En kohorte for inflammatoriske luftvejssygdomme: Fra fænotypning til personlig medicin (PALMIRE)

Kohorten for inflammatoriske luftvejssygdomme: fra fenotypering til personlig medicin (PALMIRE-projektet) er en monocentrisk undersøgelse udført på universitetshospitalet i Reims, Frankrig.

Studiepopulation:

Voksne patienter (>18 år) fulgt på universitetshospitalet i Reims og diagnosticeret med astma, KOL, bronkiektasier, CF, PCD og IPF vil blive overvejet til inklusion. Patienter vil underskrive informeret samtykke til inklusion. Eksklusionskriterier inkluderer "personer beskyttet af loven" som krævet af de franske myndigheder. Kontrolpatienter uden luftvejssygdomme efter klinisk og lungefunktionstestvurdering vil også blive inkluderet. Det forventede antal inkluderede patienter er 470 (Astma, n=100; KOL, n=150; bronkiektasier, n=50; CF, n=60; PCD, n=30; ILD, n=30; kontroller, n=50). Inkludering vil blive gennemført i 60 måneder fra juli 2025 til juli 2030.

Studieprocedure:

For alle inkluderede astma-, KOL-, bronkiektasie-, CF-, PCD- og IPF-patienter vil data blive registreret ved inklusion og ved opfølgende besøg i 10 år. Patienter vil blive fulgt op som sædvanlig pleje uden specifik terapeutisk intervention. For kontrolpatienter vil data blive registreret ved inklusion uden opfølgning.

De registrerede data vil inkludere demografi, historie for luftvejssygdom og komorbiditeter, respiratoriske symptomer, resultater af lungefunktionstest og CT-scanning, mikrobiologiske og patologiske karakteristika af respiratoriske prøver når udført.

Dataanalyse:

Data vil blive registreret i en centraliseret anonymiseret database. Patienternes karakteristika vil blive beskrevet som middelværdi og standardafvigelse for kvantitative data og som antal og procenter for kvalitative data. Sammenligninger og associationer mellem grupper og variable vil blive analyseret med Student, Wilcoxon, Chi2, Fischer exact og Spearman test som anvendeligt. Et p<0,05 vil blive betragtet som signifikant. Multivariate og longitudinale statistiske modeller vil blive brugt til at identificere klynger af patienter med delte endotyper. Maskinlæringstilgange vil blive anvendt til at integrere multi-omiske data og generere prædiktive modeller for sygdomsforløb og behandlingsresponser.

Betydning:

Dette studie bør hjælpe med at forstå patogenesen og heterogeniteten af kroniske luftvejssygdomme bedre ved at integrere analysen af patienternes fænotypiske og endotypiske karakteristika.