Hypertermian termodynaaminen malli ihmisillä, joilla on HIPEC (HIPEC)

Peritoneaalisen pinnan pahanlaatuiset kasvaimet ovat ryhmä syöpiä, jotka johtuvat harvinaisista primaarisista tai yleisistä sekundaarisista kasvaimista. Etiologiasta riippumatta ennuste on huono ja vain muutama hoito on osoittanut lupaavia tuloksia. Hyperterminen intraperitoneaalinen kemoterapia (HIPEC) on vakiintunut vaihtoehto potilaille, joilla on näitä pahanlaatuisia kasvaimia. Silti jopa 46 % potilaista uusiutuu varhain hoidon jälkeen.

Vaikka HIPECillä on ennalta määrätty protokolla kehon lämpötilan hallintaan, tuloksena olevat virtsarakon ja kehon sisälämpötilat vaihtelevat suuresti. Ikä, sukupuoli, painoindeksi sekä kemoterapian tyyppi ja kesto ovat avaintekijöitä, jotka vaikuttavat virtsarakon hypertermian ilmaantuvuuteen ja vaikeusasteeseen. Vaikka kliinisissä ja eläintutkimuksissa on tutkittu vatsan hypertermiaa, täydellistä ihmismallia, joka sisältää potilasmuuttujat, lämmönsiirron sekä verenkiertojärjestelmän ja anestesian vaikutusta HIPEC:iin, ei ole vahvistettu.

Tämän tiedon aukon kuromiseksi tällä hankkeella pyritään kehittämään ja validoimaan laskennallinen termodynaaminen malli käyttämällä HIPEC-leikkauksen saaneiden ihmisten tulevaisuuden reaalimaailman tietoja. Oletetaan, että sisällyttämällä potilaaseen, anestesiaan ja perfuusioon liittyvät muuttujat termodynaamiseen malliin, lämpötilat vatsan sisällä ja ulkopuolella HIPEC:n aikana voidaan ennustaa. Ennakoimalla lämpötilan muutoksia HIPEC:n aikana kliinikot voivat parantaa terapeuttisen hypertermian turvallisuutta ja tehoa.

Hypoteesia arvioidaan kahden erityisen tavoitteen kautta:

Erityistavoite 1: Kehittää laskennallinen, termodynaaminen malli intraabdominaaliseen hypertermiaan ihmisille, joilla on HIPEC. Syynä on, että nykyiset termodynaamiset mallit on suunniteltu nukutetuille tai hypotermisille ihmisille, mikä tarkoittaa uuden mallin tarvetta HIPEC-hoidon olosuhteissa.

Erityistavoite 2: Vahvistaa uusi laskennallinen termodynaaminen mallimme käyttämällä HIPEC-leikkauksen saaneiden ihmisten tulevaisuutta koskevia reaalimaailman tietoja. Perustelumme on, että käyttämällä todellista dataa alkuperäinen (SA1) laskennallinen malli voidaan optimoida ja käyttää lopulta yksilöllisten hypertermian hoitojen muotoiluun.