- ICH GCP
- Yhdysvaltain kliinisten tutkimusten rekisteri
- Kliininen tutkimus NCT05802771
Keuhkosyöpä Multi-omics Digital Human Avatars tarkkuuslääketieteen integroimiseksi kliiniseen käytäntöön (LANTERN)
Lung Cancer Multi-omics Digital Human Avatars tarkkuuslääketieteen integroimiseksi kliiniseen käytäntöön: LANTERN-tutkimus
Tämän monikeskeisen kliinisen havainnointitutkimuksen tavoitteena on kehittää tarkkoja ennustavia malleja keuhkosyöpäpotilaille luomalla Digital Human Avatareja käyttämällä erilaisia omiikkapohjaisia muuttujia ja integroimalla vakiintuneet kliiniset tekijät "suuriin tietoihin" ja kehittyneeseen kuvantamiseen. ominaisuudet
LANTERN-projektin päätavoitteet ovat:
- Kehittää ehkäisymalleja varhaiseen keuhkosyövän diagnosointiin;
- Luoda yksilöllisiä ennakoivia malleja yksilökohtaisiin hoitoihin;
Keuhkosyöpäpotilaat otetaan prospektiivisesti mukaan ja tärkeimmät omiikkatiedot (mukaan lukien radiomiikka ja genomiikka) kerätään, mikä kuvastaa keuhkosyövän diagnoosiin ja päätöksentekopolkuun liittyviä tärkeimpiä omiikka-alueita.
Kaikista kerätyistä tietojoukoista tehdyssä tutkivassa analyysissä valitaan joukko potentiaalisia biomarkkereita, jotta voidaan luoda useita erillisiä monimuuttujamalleja, jotka on koulutettu edistyneellä koneoppimis- (ML) ja tekoälytekniikoilla, jotka on jaettu tiettyihin kiinnostaviin alueisiin. Lopuksi kehitetyt ennustavat mallit validoidaan niiden kestävyyden, siirrettävyyden ja yleistettävyyden testaamiseksi, mikä johtaa Digital Human Avatarin kehittämiseen.
Tutkimuksen yleiskatsaus
Tila
Interventio / Hoito
Yksityiskohtainen kuvaus
Potilasilmoittautuminen ja omiikkatiedonkeruu Tämän WP:n tavoitteena on kerätä tietoa kaikista kliinisistä ja omiikkapohjaisista tietolähteistä, joita pidetään kliinisesti merkittävinä päätöksenteon tukena keuhkosyövän kokonaisdiagnoosin ja hoidon työnkulussa. Tulevaa tiedonkeruuta varten erityisten tapausraporttilomakkeiden (CRF) avulla kehitetään jäsennelty terminologinen järjestelmä.
Potilaat rekisteröidään erityisiin tutkimusilmoittautumiskeskuksiin, ja viidestä omiikkapohjaisesta muuttujasta saadut tiedot kerätään ja tallennetaan suojattuun tietokantaan.
Omics-tietojen arkistointi ja vuorovaikutus Tämän WP:n päätavoitteena on mahdollistaa tietojen täydellinen integrointi sekä olemassa oleviin että uusiin arkistointijärjestelmiin ja varmistaa kerätyn omics-datan helppo ja tehokas käyttö ja jakaminen.
Kaikki kerätty data, joka edustaa erilaisia harkittuja omics-alueita, tallennetaan yhteisen yhteisen ontologian mukaisesti. Jaettu yleinen ontologia edustaa jäsenneltyä terminologista järjestelmää tietojen arkistointia ja analysointia varten, jossa kaikki eri omics-alueet tallennetaan erityiseen eCRF:ään, mikä varmistaa kaikkien kerättyjen datamuuttujien johdonmukaisuuden. Lopuksi kerätylle omiikkaan liittyvälle datalle suoritetaan radiominen analyysi ja radioiset piirteet erotetaan sitten.
