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

Neuartige datenwissenschaftliche und bildgebende Methoden zur Personalisierung der Pflege werden retrospektiv identifiziert und an vielen Zentren erforscht. Leider erfordern die meisten dieser Verfahren einen erheblichen manuellen Eingriff, um auf eine gegebene Patientensituation angewendet zu werden, und sind schwierig rechtzeitig anzuwenden, um die Behandlungsentscheidungen des Patienten zu beeinflussen. Die klinische Umsetzung der datenwissenschaftlichen Forschung erfordert automatisierte Pipelines, die so in den gesamten Behandlungspfad eingebunden sind, dass die Datenanalyse in Echtzeit erleichtert und die translationale Forschung ermöglicht wird.

Der aktuelle Prozess für klinische/translationale Forscher innerhalb des Princess Margaret Hospital (PM)/University Health Network (UHN) zur Analyse von Bilddaten umfasst eine umfangreiche manuelle Pflege, die aus Interaktionen mit elektronischen Datenbanken und Analysetools besteht, um: Patienten mit Bilddaten zu identifizieren; diese Daten sammeln; interessierende Ziele manuell abgrenzen (Minuten bis Stunden pro Patient); Analysieren von Zielen basierend auf manuell ausgewählten Bildern; und korrelieren dann die analysierten Bilder mit klinischen Informationsquellen (z. Ergebnisse oder korrelative Daten). So stoßen Projekte mit großen Patientenzahlen oft auf unüberwindbare Hürden, die die Forschungsproduktivität einschränken.

MIRA (ein intern entwickeltes Programmier-Toolkit) löst ein allgemeines Problem für alle Forscher am PM/UHN, die sich mit Diagnose, Strahlentherapie-Behandlungsplanung und/oder Bildgebung während der Behandlung befassen, indem es eine konsistente automatisierte Analyseumgebung für diese Daten bereitstellt. MIRA verbessert auch ethisch genehmigte Studien durch eine direkte Verknüpfung mit klinischen Echtzeitdaten, einschließlich diagnostischer Bildgebung durch die Zusammenarbeit mit der gemeinsamen Abteilung für medizinische Bildgebung, Informationen zur Behandlungsplanung für radioonkologische Behandlungen und tägliche radionkologische Bildgebung während der Behandlung. Das Qualitätsverbesserungsprojekt MIRA Clinical Learning Environment (MIRACLE) beabsichtigt, die MIRA-Plattform zu nutzen, um automatisierte klinische Pipelines zu entwickeln, um drei spezifische Studienziele zu erreichen:

Identifizierung von Lungenkrebspatienten mit nicht diagnostizierter entzündlicher Lungenerkrankung (ILD) anhand von diagnostischen Bildern vor der Behandlung

Schätzung der Tumorwachstumsrate einzelner Patienten zwischen Diagnose- und Behandlungsplanungsbildern (spezifische Wachstumsrate, SGR)

Bereitstellung einer Schätzung des Toxizitätsrisikos der dynamischen Strahlenbehandlung für jeden Patienten anhand von Informationen zur Planung der Strahlenbehandlung bei gleichzeitiger kontinuierlicher Aktualisierung der Risikoschätzungen unter Verwendung täglicher Kegelstrahl-Computertomographie (CBCT)-Bilder, die routinemäßig vor jeder Strahlenbehandlung erstellt werden.

MIRACLE ist sicher mit aktiven klinischen Datenspeichern verknüpft und hat das Potenzial, tägliche Krebsbehandlungsentscheidungen direkt zu beeinflussen, indem vorhandene Bildgebungsdaten für klinische und Forschungsanalysen durch Endbenutzer, einschließlich der Ärzte, die sich mit Lungenkrebs befassen, auffindbar, schnell zugänglich, interoperabel und wiederverwendbar gemacht werden Patienten und Krebsforscher. Dies erleichtert die Auswertung neuartiger Forschungsergebnisse aus der Bildgebung bei einer großen Patientenzahl für klinische und Forschungszwecke. Das Ziel des MIRACLE-Projekts ist es, speziell die Machbarkeit der klinischen Implementierung der automatischen Verknüpfung und Analyse klinischer Bildgebungsdaten neben dem klinischen Ergebnis zu demonstrieren; letztendlich zur Bereitstellung einer wertorientierten Gesundheitsversorgung durch bessere Patientenauswahl (ILD/SGR) und Überwachung/Anpassung der Behandlung zur Verringerung der Toxizität (CBCT).

Feedback von den teilnehmenden Radioonkologen wird eingeholt, um die Machbarkeit und Wirksamkeit der Darstellung patientenspezifischer Erkenntnisse für entzündliche Lungenerkrankungen (ILD), eine spezifische Tumorwachstumsrate von mehr als 0,04 (SGR) und ein Kegelstrahl-Computertomographiesystem (CBCT) zu bewerten. Änderungen für Kliniker am Point of Care. Die Analyse hilft zu verstehen, wie Kliniker die ihnen vom Modell bereitgestellten Informationen in Bezug auf ILD-Vorhersage, SGR und Änderungen der Lungendichte während der QI-Periode wahrnehmen und ob Kliniker ihre Entscheidung über ihnen bereits verfügbare Daten aufgrund der vom Modell veranlassten Änderung geändert haben Risikoklassifizierung (d. h. erneute Überprüfung oder weitere Beurteilung von Patienten auf ILD-, SGR- und CBCT-Veränderungen basierend auf den Patienten, die vom Modell als risikoreicher eingestuft wurden).