Tämä sivu käännettiin automaattisesti, eikä käännösten tarkkuutta voida taata. Katso englanninkielinen versio lähdetekstiä varten.

GENOMED4ALL: MDS-luokituksen ja ennusteen parantaminen tekoälyn avulla

tiistai 6. syyskuuta 2022 päivittänyt: Istituto Clinico Humanitas

Genominen ja henkilökohtainen lääketiede kaikille (GENOMED4ALL): tekoälyn soveltaminen tautien luokituksen ja ennusteen parantamiseen myelodysplastisessa oireyhtymässä.

Myelodysplastisia oireyhtymiä (MDS) esiintyy tyypillisesti vanhuksilla. Nykyinen sairausluokitusjärjestelmä ja ennustepisteet (International Prognostic Scoring System, IPSS) sisältävät rajoituksia, eivätkä useimmissa tapauksissa pysty keräämään luotettavaa ennustetietoa yksilötasolla. MDS-tutkimus on muuttunut nopeasti genomin karakterisoinnilla, ja on yhä enemmän todisteita siitä, että mutaatioseulonta voi lisätä merkittävää tietoa tällä hetkellä saatavilla oleviin ennustepisteisiin. Hankkeessa pyritään kehittämään tekoälyyn (AI) perustuvia ratkaisuja MDS-luokituksen ja ennusteen parantamiseksi yksilöllisen lääketieteen lähestymistavan avulla. Tiiviissä yhteistyössä harvinaisten hematologisten sairauksien eurooppalaisen referenssiverkoston (ERN-EuroBloodNet, FPA 739541) kanssa GENOMED4ALL:ssa on mukana useita kliinisiä kumppaneita verkostosta hyödyntäen samalla terveydenhuollon tietoja ja arkistoja, joita kerätään ja jotka sisältävät ERN-EuroBloodNetin edistämiä yhteentoimivuusstandardeja. keskusrekisteri, European Rare Blood Disorders Platform (ENROL, GA 947670).

Tutkimuksen yleiskatsaus

Tila

Aktiivinen, ei rekrytointi

Yksityiskohtainen kuvaus

Myelodysplastisia oireyhtymiä (MDS) esiintyy tyypillisesti vanhuksilla. Potilailla on perifeerisen veren sytopenia, ja ajan myötä osa näistä potilaista kehittyy akuutiksi myelooiseksi leukemiaksi (AML). MDS:n luonnollinen historia on heterogeeninen ulottuen tiloista, joiden elinajanodote on lähes normaali, AML:n lähellä oleviin muotoihin, ja siksi riskiin mukautettu hoitostrategia on pakollinen. Nykyiset ennustepisteet (Revised International Prognostic Scoring System, IPSS-R) sisältävät rajoituksia, eivätkä useimmissa tapauksissa pysty keräämään luotettavaa ennustetietoa yksilötasolla.

MDS-tutkimus on muuttunut nopeasti genomin karakterisoinnilla. Somaattisia mutaatioita esiintyy hematopoieettisten kantasolujen genomeissa alhaisella, mutta havaittavalla taajuudella normaalin DNA:n replikaation aikana. Mikä tahansa geneettinen muutos, joka aiheuttaa selektiivisen edun muihin itsestään uusiutuviin soluihin verrattuna, johtaa klonaaliseen dominanssiin (klonaalinen hematopoieesi, CH). CH:n seurauksena on genominen epävakaus, mikä lisää riskiä hankkia lisämutaatioita ja kehittää MDS:ää, kiinteää syöpää ja muita sairauksia. Yksittäisten mutaatioiden aika ja paikka sekä niiden klooninen ilmaantuminen taudin aikana ovat keskeisiä kysymyksiä MDS-patogeneesin ja -fenotyypin paremman ymmärtämisen ja syövän ehkäisystrategioiden kehittämisen kannalta.

MDS:n molekyyliarkkitehtuurin määrittelyssä on otettu tärkeitä askeleita eteenpäin. 5q-deleetioon liittyvä MDS johtuu RPS14-geenin haploinsufficienssista. Splaissosomikomponentteja koodaavia geenejä tunnistettiin suurella osalla MDS-potilaita. Renkaan sideroblastien ja SF3B1-mutaatioiden välillä on läheinen yhteys, mikä on yhdenmukainen syy-yhteyden kanssa. Lisäksi yhä useamman geenin on havaittu kantavan toistuvia mutaatioita MDS:ssä, jotka liittyvät DNA:n metylaatioon (DNMT3A, TET2, IDH1/2), kromatiinin modifikaatioon (EZH2, ASXL1), transkription säätelyyn (RUNX1), signaalinsiirtoon (KRAS). , CBL).

