AIRCARE (Luftforurening og Kræftforskningens Økosystem): Center for Avanceret Forskning i Miljøsundhed og Risiko for Lungekræft (AIRCARE)

1. At undersøge sammenhængen mellem PM 2,5 og lungecancerrisiko med fokus på individuelle og kumulative effekter samt den multiplikative interaktion af luftforurening med andre risikofaktorer for lungecancer.
   Metodologi - Studiedesign En kombination af et prospektivt kohortestudie og et case-kontrolstudie vil blive anvendt.
   Den prospektive kohorte vil etablere den tidsmæssige sammenhæng mellem luftforureningseksponering og lungecancerincidens.
   Case-kontrolstudiet vil muliggøre detaljeret eksponeringsvurdering og biomarkøranalyse inden for en del af kohorten.
   Case-kontrolstudiet vil også blive brugt til at udforske gen-miljø-interaktioner og detaljerede eksponeringsvurderinger.

   Prospektive og retrospektive data fra eksisterende patientjournaler, miljøovervågningsstationer og kohorten vil blive brugt.
   Den kliniske arbejdsgang for de indskrevne deltagere vil blive udført i henhold til en standardiseret formular (vedhæftet i yderligere dokumenter), som vil indeholde emner vedrørende deltagerdemografi, arbejds- og eksponeringshistorie, sygehistorie, tobakshistorie, alkoholhistorie, familiehistorie, allergihistorie, tidligere historie med kroniske medicinske tilstande og historie vedrørende ikke-kirurgisk behandling af kroniske medicinske tilstande.
   I en longitudinel kohorte vil deltagerne blive fulgt over 3 år med gentagne eksponeringsvurderinger og overvågning af sundhedsresultater.
   Lungecancertilfælde diagnosticeret inden for kohorten vil blive matchet til kontroller baseret på alder, køn og bopælsområde.
   Undersøgelsesområde Undersøgelsen vil blive gennemført på AIIMS, Delhi, og områder i Delhi og NCR med varierende niveauer af PM 2,5-eksponering og vil omfatte regioner med forskellige socioøkonomiske profiler og industrielle aktiviteter for at fange heterogeniteten af eksponering og risiko.
   Undersøgelsen vil blive gennemført inden for de samme geografiske områder som det overordnede AIRCARE-kohortestudie, der omfatter forskellige by- og periurbane regioner.
   Undersøgelsesområdet vil have varierende niveauer af luftforurening (PM2,5, VOC, NOx) og en divers fordeling af andre risikofaktorer (rygning, erhvervsmæssig eksponering, genetisk disposition) i Delhi og NCR med etableret luftkvalitetsovervågningsinfrastruktur og forskellige socioøkonomiske profiler.
   Stikprøvestørrelsesberegning og stikprøvestrategi Power-beregninger vil blive udført for at bestemme den nødvendige stikprøvestørrelse for at detektere en klinisk signifikant stigning i lungecancerrisiko forbundet med luftforureningseksponering.

