I3LUNG: Integrative Wissenschaft, intelligente Datenplattform für die individualisierte Behandlung von Lungenkrebs mit Immuntherapie

Das I3LUNG-Projekt zielt darauf ab, die höchste Leistung in der personalisierten Medizin durch künstliche Intelligenz/maschinelles Lernen (KI/ML) zu erreichen, das auf multimodalen Patientendaten basiert, zusammen mit der Implementierung eines KI/ML-Modells in einer realen Umgebung. Eine Reihe patientenzentrierter ML-Tools, die für das Projekt entwickelt und validiert wurden und die die neuartige AVATAR-Entität des virtuellen Patienten zur Vorhersage von Fortschritt und Ergebnis nutzen. Um ihre Wirkung zu maximieren, wird die Verwendung der vertrauenswürdigen erklärbaren KI-Methodik die inhärenten Leistungen der KI mit dem Input der menschlichen Intuition integrieren, um eine verantwortungsbewusste KI-Anwendung zu konstruieren, die in der Lage ist, wirklich individualisierte Behandlungsentscheidungen bei NSCLC vollständig umzusetzen, die für Kliniker interpretierbar und vertrauenswürdig sind. Das Endziel ist die Einrichtung einer weltweiten Datenaustausch- und -verarbeitungsplattform (DSEP). Das DSEP wird Leitlinien für Patienten bereitstellen und Informationen bereitstellen, um das Bewusstsein für Behandlungen zu schärfen. Schließlich bietet es Forschern und der allgemeinen wissenschaftlichen Gemeinschaft Zugang zu den aktuellsten Datenquellen zu NSCLC.

Im Rahmen des I3LUNG-Projekts wird ein Ad-hoc-IPDAS für NSCLC-Patienten entwickelt. Patientenentscheidungshilfen sind Werkzeuge, die von Patienten entweder vor oder während einer Konsultation mit Ärzten verwendet werden können. Entscheidungshilfen für Patienten stellen explizit die zu treffende Entscheidung dar und bieten Patienten benutzerfreundliche Informationen zu jeder Behandlungsoption, indem sie sich auf Schaden und Nutzen konzentrieren. Dieses Tool könnte es Patienten ermöglichen, die hohe Komplexität der Informationen zu erklären und zu verdeutlichen, die durch den KI/ML-Ansatz bereitgestellt werden. Diese Entscheidungsunterstützungssysteme haben sich als wirksam erwiesen, um Patienten zu stärken, ihr Wissen zu verbessern, ihre aktive Teilnahme an der klinischen Entscheidungsfindung über Behandlungen zu fördern und die allgemeine Patientenzufriedenheit mit der Pflege zu verbessern, während Entscheidungskonflikte und Entscheidungsbedauern verringert werden (26-30).

Schließlich wird im Rahmen des I3LUNG-Projekts bewertet, ob die Verwendung des IPDAS während der klinischen Konsultation die Qualität der gemeinsamen Entscheidungsfindung sowie die Qualität der Arzt-Patienten-Kommunikation fördern würde. Neben der Bewertung der Auswirkungen des IPDAS wird auch bewertet, ob die Einbeziehung der KI/ML-Vorhersagemodelle in die klinische Praxis einen Mehrwert bei der Unterstützung der klinischen Entscheidungsfindung von Onkologen und der Verringerung von kognitiver Ermüdung und Entscheidungskonflikten bringt.

I3LUNG verfolgt einen zweigleisigen Ansatz zur Entwicklung eines Medizinprodukts durch die Erstellung und Validierung von retrospektiven und prospektiven KI-basierten Modellen zur Vorhersage der Wirksamkeit der Immuntherapie für NSCLC-Patienten unter Verwendung der Integration von Daten aus mehreren Quellen (Echtwort- und Multi-Omics-Daten) durch eine Retrospektive - Einrichtung einer transnationalen Plattform verfügbarer Daten von 2000 Patienten - und einer prospektiven - prospektiven Multi-Omics-Datenerhebung bei 200 NSCLS-Patienten - Studienphase.

Der retrospektive Teil des I3LUNG-Projekts umfasst die Analyse einer multizentrischen retrospektiven Kohorte von mehr als 2.000 Patienten. Diese Kohorte wird verwendet, um eine vorläufige Wissensextraktionsphase durchzuführen und ein retrospektives Vorhersagemodell für IO (R-Modell) zu erstellen, das in der prospektiven Studienphase verwendet wird, um eine erste Version des PDSS-Tools zu erstellen, ein KI-basiertes Werkzeug, um einen einfachen und gebrauchsfertigen Zugang zu Vorhersagemodellen zu bieten, die Angemessenheit der Pflege zu erhöhen und die negativen Auswirkungen von langwierigen und toxischen Behandlungen auf das Wohlbefinden und die Gesundheitskosten zu reduzieren. Außerdem werden CT- und PET-Scans gesammelt und eine erste radiomische Signatur erstellt, um das R-Modell zu füttern.

Der prospektive Teil des Projekts umfasst die Erhebung und Analyse von Multi-OMICs-Daten einer multizentrischen prospektiven Kohorte von etwa 200 Patienten. Diese Kohorte wird verwendet, um die Ergebnisse des retrospektiven Modells durch die Erstellung eines neuen Modells (P-Modell) zu validieren, das zur Erstellung des endgültigen PDSS-Tools verwendet wird.