Omics-datan mallintaminen, Digital Human Avatar (DHA) luominen ja validointi
Tämä työryhmä keskittyy tarkkojen ennustavien mallien kehittämiseen (luomalla Digital Human Avatareja (DHA)) ja niiden validointiin. Tämän WP:n tarkoituksena on tunnistaa tehokkaat ensisijaiset biomarkkerit, harmonisoida ne kompaktien tilastollisten mallien avulla ja tämän jälkeen luoda potilaskohtaisia DHA:ita, jotka ovat yksilöllisiä jokaiselle potilaalle. Suunnittelemme integroivamme kaiken edellä mainitun omiikkadatan ennustaviin malleihin, jotka muodostavat perustan täysin personoidulle ja innovatiiviselle keuhkosyövän integroidulle päätöksenteon tukijärjestelmälle. Tämä WP on jaettu kolmeen vaiheeseen:
Vaihe 1: Omics-ominaisuudet tunnistaminen ja valinta Vaihe 2: Ennakoiva mallin kehittäminen ja DHA:n luominen Vaihe 3: Ennakoiva malli ja DHA-validointi
Omics-ominaisuuksien tunnistaminen ja valinta:
Ensimmäisessä vaiheessa tutkiva analyysi kaikista kerätyistä tietojoukoista arviolta ≈ 240 NSCLC-potilaasta mahdollistaa biomarkkerien tunnistusprosessin aloittamisen ja rajoittaa tiedon siirrettyjen määrää kohti valittua mahdollisten biomarkkerien joukkoa. Tässä ensimmäisessä vaiheessa käytetään vankkoja data-analyysitekniikoita relevanttien muuttujien tunnistamiseksi yksimuuttujaisessa ympäristössä ottaen huomioon yksittäiset tilastojakaumat, ominaisuuksiin liittyvät korrelaatiot ja yleiset kuvaavat tilastot.
Ennakoiva mallin kehittäminen ja DHA:n luominen:
Toisen vaiheen tavoitteena on luoda useita erillisiä, mutta modulaarisia monimuuttujamalleja, joita koulutetaan edistyneillä ML- ja tekoälytekniikoilla, segmentoituna tiettyihin modulaarisiin kiinnostaviin alueisiin ja myöhemmin DHA:n luomiseen. Erilaisia valvottuja malleja kehitetään mukaan lukien logistinen regressio, päätöspuu, tukivektorikone, satunnaismetsä, XGBoost-luokitin ja keinotekoiset neuroverkot. K-kertaista ristiinvalidointia käytetään hyperparametrien virittämiseen ja ML-mallien suorituskyvyn tilastollinen merkitsevyysvertailu suoritetaan. Tämä tehdään ennakoivan suorituskyvyn arvioimiseksi tarkkuuden (potilaiden kokonaismäärän perusteella oikein luokiteltujen koehenkilöiden lukumäärä) ja tarkkuuden (todellinen positiivinen testipositiivisen kokonaismäärän perusteella, muistaminen (herkkyys), F1-pistemäärä (2*tarkkuus*palautus/(tarkkuus) perusteella) perusteella. +palautus)) ja AUC-ROC.
DHA:n luomiseen liittyy tiettyjen algoritmien integrointi tiedonpoimintaputkeen tiedonkulun puhdistamiseksi ja uudelleenjärjestämiseksi, samalla kun käytetään tekstinlouhintaa ja luonnollisen kielen käsittelytekniikoita jäsentämättömiin teksteihin. Tämän esikäsittelyn tulokset koodataan sitten uudelleen erityisesti määritetyn ontologian kautta kaksoiskappaleiden paljastamiseksi. Tämä johtaa Marts-datan luomiseen, jota päivitetään jatkuvasti ja automaattisesti uusilla tiedoilla. Käytettävissä olevien jo käsiteltyjen tietojen perusteella kehitettyä algoritmia ja sen taustalla olevaa infrastruktuuria käytetään kliinikkojen äskettäin päivitettyjen potilastietojen luokitteluun rajapinnan avulla. Dynaamisen käyttöliittymän kautta esitettävät tiedot mahdollistavat tietokannassa jo olevien aiemmin lisättyjen potilastietojen perusteellisen tutkimisen, jotta voidaan päätellä paras toimintatapa historiallisten tietojen ja kliinikon kokemuksen perusteella. Tämä johtaa yleisempään kartoitustyönkulkuun, joka toimii hypoteesigeneraattorina käyttäjälle klusteroimalla tiedot mukautettujen kriteerien perusteella ja luoden siten tutkivan analyysin saatavilla olevista tiedoista.
Tutkijat arvioivat, että noin 300 NSCLC-tapausta täydellisine tiedoineen riittää tämän prosessin aloittamiseen. Sekä käyttäjäystävällisyys että mallin selitettävyys ovat mallinkehitysstrategioiden ensisijainen standardi. Helposti tulkittavissa olevat arvot, kuten SHAP (SHapley Additive ExPlanations) -arvot, liitetään kuhunkin malliin, jotta vältetään musta laatikko -lähestymistapa, joka saattaisi tehdä mallin tulosten vaikeaksi selittää potilaille heidän kanssakäymisensä aikana kliinikoiden kanssa.
Ennustava malli ja DHA-validointi: Sekä kehitetty malli että kattava DHA validoidaan niiden kestävyyden, siirrettävyyden ja yleistettävyyden testaamiseksi. Käytetään kahta peräkkäistä validointistrategiaa: sisäistä ja ulkoista validointitekniikkaa. Arvioimme yhteensä noin 420 NSCLC-tapausta validointiprosessin aloittamiseksi. Tämä prosessi sisältää sekä sisäisen että ulkoisen validoinnin.