Geenimutaatioiden on raportoitu vaikuttavan eloonjäämiseen ja taudin etenemisriskiin MDS:ssä, ja mutaatiostatuksen arviointi voi lisätä merkittävää tietoa tällä hetkellä käytössä oleviin ennustepisteisiin. Esimerkiksi havaitsimme, että SF3B1-mutaatiot olivat riippumattomia suotuisan ennusteen ennustajia, kun taas ASXL1-, SRSF2-, RUNX1-, TP53- ja EZH2-geenien kuljettajamutaatiot liittyivät alentuneeseen eloonjäämisen todennäköisyyteen. MDS rengassideroblastien kanssa tarjoaa parhaan todisteen siitä, että alkuperäisestä kloonista vastaavan mutanttigeenin tunnistaminen on merkityksellistä kliinisen tuloksen kannalta. Itse asiassa rengassideroblasteja voidaan löytää ei vain potilailta, joilla on perustava mutaatio SF3B1:ssä, vaan myös potilailla, joilla on alkava onkogeeninen leesio SRSF2:ssa. Leukemiattoman eloonjäämisen mediaani on kuitenkin >10 vuotta edellisessä vs. <2 vuotta jälkimmäisessä.

Lisäksi mutaatioseulonta voi vaikuttaa kliiniseen päätöksentekoon: a) MDS:ssä, jossa on 5q-, TP53-mutaatioita kantavilla koehenkilöillä on suurempi leukemian etenemisen riski ja pienempi todennäköisyys saada vaste lenalidomidille; b) potilailla, jotka saavat HSCT:tä, TP53-mutaatiot ennustavat suuren uusiutumisen todennäköisyyden; c) SF3B1-mutaatiot liittyvät lisääntyneeseen erytroidivasteen todennäköisyyteen TGFb-estäjille (luspatersepti), ja d) TET2-mutaatiot voivat liittyä vasteeseen HMA:lle.

Näistä löydöistä huolimatta on varottava tällaisten mutaatiotestien välitöntä käyttöönottoa kliinisessä käytännössä. Ensinnäkin mutaatioiden esiintymisellä tietyssä yksilössä on vain rajallinen ennustevoima, koska muuntaminen MDS:ksi on harvinaista mutaatiotilasta riippumatta. Lisäksi potilailla, joilla on selvä MDS, geneettiset poikkeavuudet selittävät vain osan tiettyihin hoitoihin liittyvästä eloonjäämisriskistä, mikä tarkoittaa, että suuri prosenttiosuus liittyy edelleen kliinisiin ja ei-mutaatiotekijöihin. Laajan potilaspopulaation kattavat analyysit ja uudet menetelmät geenien ja geenien välisten vuorovaikutusten ja genoptyyppi-fenotyyppikorrelaatioiden tutkimiseksi ovat perusteltuja, jotta voidaan arvioida oikein kunkin genomisen poikkeavuuden riippumaton vaikutus kliiniseen lopputulokseen ja hoitovasteeseen.

Yhdistämällä jo saatavilla olevan suuren määrän sekvensoitua genomitietoa ja kliinistä tietoa, kirjoittajat olettavat, että tekoäly mahdollistaa paremman MDS-biologian ja luokituksen ymmärtämisen, parantaa tällä hetkellä saatavilla olevien työkalujen ennuste-/ennustuskykyä ja soveltaa hoitoja kohdennetummin. Yksilöllisen lääketieteen ohjelman täytäntöönpanon helpottaminen koko EU:ssa.

Opintotyyppi

Havainnollistava

Ilmoittautuminen (Odotettu)

13284

Yhteystiedot ja paikat

Tässä osiossa on tutkimuksen suorittajien yhteystiedot ja tiedot siitä, missä tämä tutkimus suoritetaan.

Opiskelupaikat

      • Milano, Italia
        • Istituto Clinico Humanitas

Osallistumiskriteerit

Tutkijat etsivät ihmisiä, jotka sopivat tiettyyn kuvaukseen, jota kutsutaan kelpoisuuskriteereiksi. Joitakin esimerkkejä näistä kriteereistä ovat henkilön yleinen terveydentila tai aiemmat hoidot.