   Under antagelse af en gennemsnitlig prævalens af lungecancer på 1,5% i Indien og odds på mindst 2 gange for høj PM 2,5-eksponering over normalområdet (>37 μg/m³) og et alfa-niveau på 0,05 med 80% styrke, estimerer vi at indskrive cirka 3230 deltagere (1615 lungecancertilfælde og 1615 kontroller).
   Vi vil bruge de diagnosticerede lungecancertilfælde fra ambulatoriet og Delhi Cancer Registry (DCR), og kontroller vil blive rekrutteret fra familiemedlemmer til lungecancerpatienter for at få en matchet befolkning med hensyn til PM 2,5-eksponering.
   Projektimplementeringsplan Tilfælde vil omfatte patienter med lungecancer (rygere og ikke-rygere), taget fra ambulatoriet og DCR-datasættet.
   Kontrol vil være familiemedlemmer til patienter med lungecancer (rygere og ikke-rygere).
   Det primære resultat vil blive målt i form af histologisk bekræftet incidens af lungecancer.
   Interaktionseffekterne mellem luftforurening (PM2,5) og andre risikofaktorer (rygning, alkoholforbrug, erhvervsmæssig eksponering, genetisk disposition) på lungecancerincidens og kumulativ risiko for lungecancer forbundet med kombineret eksponering for luftforurening og andre risikofaktorer vil blive evalueret.
   Sekundære resultater vil blive målt med effekten af interaktionseffekter på lungecancer histologiske undertyper, modifikation af lungecancerrisiko ved genetiske varianter i nærvær af luftforureningseksponering, ændringer i biomarkørprofiler forbundet med kombineret eksponering og synergistiske effekter af PM 2,5 og andre risikofaktorer.
   Design af statistisk analyse Eksponering for omgivende luftforurening vil blive kvantificeret ved brug af en kombination af satellitdata, jordbaseret overvågning og individuelle eksponeringsmålinger med en måling af PM2,5-koncentrationen.
   For kohortestudiet vil Cox proportionale hazards-modeller blive brugt til at estimere hazard ratios (HR) for lungecancerincidens og dødelighed forbundet med luftforureningseksponering.
   Tidsafhængige kovariater vil blive inkluderet for at tage højde for ændringer i eksponering over tid.
   Overlevelsesanalyse (Kaplan-Meier metode) vil blive brugt til at undersøge overlevelsesresultater.
   For case-kontrolstudiet vil logistisk regression blive brugt til at estimere odds ratio (OR) for lungecancer forbundet med detaljerede eksponeringsvurderinger og biomarkørniveauer.
   Analyse af interaktion mellem forureningsstoffer vil blive udført ved hjælp af interaktionsbetingelser i regressionsmodellerne.
   Følsomhedsanalyser vil blive gennemført for at vurdere robustheden af resultaterne over for potentielle confounders og eksponeringsmissklassifikation.
   Dosis-respons-sammenhænge mellem PM 2,5-eksponering og lungecancerrisiko vil blive undersøgt ved hjælp af kategoriske og kontinuerlige eksponeringsvariabler.
   Subgruppeanalyser vil blive gennemført for at undersøge effekten af luftforurening på lungecancerrisiko i forskellige demografiske undergrupper (fx alder, køn, rygestatus).

2. At udvikle og validere en risikobaseret stratificeringsmodel baseret på PM 2,5-eksponering til lungecancerscreening.
   Studiedesign Dette mål vil involvere udviklings- og valideringsfaser.
   I udviklingsfasen vil vi bruge et retrospektivt kohorte- eller et prospektivt kohortesæt til at udvikle en risikoprediktiv model.
   Denne proces vil bruge eksisterende data fra det igangværende kohortestudie eller historiske data fra kræftregistre og luftkvalitetsmålestationer.
   Den udviklede model vil blive eksternt valideret ved hjælp af et uafhængigt datasæt fra en geografisk distinkt population.

   Dette vil have en ny kohorte eller et separat datasæt, der vil blive indskrevet til prospektiv validering.
   Undersøgelsesområde Dette vil blive gennemført på AIIMS, Delhi, og områder med en varieret række af PM2,5-eksponeringsniveauer i Delhi og NCR.
   Vi vil have brug for en geografisk distinkt region inden for Indien med uafhængige data om PM2,5-eksponering og lungecancerincidens til valideringsformål.
   Denne region vil have demografiske og miljømæssige karakteristika, der adskiller sig fra det område, der studeres for lungecancerudvikling, for at sikre ekstern validitet.
   Stikprøvestørrelsesberegning og stikprøvestrategi For modeludvikling vil stikprøvestørrelsen blive bestemt baseret på antallet af lungecancertilfælde og kontroller tilgængelige i de retrospektive/prospektive datasæt.
   Under antagelse af en gennemsnitlig prævalens af lungecancer på 1,5% i Indien og odds på mindst 2 gange for høj PM 2,5-eksponering over normalområdet (>37 µg/m³) og et alfa-niveau på 0,05 med 80% styrke, estimerer vi at indskrive cirka 3230 deltagere (1615 lungecancertilfælde og 1615 kontroller).