Opintotyyppi
Ilmoittautuminen (Odotettu)
Yhteystiedot ja paikat
Opiskeluyhteys
- Nimi: sara flamini
- Puhelinnumero: 3457235931
- Sähköposti: sarafla@hotmail.it
Osallistumiskriteerit
Kelpoisuusvaatimukset
Opintokelpoiset iät
Hyväksyy terveitä vapaaehtoisia
Sukupuolet, jotka voivat opiskella
Näytteenottomenetelmä
Tutkimusväestö
Kuvaus
Sisällyttämiskriteerit:
- Potilaat, joilla on (epäilty) NSCLC
- Ikä >18v
- ECOG 0-3
- Kirjallinen tietoinen suostumus
Poissulkemiskriteerit:
- ECOG 4
- Psykososiaaliset tai emotionaaliset olosuhteet, jotka estävät osallistumisen tutkimukseen
Opintosuunnitelma
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
Kohortit ja interventiot
Ryhmä/Kohortti |
Interventio / Hoito |
---|---|
ilmoittautuneita potilaita
Ei-pienisoluista keuhkosyöpää sairastaville potilaille tehtiin kirurginen resektio.
Käytämme osaa tästä kohortista ennustavien mallien rakentamiseen ja toista osaa luotujen mallien validointiin.
|
keuhkosyövän kirurginen resektio
|
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
---|---|---|
Kehittää ehkäisymalleja keuhkosyövän varhaiseen diagnosointiin
Aikaikkuna: 36 kuukautta
|
Prognostisen mallin kehittäminen NSCLC-potilailla omics-datan avulla. Erityisesti määritetään radiomiikan ominaisuuksien ja biomarkkerien välinen yhteys keuhkosyövän vaiheeseen ja eloonjäämistulokseen. Omics-dataa ja ennustemallia testataan tautivapauden ja kokonaiseloonjäämisen suhteen vertaamalla eri malleja. |
36 kuukautta
|
Yhteistyökumppanit ja tutkijat
Opintojen ennätyspäivät
Opi tärkeimmät päivämäärät
Opiskelun aloitus (Odotettu)
Ensisijainen valmistuminen (Odotettu)
Opintojen valmistuminen (Odotettu)
Opintoihin ilmoittautumispäivät
Ensimmäinen lähetetty
Ensimmäinen toimitettu, joka täytti QC-kriteerit
Ensimmäinen Lähetetty (Todellinen)
Tutkimustietojen päivitykset
Viimeisin päivitys julkaistu (Todellinen)
Viimeisin lähetetty päivitys, joka täytti QC-kriteerit
Viimeksi vahvistettu
Lisää tietoa
Tähän tutkimukseen liittyvät termit
Avainsanat
Muita asiaankuuluvia MeSH-ehtoja
Muut tutkimustunnusnumerot
- 5420- 0002485/23
Yksittäisten osallistujien tietojen suunnitelma (IPD)
Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?
Lääke- ja laitetiedot, tutkimusasiakirjat
Tutkii yhdysvaltalaista FDA sääntelemää lääkevalmistetta
Tutkii yhdysvaltalaista FDA sääntelemää laitetuotetta
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 .
Kliiniset tutkimukset Ei-pienisoluinen keuhkosyöpä
-
Jonsson Comprehensive Cancer CenterEli Lilly and Company; Genentech, Inc.RekrytointiMetastaattinen keuhkojen ei-pienisolusyöpä | Tulenkestävä keuhkojen ei-pienisolusyöpä | Stage IV Lung Cancer American Joint Committee on Cancer (AJCC) v8 | Stage IVA Lung Cancer AJCC v8 | Vaihe IVB keuhkosyöpä AJCC v8Yhdysvallat
-
University of Southern CaliforniaNational Cancer Institute (NCI); Genentech, Inc.RekrytointiStage IVA Lung Cancer AJCC v8 | Vaihe IVB keuhkosyöpä AJCC v8 | Keuhkojen ei-pienisolukarsinooma | Vaiheen III keuhkosyöpä AJCC v8 | IV vaiheen keuhkosyöpä AJCC v8 | Vaiheen II keuhkosyöpä AJCC v8 | Stage IIA Lung Cancer AJCC v8 | Vaiheen IIB keuhkosyöpä AJCC v8 | Vaiheen IIIA keuhkosyöpä AJCC v8 | Vaiheen IIIB... ja muut ehdotYhdysvallat
-