Kelpoisuusvaatimukset

Opintokelpoiset iät

18 vuotta ja vanhemmat (Aikuinen, Vanhempi Aikuinen)

Hyväksyy terveitä vapaaehtoisia

Ei

Sukupuolet, jotka voivat opiskella

Kaikki

Näytteenottomenetelmä

Ei-todennäköisyysnäyte

Tutkimusväestö

Potilaat, joilla on MDS. 13 284 potilasta, joilla on kliinisiä ja genomisia tietoja saatavilla

Kuvaus

Sisällyttämiskriteerit:

  • Potilaat, joilla on MDS WHO:n kriteerien mukaan yli 18-vuotiaat
  • Kliinisen ja hematologisen tiedon saatavuus
  • Tietojen saatavuus kohdistetusta mutaatioseulonnasta

Poissulkemiskriteerit:

  • ei mikään ylläolevista

Opintosuunnitelma

Tässä osiossa on tietoja tutkimussuunnitelmasta, mukaan lukien kuinka tutkimus on suunniteltu ja mitä tutkimuksella mitataan.

Miten tutkimus on suunniteltu?

Suunnittelun yksityiskohdat

Kohortit ja interventiot

Ryhmä/Kohortti
GENOMED4ALL - MDS-potilaat
Tiedot kohdistetusta mutaatioseulonnasta (NGS, mukaan lukien 60 MDS:ään liittyvää geeniä) 13 284 MDS-potilaalta

Mitä tutkimuksessa mitataan?

Ensisijaiset tulostoimenpiteet

Tulosmittaus
Toimenpiteen kuvaus
Aikaikkuna
MDS-luokituksen parantaminen
Aikaikkuna: opintojen päätyttyä keskimäärin 2 vuotta
Parantaa MDS:n luokittelua yhdistämällä kliininen ja hematologinen tieto genomiominaisuuksiin. Tämän ongelman ratkaisemiseksi verrataan erilaisia ​​tilastollisen oppimisen menetelmiä (Dirichlet-prosessit (DP), Bayesin verkot (BN)) ja koneoppimista (syväoppimisen fysiikkatietoinen hermoverkko, rajoitettu regressio ja syvämallit) tietyn genotyypin määrittämiseksi. fenotyyppikorrelaatioita ja kehittää uusi sairausluokitus.
opintojen päätyttyä keskimäärin 2 vuotta
Kokonaiseloonjäämistodennäköisyyden ennuste (kuukausia diagnoosin ja kuoleman välillä tai seurannan lopussa) potilailla, joilla on MDS
Aikaikkuna: opintojen päätyttyä keskimäärin 2 vuotta

Kokonaiseloonjääminen (OS) määritellään ajalle (kuukausina) diagnoosin ja kuoleman (kaikkien syiden seurauksena) tai seurannan päättymisen (sensuroidut havainnot) välillä.

Uudet ennustepisteet määritellään sisältäen seuraavat ominaisuudet: ikä ilmaistuna vuosina; sukupuoli (mies tai nainen); neutrofiilien määrä (neutrofiilien määrä*10^6/l), verihiutalemäärä (verihiutaleiden määrä 10^6/l), hemoglobiinipitoisuus (g/dl), sytogenetiikka (kerrotettu IPPS-R-kriteerien mukaan, Blood 2012 120: 2454 -2465), luuydinblastien prosenttiosuus ja geenimutaatioiden esiintyminen (läsnäolo vastaan ​​poissaolo).

Ennusteen tarkkuuden mittaamiseen käytetään erilaisia ​​tilastollisia menetelmiä (mitataan konkordanssiindeksillä, C-indeksillä): Coxin suhteelliset riskimenetelmät, satunnaiset selviytymismetsät, hermoverkot, jatkuva yksilöllinen riskiindeksi (CIRI), aikasarjaanalyysi ja Markov-mallinnus stokastista varten. lentoreittien ennustaminen

opintojen päätyttyä keskimäärin 2 vuotta
Leukemiattoman eloonjäämisen todennäköisyyden ennustaminen (kuukausia diagnoosista etenemiseen akuuttiin leukemiaan tai seurannan loppuun) potilailla, joilla on MDS
Aikaikkuna: opintojen päätyttyä keskimäärin 2 vuotta

Leukemia määritellään ajalle (kuukausina ilmaistuna) diagnoosin ja akuutiksi leukemiaksi etenemisen tai seurannan päättymisen välillä.

Uudet ennustepisteet määritellään sisältäen seuraavat ominaisuudet: ikä ilmaistuna vuosina; sukupuoli (mies tai nainen); neutrofiilien määrä (neutrofiilien määrä*10^6/l), verihiutalemäärä (verihiutaleiden määrä 10^6/l), hemoglobiinipitoisuus (g/dl), sytogenetiikka (kerrotettu IPPS-R-kriteerien mukaan, Blood 2012 120: 2454 -2465), luuydinblastien prosenttiosuus ja geenimutaatioiden esiintyminen (läsnäolo vastaan ​​poissaolo).