   Stikprøvestrategi:

   For modeludvikling vil patienter med lungecancer på Dr BR Ambedkar Institute Rotary Cancer Hospital på AIIMS, Delhi og data fra Delhi Cancer Registry blive brugt.
   Projektimplementeringsplan Det primære resultat vil blive målt baseret på præstationen af risikostratificeringsmodellen i at forudsige lungecancerrisiko, vurderet ved areal under modtageroperationskarakteristik (AUROC) kurve, sensitivitet og specificitet ved foruddefinerede risikotærskler, samt ved hjælp af kalibreringsplots til at vurdere overensstemmelsen mellem forudset og observeret risiko.

   De sekundære resultater vil blive målt i form af modellens positive prædiktive værdi (PPV) og negative prædiktive værdi (NPV), modellens indvirkning på lungecancerdetektionsrater og stadieinddeling, samt modellens evne til korrekt at kategorisere risiko i foruddefinerede undergrupper.
   Design af statistisk analyse I modeludviklingsfaserne vil logistisk regression eller maskinlæringsalgoritmer (fx random forests, gradient boosting) blive brugt til at identificere prædiktorer for lungecancerrisiko, herunder PM2,5-eksponering, demografiske faktorer og andre relevante variabler.
   En risikoprædiktionsmodel vil blive udviklet ved hjælp af de valgte prædiktorer.
   Modellens præstation vil blive evalueret ved hjælp af interne valideringsteknikker, såsom bootstrapping.
   Den udviklede model vil blive anvendt på det uafhængige valideringsdatasæt.
   Modellens præstation vil blive vurderet ved at beregne AUROC, sensivitet, specificitet, PPV og NPV.

   Kalibreringsplots vil blive genereret for visuelt at vurdere overensstemmelsen mellem forudset og observeret risiko.
   Beslutningskurveanalyse vil blive gennemført for at evaluere modellens kliniske anvendelighed.
   Modellens præstation vil blive vurderet i foruddefinerede undergrupper, såsom alder, køn og rygestatus.
   Præstationen af PM2,5-baserede model vil blive sammenlignet med eksisterende retningslinjer for lungecancerscreening.
   Resultaternes robusthed over for potentielle confounders og eksponeringsmissklassifikation.
   Statistiske softwarepakker såsom R, SAS og Python vil blive brugt til dataanalyse.

3. At identificere biomarkører for PM 2,5-associeret lungecancer.
   Studiedesign I dette studie sigter vi mod at identificere unikke molekylære signaturer induceret af PM2,5-eksponering ved hjælp af næste-generations-sekventering (NGS).
   De to grupper, der anvendes i dette studie, vil være rygere og ikke-rygere.
   Den logiske antagelse er, at begge grupper har eksponering for PM 2,5.

