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

Ny datavidenskab og billeddannelsesbaserede metoder til at tilpasse pleje bliver identificeret retrospektivt og udforsket på mange centre. Desværre kræver de fleste af disse metoder betydelig manuel indgriben for at kunne anvendes i en given patientsituation og er vanskelige at implementere rettidigt for at påvirke patientbehandlingsbeslutninger. Klinisk implementering af datavidenskabelig forskning vil kræve automatiserede pipelines, der er bundet ind i hele behandlingsforløbet på måder, der letter dataanalyse i realtid og muliggør translationel forskning.

Den nuværende proces for kliniske/translationelle forskere inden for Princess Margaret Hospital (PM)/University Health Network (UHN) til at analysere billeddannelsesdata involverer omfattende manuel kuration bestående af interaktioner med elektroniske databaser og analyseværktøjer for at: identificere patienter med billeddata; indsamle disse data; afgrænse mål af interesse manuelt (minutter-til-timer pr. patient); analysere mål baseret på manuelt valgte billeder; og korreler derefter de analyserede billeder med kliniske informationskilder (f.eks. resultater eller korrelative data). Projekter med stort patientantal støder således ofte på uoverstigelige forhindringer, der begrænser forskningsproduktiviteten.

MIRA (et internt udviklet programmeringsværktøjssæt) løser et fælles problem for alle forskere ved PM/UHN, der studerer diagnostisk, strålebehandlingsplanlægning og/eller billeddannelse under behandling ved at levere et konsekvent automatiseret analysemiljø for disse data. MIRA forbedrer også etikgodkendte undersøgelser med direkte kobling til kliniske data i realtid, herunder billeddiagnostik via samarbejde med Joint Department of Medical Imaging, information om planlægning af stråleonkologisk behandling og daglig stråleonkologisk billedbehandling under behandling. MIRA Clinical Learning Environment (MIRACLE) kvalitetsforbedringsprojekt har til hensigt at bruge MIRA-platformen til at udvikle automatiserede kliniske pipelines for at imødekomme tre specifikke undersøgelsesmål:

At identificere lungekræftpatienter med udiagnosticeret underliggende inflammatorisk lungesygdom (ILD) fra diagnostiske billeder før behandling

At estimere individuelle patienters tumorvæksthastighed mellem diagnostiske og behandlingsplanlægningsbilleder (specifik vækstrate, SGR)

For at give hver patient et estimat af toksicitetsrisikoen for dynamisk strålebehandling ved hjælp af strålebehandlingsplanlægningsinformation, samtidig med at risikoestimaterne løbende opdateres ved hjælp af daglige keglestrålecomputertomografi (CBCT) billeder, der rutinemæssigt tages før hver strålebehandling.

MIRACLE er sikkert forbundet med aktive kliniske datalagre og har potentiale til direkte at påvirke daglige beslutninger om kræftbehandling ved at gøre eksisterende billeddata tilgængelige, hurtigt tilgængelige, interoperable og genanvendelige til både kliniske og forskningsmæssige analyser af slutbrugere, herunder læger, der tager sig af lungekræft. patienter og kræftforskere. Dette letter evaluering af nye billeddiagnostiske forskningsresultater i et stort patientantal til klinisk og forskningsmæssig brug. MIRACLE-projektets mål er specifikt at demonstrere den kliniske implementerings gennemførlighed af automatisk at linke og analysere klinisk billeddannelsesdata sammen med kliniske resultater; i sidste ende at hjælpe med at levere værdibaseret sundhedspleje via bedre patientudvælgelse (ILD/SGR) og overvågning/justering af behandling for at mindske toksicitet (CBCT).

Feedback fra de deltagende stråleonkologer vil blive indsamlet for at vurdere gennemførligheden og effektiviteten af ​​at vise patientspecifik indsigt for inflammatorisk lungesygdom (ILD), en specifik tumorvæksthastighed større end 0,04 (SGR) og keglestrålecomputertomografisystem (CBCT) ændringer til klinikere på plejestedet. Analysen vil hjælpe med at forstå klinikeres opfattelse af information givet til dem fra modellen vedrørende ILD-forudsigelse, SGR og lungetæthedsændringer over QI-perioden, og om klinikere ændrede deres beslutning om data, der allerede er tilgængelige for dem som følge af den modelbaserede risikoklassificering (dvs. at revurdere eller yderligere vurdere patienter for ILD-, SGR- og CBCT-ændringer baseret på de patienter, som modellen fremhæver som værende højere risiko).