léčby a zároveň průběžně aktualizovat odhady rizik pomocí denních snímků počítačové tomografie s kuželovým paprskem (CBCT), které se běžně získávají před každou radiační léčbou.

MIRACLE je bezpečně propojen s aktivními úložišti klinických dat a má potenciál přímo ovlivňovat každodenní rozhodnutí o léčbě rakoviny tím, že stávající zobrazovací data budou dohledatelná, rychle dostupná, interoperabilní a znovu použitelná pro klinickou i výzkumnou analýzu koncovými uživateli, včetně lékařů pečujících o rakovinu plic. pacientů a výzkumníků rakoviny. To usnadňuje hodnocení nových výzkumných nálezů zobrazovacích metod u velkého počtu pacientů pro klinické a výzkumné použití. Cílem projektu MIRACLE je konkrétně demonstrovat proveditelnost klinické implementace automatického spojování a analýzy klinických zobrazovacích dat spolu s klinickými výsledky; v konečném důsledku pomáhá poskytovat zdravotní péči založenou na hodnotě prostřednictvím lepšího výběru pacientů (ILD/SGR) a sledování/úpravy léčby za účelem snížení toxicity (CBCT).

Bude shromážděna zpětná vazba od zúčastněných radiačních onkologů, aby bylo možné posoudit proveditelnost a účinnost zobrazení specifických poznatků pacienta o zánětlivém onemocnění plic (ILD), specifické rychlosti růstu nádoru vyšší než 0,04 (SGR) a systému počítačové tomografie s kuželovým paprskem (CBCT). změny lékařů v místě péče. Analýza pomůže porozumět tomu, jak lékaři vnímají informace, které jim byly poskytnuty z modelu, pokud jde o predikci intersticiálních plicních onemocnění, změny SGR a plicní hustoty během období QI a zda lékaři změnili své rozhodnutí o datech, která již mají k dispozici v důsledku výzvy modelu. klasifikace rizika (tj. znovu zhodnotit nebo dále posoudit pacienty na změny ILD, SGR a CBCT na základě těch pacientů, které model zvýraznil jako pacienty s vyšším rizikem).