   Rationalet bag designet er centreret omkring det faktum, at lungecancerspecifikke biomarkører påvist i ryger-gruppen primært vil kunne tilskrives rygning, mens dem, der påvises i ikke-ryger-gruppen, kan hjælpe med at identificere en ny signatur induceret af PM 2,5 i udvikling af lungecancer.
   Specifikt vil perifere blod mononukleære celler (PBMC'er) blive indsamlet fra både ikke-rygere og lungecancerpatienter for at undersøge virkningen af PM2,5-eksponering.
   PBMC'erne vil blive dyrket in vitro, hvilket muliggør ordentlig formering før eksponering for PM2,5-partikler.
   Til dette eksperiment vil PM2,5 blive anskaffet fra National Physical Laboratory.
   Disse fine partikulære stofprøver vil blive brugt til at eksponere de dyrkede PBMC'er for at simulere virkelige eksponeringsforhold.
   Efter eksponering vil vi udføre målrettet næste-generations-sekventering (NGS) for at profilere transkriptomændringerne i disse celler.
   Nøglefokus i dette studie er at identificere differentieret udtrykte gener (DEG'er) udløst af PM2,5-eksponering.
   Sammenligningen vil blive foretaget mellem responsen fra PBMC'er fra ikke-rygere og fra lungecancerpatienter.
   Mutationer såsom dem vedrørende EGFR og ROS er kendt i litteraturen at være forbundet med lungecancer.
   Den tilgang, der anvendes i det nuværende studiedesign, vil muliggøre generering af en distinkt molekylær signatur forbundet med PM2,5-eksponering, hvilket kan afsløre specifikke genetiske ændringer eller biomarkører relevante for både miljøeksponering og lungecancerpatogenese.
   Det endelige mål er at udvikle en PM2,5-specifik gensignatur, der kunne fungere som en potentiel biomarkør for eksponering eller sygdomsprogression.
   Dette studie kunne give afgørende indsigt i, hvordan PM2,5 påvirker genekspression forskelligt hos raske individer og lungecancerpatienter, potentielt bidrage til vores forståelse af miljømæssige påvirkninger på kræftudvikling.
   Undersøgelsesområde Dette vil blive gennemført på kræftcentret på AIIMS, Delhi, og vil omfatte de samme geografiske områder som det overordnede AIRCARE-kohortestudie med adgang til hospitalets faciliteter til lungecancerdiagnose og prøveindsamling.
   Stikprøvestørrelsesberegning og stikprøvestrategi Stikprøvestørrelsen vil blive taget baseret på gennemførlighed ved hjælp af ovennævnte kohorter.
   Perifere blodprøver fra både ikke-rygere og lungecancerpatienter vil blive indsamlet efter etisk godkendelse.
   PBMC-isolering og celletælling ved hjælp af et hæmocytometer eller en automatisk celletæller.
   Vi vil udføre en cellelevedygtighedsanalyse ved hjælp af Trypan Blue eller et lignende reagens for at sikre, at levedygtigheden er over 90%.
   PBMC-kultur vil blive sat op efterfulgt af PM 2,5-forberedelse og dispersion.
   PM 2,5 vil blive eksponeret for PBMC'er.
   RNA fra de indsamlede PBMC'er vil blive isoleret ved hjælp af et pålideligt RNA-ekstraktionskit (fx Qiagen RNeasy Kit eller lignende).

   Målrettet NGS vil blive udført.
   Vi vil bruge passende bioinformatikværktøjer til at identificere differentieret udtrykte gener (DEG'er) mellem PM2,5-eksponerede og kontrolgrupper, og sammenligninger mellem responserne fra PBMC'er fra ikke-rygere og lungecancerpatienter vil blive foretaget for at identificere forskelle i genekspression.
   Vi vil være i stand til at generere PM 2,5-signaturer efter identifikation af gener, der er konsekvent differentielt udtrykt på tværs af både ikke-rygere og lungecancerpatienter.
   Projektimplementeringsplan Primært resultat vil blive målt ved identifikation af biomarkører, der er signifikant associeret med luftforureningsrelateret lungecancer, og biomarkørernes prædiktive evne til at skelne mellem tilfælde og kontroller.
   Sekundære resultater vil blive målt i form af association mellem biomarkørniveauer og luftforureningseksponeringsniveauer, tidsmæssige ændringer i biomarkørniveauer forbundet med lungecancerudvikling, association mellem biomarkørniveauer og histologiske undertyper af lungecancer, anvendelighed af biomarkørpaneler til tidlig lungecancerdetektering, og evnen af biomarkørerne til at forudsige behandlingsrespons.
   Design af statistisk analyse Differentiel ekspressionsanalyse (fx t-tests, ANOVA) vil blive brugt til at identificere biomarkører, der er differentielt udtrykt mellem lungecancertilfælde og kontrolpersoner.
   Maskinlæringsalgoritmer (fx random forests, support vector machines) vil blive brugt til at identificere biomarkørpaneler, der nøjagtigt kan differentiere mellem tilfælde og kontroller.
   Sti-analyse vil blive brugt til at identificere biologiske veje forbundet med de identificerede biomarkører.
   Receiver operating characteristic (ROC) kurve-analyse vil blive brugt til at evaluere diagnostisk nøjagtighed af kandidatbiomarkørerne.
   Logistisk regression vil blive brugt til at vurdere association mellem biomarkørniveauer og lungecancerrisiko.
   Korrelationsanalyse vil blive brugt til at vurdere association mellem biomarkørniveauer og luftforureningseksponering.
   Mixed-effects-modeller vil blive brugt til at analysere longitudinelle ændringer i biomarkørniveauer.
   Overlevelsesanalyse vil blive brugt til at vurdere association mellem longitudinale biomarkørændringer og lungecancerudvikling.

