Multi-omics digitální lidské avatary rakoviny plic pro integraci přesné medicíny do klinické praxe (LANTERN)

Zápis pacientů a sběr omických dat Cílem tohoto WP je shromáždit informace ze všech klinických a omických datových zdrojů, které jsou považovány za klinicky významné pro podporu rozhodování v komplexní diagnostice a léčebném postupu rakoviny plic. Bude vyvinut strukturovaný terminologický systém pro prospektivní sběr dat prostřednictvím specifických formulářů pro hlášení případů (CRF).

Pacienti budou zapsáni do specializovaných výzkumných registračních center a data získaná z pěti proměnných založených na omics budou shromážděna a zaznamenána do zabezpečené databáze.

Archivace dat Omics a interaktivita Hlavním cílem tohoto WP je umožnit úplnou integraci dat do stávajících i nových archivačních systémů a zajistit snadné a efektivní použití a sdílení shromážděných dat omics.

Všechna shromážděná data představující různé uvažované omické domény budou zaznamenány podle sdílené společné ontologie. Sdílená obecná ontologie bude představovat strukturovaný terminologický systém pro archivaci a analýzu dat, kde budou všechny různé omické domény zaznamenány ve specifickém eCRF, což zajistí koherenci pro všechny shromážděné datové proměnné. Nakonec budou shromážděná data související s omiky podrobena radiomické analýze a radiomické vlastnosti budou poté extrahovány.

Omics datové modelování, vytvoření a ověření digitálního lidského avatara (DHA).

Tento WP je zaměřen na vývoj přesných prediktivních modelů (vytvořením digitálních lidských avatarů (DHA)) a na jejich validaci. Účelem tohoto WP je identifikovat účinné primární biomarkery, harmonizovat je prostřednictvím kompaktních statistických modelů a následně vytvořit pro pacienta specifické DHA, které budou jedinečné pro každého pacienta. Plánujeme integrovat všechna výše uvedená omická data do prediktivních modelů, které budou představovat základ pro plně personalizovaný a inovativní integrovaný systém podpory rozhodování o rakovině plic. Tento WP je rozdělen do tří fází:

Fáze 1: Identifikace a výběr funkcí Omics Fáze 2: Vývoj prediktivního modelu a vytvoření DHA Fáze 3: Prediktivní model a ověření DHA

Identifikace a výběr funkcí Omics:

V prvním kroku průzkumná analýza napříč všemi shromážděnými datovými soubory z odhadu ≈ 240 pacientů s NSCLC umožní zahájení procesu identifikace biomarkerů a omezí množství informací na vybranější soubor potenciálních biomarkerů. Tato první fáze bude využívat robustní techniky analýzy dat za účelem identifikace relevantních proměnných v jednorozměrném prostředí, přičemž se vezmou v úvahu jednotlivé statistické distribuce, korelace relevantní pro rysy a obecné popisné statistiky.

Vývoj prediktivního modelu a tvorba DHA:

Cílem druhé fáze je vytvořit více odlišných, ale modulárních vícerozměrných modelů, které budou trénovány pomocí pokročilých technik ML a AI, rozdělených do specifických modulárních oblastí zájmu a následného vytvoření DHA. Budou vyvinuty různé kontrolované modely včetně logistické regrese, rozhodovacího stromu, podpůrného vektorového stroje, náhodného lesa, klasifikátoru XGBoost a umělých neuronových sítí. K-násobná křížová validace bude použita pro ladění hyperparametrů a bude provedeno statistické srovnání významnosti výkonnosti ML modelů. To bude provedeno za účelem vyhodnocení prediktivních výkonů na základě přesnosti (počet subjektů správně klasifikovaných na celkovém počtu pacientů) a preciznosti (skutečně pozitivní na celkový pozitivní test, vyvolání (citlivost), skóre F1 (2*přesnost*vyvolání/(přesnost) +recall)) a AUC-ROC.

Vytvoření DHA bude zahrnovat integraci specifických algoritmů do potrubí pro extrakci dat pro vyčištění a restrukturalizaci toku dat, přičemž na nestrukturované texty budou aplikovány technologie dolování textu a zpracování přirozeného jazyka. Výsledky tohoto předběžného zpracování budou poté překódovány prostřednictvím specificky přiřazené ontologie, aby se odhalily duplikáty. To vede k vytvoření datových Martů, které budou průběžně a automaticky aktualizovány novými daty. Na základě již zpracovaných dostupných dat bude vyvinutý algoritmus a jeho podkladová infrastruktura použit ke klasifikaci nově aktualizovaných datových vstupů pacientů ze strany lékařů pomocí rozhraní. Výsledná data prezentovaná prostřednictvím dynamického rozhraní umožňují důkladné prozkoumání dříve přidaných údajů o pacientech již přítomných v databázi a odvodit nejlepší postup na základě historických dat a zkušeností lékaře. To povede k obecnějšímu pracovnímu postupu průzkumu, který bude pro uživatele fungovat jako generátor hypotéz, a to prostřednictvím shlukování informací na základě vlastních kritérií, čímž se vytvoří průzkumná analýza dostupných dat.

Vyšetřovatelé odhadují, že k zahájení tohoto procesu bude stačit přibližně 300 případů NSCLC s kompletními údaji. Jak uživatelská přívětivost, tak vysvětlitelnost modelu budou sloužit jako primární standard strategií vývoje modelu. Ke každému modelu budou připojeny snadno interpretovatelné hodnoty, jako jsou hodnoty SHAP (SHapley Additive exPlanations), aby se předešlo jakémukoli přístupu typu black-box, který by mohl ztěžovat vysvětlení výstupů modelu pacientům během jejich interakcí s lékaři.

Prediktivní model a validace DHA: Vyvinutý model i komplexní DHA budou validovány, aby se otestovala jejich robustnost, přenositelnost a zobecnění. Budou použity dvě po sobě jdoucí validační strategie: interní a externí validační techniky. Odhadujeme celkový počet přibližně 420 případů NSCLC pro zahájení procesu validace. Tento proces bude zahrnovat interní i externí validaci.