Ennusteen tarkkuuden mittaamiseen käytetään erilaisia ​​tilastollisia menetelmiä (mitataan konkordanssiindeksillä, C-indeksillä): Coxin suhteelliset riskimenetelmät, satunnaiset selviytymismetsät, hermoverkot, jatkuva yksilöllinen riskiindeksi (CIRI), aikasarjaanalyysi ja Markov-mallinnus stokastista varten. lentoreittien ennustaminen

opintojen päätyttyä keskimäärin 2 vuotta

Yhteistyökumppanit ja tutkijat

Täältä löydät tähän tutkimukseen osallistuvat ihmiset ja organisaatiot.

Tutkijat

  • Päätutkija: Federico Alvarez, UNIVERSIDAD POLITECNICA DE MADRID SPAIN
  • Päätutkija: Lucia Comnes, DATAWIZARD SRL ITALY
  • Päätutkija: Mar Manu Pereira, FUNDACIO HOSPITAL UNIVERSITARI VALL D'HEBRON - INSTITUT DE RECERCA SPAIN
  • Päätutkija: Pierre Fenaux, ASSISTANCE PUBLIQUE HOPITAUX DE PARIS FRANCE
  • Päätutkija: Torsten Haferlach, MLL MUNCHNER LEUKAMIELABOR GMBH GERMANY
  • Päätutkija: Maria Diez Campelo, Instituto de investigacion biomedica de Salamanca, IBSAL SPAIN
  • Päätutkija: Uwe Platzbecker, UNIVERSITAET LEIPZIG GERMANY
  • Päätutkija: Gastone Castellani, ALMA MATER STUDIORUM - UNIVERSITA DI BOLOGNA ITALY
  • Päätutkija: Andres Krogh, KOBENHAVNS UNIVERSITET DENMARK
  • Päätutkija: Babita Singh, FUNDACIO CENTRE DE REGULACIO GENOMICA SPAIN
  • Päätutkija: Piero Fariselli, UNIVERSITA DEGLI STUDI DI TORINO ITALY
  • Päätutkija: Kostantinos Marias, IDRYMA TECHNOLOGIAS KAI EREVNAS GREECE
  • Päätutkija: Mar Mañu Pereira, European Reference Network on Rare Hematological Diseases (ERN-EuroBloodNet)

Julkaisuja ja hyödyllisiä linkkejä

Tutkimusta koskevien tietojen syöttämisestä vastaava henkilö toimittaa nämä julkaisut vapaaehtoisesti. Nämä voivat koskea mitä tahansa tutkimukseen liittyvää.

Yleiset julkaisut

Opintojen ennätyspäivät

Nämä päivämäärät seuraavat ClinicalTrials.gov-sivustolle lähetettyjen tutkimustietueiden ja yhteenvetojen edistymistä. National Library of Medicine (NLM) tarkistaa tutkimustiedot ja raportoidut tulokset varmistaakseen, että ne täyttävät tietyt laadunvalvontastandardit, ennen kuin ne julkaistaan ​​julkisella verkkosivustolla.

Opi tärkeimmät päivämäärät

Opiskelun aloitus (Todellinen)

Maanantai 15. maaliskuuta 2021

Ensisijainen valmistuminen (Odotettu)

Torstai 15. joulukuuta 2022

Opintojen valmistuminen (Odotettu)

Tiistai 31. joulukuuta 2024

Opintoihin ilmoittautumispäivät

Ensimmäinen lähetetty

Keskiviikko 5. toukokuuta 2021

Ensimmäinen toimitettu, joka täytti QC-kriteerit

Keskiviikko 12. toukokuuta 2021

Ensimmäinen Lähetetty (Todellinen)

Maanantai 17. toukokuuta 2021

Tutkimustietojen päivitykset

Viimeisin päivitys julkaistu (Todellinen)

Perjantai 9. syyskuuta 2022

Viimeisin lähetetty päivitys, joka täytti QC-kriteerit

Tiistai 6. syyskuuta 2022

Viimeksi vahvistettu

Torstai 1. syyskuuta 2022

Lisää tietoa

Tähän tutkimukseen liittyvät termit

Lääke- ja laitetiedot, tutkimusasiakirjat

Tutkii yhdysvaltalaista FDA sääntelemää lääkevalmistetta

Ei

Tutkii yhdysvaltalaista FDA sääntelemää laitetuotetta

Ei

Nämä tiedot haettiin suoraan verkkosivustolta clinicaltrials.gov ilman muutoksia. Jos sinulla on pyyntöjä muuttaa, poistaa tai päivittää tutkimustietojasi, ota yhteyttä register@clinicaltrials.gov. Heti kun muutos on otettu käyttöön osoitteessa clinicaltrials.gov, se päivitetään automaattisesti myös verkkosivustollemme .

Tilaa