Avatares humanos digitales multiómicos de cáncer de pulmón para integrar la medicina de precisión en la práctica clínica (LANTERN)

Inscripción de pacientes y recopilación de datos ómicos El objetivo de este WP es recopilar información de todas las fuentes de datos clínicos y basados ​​en ómicos considerados clínicamente significativos para el apoyo a la toma de decisiones en el flujo de trabajo integral de diagnóstico y terapia del cáncer de pulmón. Se desarrollará un sistema terminológico estructurado para la recolección prospectiva de datos a través de Formularios de Informe de Caso (CRF) específicos.

Los pacientes serán inscritos por los centros de inscripción de investigación dedicados y los datos obtenidos de las cinco variables basadas en ómicas se recopilarán y registrarán en una base de datos segura.

Interacción y archivo de datos ómicos El principal objetivo de este paquete de trabajo es permitir la integración completa de los datos en los sistemas de archivo nuevos y existentes y garantizar un uso y un intercambio fáciles y efectivos de los datos ómicos recopilados.

Todos los datos recopilados que representan los diferentes dominios ómicos considerados se registrarán de acuerdo con una ontología común compartida. La ontología general compartida representará un sistema terminológico estructurado para el archivo y análisis de datos donde todos los diferentes dominios ómicos se registrarán en un eCRF específico, asegurando la coherencia de todas las variables de datos recopilados. Finalmente, los datos recopilados relacionados con la ómica se someterán a un análisis radiómico y luego se extraerán las características radiómicas.

Modelado de datos ómicos, creación y validación de avatar humano digital (DHA)

Este WP se centra en el desarrollo de modelos predictivos precisos (mediante la creación de avatares humanos digitales (DHA)) y en su validación. El propósito de este WP es identificar biomarcadores primarios efectivos, armonizarlos a través de modelos estadísticos compactos y, posteriormente, crear DHA específicos para cada paciente que serán únicos para cada paciente. Planeamos integrar todos los datos ómicos antes mencionados en modelos predictivos que representarán la base para un sistema integrado de soporte de decisiones de cáncer de pulmón totalmente personalizado e innovador. Este WP se divide en tres fases:

Fase 1: Identificación y selección de características ómicas Fase 2: Desarrollo de modelo predictivo y creación de DHA Fase 3: Modelo predictivo y validación de DHA

Identificación y selección de características ómicas:

En el primer paso, un análisis exploratorio de todos los conjuntos de datos recopilados de una estimación de ≈ 240 pacientes con NSCLC permitirá el inicio del proceso de identificación de biomarcadores y restringirá la cantidad de información proyectada hacia un grupo más seleccionado de biomarcadores potenciales. Esta primera fase empleará técnicas robustas de análisis de datos para identificar variables relevantes en un entorno univariado, teniendo en cuenta las distribuciones estadísticas individuales, las correlaciones de características relevantes y las estadísticas descriptivas generales.

Desarrollo de modelos predictivos y creación de DHA:

El objetivo de la segunda fase es crear múltiples modelos multivariantes distintos pero modulares que serán entrenados a través de técnicas avanzadas de ML e IA, segmentados en áreas modulares específicas de interés y la posterior creación del DHA. Se desarrollarán diferentes modelos supervisados ​​que incluyen regresión logística, árbol de decisión, máquina de vectores de soporte, bosque aleatorio, clasificador XGBoost y redes neuronales artificiales. La validación cruzada de k-fold se utilizará para el ajuste de hiperparámetros y se realizará una comparación estadísticamente significativa del rendimiento de los modelos ML. Esto se hará para evaluar los desempeños predictivos basados ​​en la exactitud (número de sujetos clasificados correctamente sobre el número total de pacientes) y la precisión (positivo verdadero sobre el total de pruebas positivas, recuerdo (sensibilidad), puntuación F1 (2*precisión*recuerdo/(precisión +recordar)) y AUC-ROC.

La creación de DHA implicará la integración de algoritmos específicos en la canalización de extracción de datos para limpiar y reestructurar el flujo de datos, mientras se aplican tecnologías de procesamiento de lenguaje natural y minería de texto a los textos no estructurados. Los resultados de este preprocesamiento luego se recodificarán a través de una ontología específicamente asignada para revelar duplicados. Esto conduce a la creación de data Marts que se actualizarán continua y automáticamente con nuevos datos. En función de los datos disponibles ya procesados, el algoritmo desarrollado y su infraestructura subyacente se utilizarán para clasificar las entradas de datos de pacientes recientemente actualizadas por parte de los médicos que utilizan la interfaz. Los datos resultantes presentados a través de la interfaz dinámica permiten la exploración exhaustiva de los datos del paciente agregados previamente que ya están presentes en la base de datos, para inferir el mejor curso de acción basado en los datos históricos y la experiencia del médico. Esto conducirá a un flujo de trabajo de exploración más generalizado que actuará como un generador de hipótesis para el usuario, a través de la agrupación de información basada en criterios personalizados, generando así un análisis exploratorio de los datos disponibles.

Los investigadores estiman que aproximadamente 300 casos de NSCLC con datos completos serán adecuados para iniciar este proceso. Tanto la facilidad de uso como la explicabilidad del modelo servirán como el estándar principal de las estrategias de desarrollo del modelo. Se adjuntarán a cada modelo valores fácilmente interpretables, como los valores SHAP (SHapley Additive exPlanations), para evitar cualquier enfoque de caja negra que pueda dificultar la explicación de los resultados del modelo a los pacientes durante sus interacciones con los médicos.

Validación del modelo predictivo y DHA: tanto el modelo desarrollado como el DHA integral se validarán para probar su robustez, transferibilidad y generalización. Se emplearán dos estrategias de validación consecutivas respectivamente: las técnicas de validación interna y externa. Estimamos un número total de aproximadamente 420 casos de NSCLC para iniciar el proceso de validación. Este proceso incluirá tanto la validación interna como la externa.