   Statistiske softwarepakker såsom R, Python (scikit-learn) og specialiserede bioinformatikværktøjer vil blive brugt til dataanalyse.

4. At identificere sårbare populationer og vurdere deres modtagelighed for luftforureningsrelateret lungecancer.
   Studiedesign Dette vil primært anvende de eksisterende longitudinelle kohortemedlemmer.
   Et tværsnitsstudie vil blive gennemført blandt familiemedlemmer/slægtninge til højrisiko- eller lungecancerpatientkohorten.
   Dette vil omfatte patienter med en familiehistorie og kroniske lungesygdomme.
   En blandet metode-tilgang vil blive brugt til at vurdere interventionernes effektivitet.
   Undersøgelsesområde Undersøgelsen vil blive gennemført i de samme forskellige by- og periurbane områder som det overordnede AIRCARE-kohortestudie.
   Undersøgelsesområdet vil blive valgt for at sikre repræsentation af forskellige sårbare populationer, herunder børn og unge, ældre, individer med eksisterende luftvejssygdomme (fx astma, KOL) og individer med lav socioøkonomisk status.
   Stikprøvestørrelsesberegning og stikprøvestrategi Stikprøvestørrelsen vil blive taget baseret på gennemførlighed ved hjælp af ovennævnte kohorter.
   Den eksisterende longitudinelle kohorte vil blive brugt under sikring af repræsentation på tværs af forskellige eksponerings- og risikofaktorlag.
   Incidente lungecancertilfælde inden for kohorten vil blive identificeret, og kontroller vil blive matchet baseret på alder, køn, bopælsområde og, når det er muligt, rygehistorie.
   En del af kohorten vil blive udvalgt til genotypning med fokus på individer med ekstreme eksponeringsniveauer og/eller lungecancertilfælde og kontrolpersoner til genetiske interaktionsstudier.
   Projektimplementeringsplan Primært resultat vil blive målt med forskelle i lungecancerincidensrater på tværs af sårbare undergrupper, og hazard ratio for lungecancer forbundet med luftforureningseksponering i hver sårbar undergruppe.
   Sekundære resultater vil blive målt med forskelle i lungecancerdødelighedsrater på tværs af sårbare undergrupper, niveauer af biomarkører i sårbare undergrupper og påvirkning af socioøkonomiske faktorer på den øgede risiko.
   Design af statistisk analyse Cox proportionale hazards-modeller vil blive brugt til at estimere hazard ratio for lungecancer i hver sårbar undergruppe, med justering for potentielle confounders.
   Interaktionsbetingelser vil blive inkluderet i regressionsmodeller for at vurdere den modificerende effekt af sårbar populationsstatus på association mellem luftforurening og lungecancer.
   Stratificeret analyse vil blive brugt til at vurdere effekten af luftforurening inden for hver sårbar population.
   Chi-square-tests eller t-tests vil blive brugt til at sammenligne lungecancerincidensrater og andre resultatmål på tværs af sårbare undergrupper.
   Variansanalyse (ANOVA) vil blive brugt til at sammenligne kontinuerte resultatmål på tværs af flere sårbare undergrupper.
   Logistisk regression vil blive brugt til at vurdere association mellem sårbar populationsstatus og specifikke sundhedsresultater.
   Multipel lineær regression vil blive brugt til at analysere effekten af luftforurening på lungefunktion og biomarkørniveauer i udsatte undergrupper.
   Statistiske softwarepakker såsom R, SAS og Python vil blive brugt til dataanalyse.
   Omkostningseffektivitetsanalyse vil blive brugt til at vurdere interventionernes økonomiske konsekvenser.

Statistiske softwarepakker såsom SPSS, R og NVivo vil blive brugt til dataanalyse.

Kampagnematerialer i forhold til læsbarhed, kulturel kompetence og budskaber vil blive evalueret.