I3LUNG: Integrativ videnskab, intelligent dataplatform for individualiseret lungekræftbehandling med immunterapi

I3LUNG-projektet har til formål at opnå den højeste ydeevne inden for personlig medicin gennem kunstig intelligens/maskinlæring (AI/ML) modelleret på multimodale patienters data, sammen med implementering af en AI/ML-model i en virkelighed. Et sæt patientcentrerede ML-værktøjer designet og valideret til projektet, som gør brug af den nye virtuelle patient AVATAR-entitet til at forudsige progression og resultat. For at maksimere dens indvirkning vil brugen af ​​pålidelig forklarlig AI-metodologi integrere AI's iboende præstationer med input fra menneskelig intuition for at konstruere en ansvarlig AI-applikation, der er i stand til fuldt ud at implementere virkelig individualiserede behandlingsbeslutninger i NSCLC, der kan fortolkes og troværdige for klinikere. Det endelige mål er etableringen af ​​en Worldwide Data Sharing and Elaboration Platform (DSEP). DSEP vil give vejledende værktøjer til patienter, der giver information til at skabe opmærksomhed om behandlinger. Endelig giver det forskere og det generelle videnskabelige samfund adgang til de mest opdaterede datakilder om NSCLC.

Inden for I3LUNG-projektet vil der blive udviklet en ad-hoc IPDAS til NSCLC-patienter. Patientbeslutningshjælpemidler er værktøjer, der kan bruges af patienter enten før eller inden for en konsultation med læger. Patientbeslutningshjælpemidler repræsenterer eksplicit den beslutning, der skal træffes, og giver patienterne brugervenlig information om hver behandlingsmulighed ved at fokusere på skader og fordele. Dette værktøj kunne give patienterne mulighed for at forklare og afklare den høje kompleksitet af informationen fra AI/ML-tilgangen. Disse beslutningsstøttesystemer har vist sig at være effektive til at styrke patienterne, forbedre deres viden, fremme deres aktive deltagelse i klinisk beslutningstagning om behandlinger og forbedre den overordnede patienttilfredshed med plejen, samtidig med at de mindsker beslutningskonflikter og beslutningsbeklagelse (26-30).

Endelig vil det inden for I3LUNG-projektet blive vurderet, om anvendelse af IPDAS under den kliniske konsultation vil fremme kvaliteten af ​​den fælles beslutningstagning samt kvaliteten af ​​læge-patient-kommunikationen. Sideløbende med evalueringen af ​​effekten af ​​IPDAS, vil det også blive evalueret, om inddragelsen af ​​AI/ML prædiktive modeller i klinisk praksis vil være merværdi i at understøtte onkologers kliniske beslutningstagning og mindske kognitiv træthed og beslutningskonflikt.

I3LUNG anvender en tostrenget tilgang til at udvikle et medicinsk udstyr gennem skabelse og validering af retrospektive og prospektive AI-baserede modeller til at forudsige immunterapieffektivitet for NSCLC-patienter ved hjælp af integration af multikildedata (rigtige ord og multi-omics-data) gennem en retrospektiv - oprettelse af en transnational platform af tilgængelige data fra 2000 patienter - og en prospektiv - multi-omics prospektiv dataindsamling i 200 NSCLS patienter - undersøgelsesfase.

Den retrospektive del af I3LUNG-projektet omfatter analysen af ​​en multicentrisk retrospektiv kohorte på mere end 2.000 patienter. Denne kohorte vil blive brugt til at udføre en foreløbig videnudvindingsfase og til at bygge en retrospektiv prædiktiv model for IO (R-Model), som vil blive brugt i den prospektive undersøgelsesfase til at skabe en første version af PDSS-værktøjet, et AI-baseret værktøj til at give en nem og klar-til-brug adgang til forudsigende modeller, øge plejehensigtsmæssighed, reducere de negative virkninger af langvarige og giftige behandlinger på velvære og sundhedsomkostninger. Der vil også blive indsamlet CT- og PET-scanninger, og en første radiomisk signatur vil blive oprettet for at fodre R-modellen.

Den prospektive del af projektet omfatter indsamling og analyse af multi-OMICs data fra en multicentrisk prospektiv kohorte på omkring 200 patienter. Denne kohorte vil blive brugt til at validere resultaterne opnået fra den retrospektive model gennem oprettelsen af ​​en ny model (P-Model), som vil blive brugt til at skabe det endelige PDSS-værktøj.