Eben RosenthalRekrytointiStage IVA Lung Cancer AJCC v8 | Vaihe IVB keuhkosyöpä AJCC v8 | IV vaiheen keuhkosyöpä AJCC v8 | Keuhkokarsinooma | Metastaattinen pahanlaatuinen kasvain keuhkoissaYhdysvallat
-
Wake Forest University Health SciencesNational Cancer Institute (NCI)LopetettuPienisoluinen keuhkosyöpä | Stage IVA Lung Cancer AJCC v8 | Vaihe IVB keuhkosyöpä AJCC v8 | IV vaiheen keuhkosyöpä AJCC v8Yhdysvallat
-
Emory UniversityNational Cancer Institute (NCI)RekrytointiStage IVA Lung Cancer AJCC v8 | Vaihe IVB keuhkosyöpä AJCC v8 | Keuhkojen ei-pienisolukarsinooma | IV vaiheen keuhkosyöpä AJCC v8Yhdysvallat
-
Jonsson Comprehensive Cancer CenterNational Cancer Institute (NCI); Merck Sharp & Dohme LLC; California Institute... ja muut yhteistyökumppanitAktiivinen, ei rekrytointiStage IVA Lung Cancer AJCC v8 | Vaihe IVB keuhkosyöpä AJCC v8 | Keuhkojen ei-pienisolukarsinooma | IV vaiheen keuhkosyöpä AJCC v8Yhdysvallat
-
Ohio State University Comprehensive Cancer CenterRekrytointiStage IVA Lung Cancer AJCC v8 | Vaihe IVB keuhkosyöpä AJCC v8 | IV vaiheen keuhkosyöpä AJCC v8 | Keuhkojen ei-squamous ei-pienisolusyöpä | Vaiheen IIIB keuhkosyöpä AJCC v8Yhdysvallat
-
M.D. Anderson Cancer CenterNational Cancer Institute (NCI)Aktiivinen, ei rekrytointiStage IVA Lung Cancer AJCC v8 | Vaihe IVB keuhkosyöpä AJCC v8 | Vaiheen III keuhkosyöpä AJCC v8 | IV vaiheen keuhkosyöpä AJCC v8 | Vaiheen II keuhkosyöpä AJCC v8 | Stage IIA Lung Cancer AJCC v8 | Vaiheen IIB keuhkosyöpä AJCC v8 | Vaiheen IIIA keuhkosyöpä AJCC v8 | Vaiheen IIIB keuhkosyöpä AJCC v8 | I vaiheen... ja muut ehdotYhdysvallat
-
Rutgers, The State University of New JerseyNational Cancer Institute (NCI)RekrytointiMetastaattinen keuhkojen ei-pienisolusyöpä | Stage IVA Lung Cancer AJCC v8 | Vaihe IVB keuhkosyöpä AJCC v8 | Vaiheen III keuhkosyöpä AJCC v8 | IV vaiheen keuhkosyöpä AJCC v8 | Vaiheen II keuhkosyöpä AJCC v8 | Stage IIA Lung Cancer AJCC v8 | Vaiheen IIB keuhkosyöpä AJCC v8 | Vaiheen IIIA keuhkosyöpä AJCC v8 | Vaiheen... ja muut ehdotYhdysvallat
-
M.D. Anderson Cancer CenterNational Cancer Institute (NCI)PeruutettuStage IVA Lung Cancer AJCC v8 | Vaihe IVB keuhkosyöpä AJCC v8 | Keuhkojen ei-pienisolukarsinooma | Vaiheen III keuhkosyöpä AJCC v8 | IV vaiheen keuhkosyöpä AJCC v8 | Vaiheen II keuhkosyöpä AJCC v8 | Stage IIA Lung Cancer AJCC v8 | Vaiheen IIB keuhkosyöpä AJCC v8 | Vaiheen IIIA keuhkosyöpä AJCC v8 | Vaiheen IIIB... ja muut ehdot
Kliiniset tutkimukset kirurginen resektio
-
University Hospital TuebingenRekrytointi
-
Istanbul UniversityValmisAnalgesia | Akuutti kipuTurkki
-
Nepal Mediciti HospitalValmisTyytyväisyys, kärsivällinenNepal
-
University of British ColumbiaRekrytointiRaskauteen liittyvä | Stressi-inkontinenssiKanada
-
University of California, DavisValmisRobotiikan käyttö kolekystektomiassa; Takautuva katsaus tuloksiin, perustamiseen ja oppimiskäyreihinKolekystiitti | SappikivitautiYhdysvallat
-
Mayo ClinicRekrytointiPään ja kaulan syöpä | Suunnielun kasvaimetYhdysvallat
-
Region SkaneValmisMetrorragia | Kohdun fibroidit | Menorragia | Kohdunkaulan dysplasiaRuotsi
-
First Affiliated Hospital Xi'an Jiaotong UniversityRekrytointiSyöpä | Robottikirurgia | Potilaiden odotuksetKiina
-
University Hospital Inselspital, BerneLopetettuBariatrisen kirurgian kandidaattiSveitsi
-
Loma Linda UniversityBaxter Healthcare CorporationValmisVerenvuoto | Synnynnäinen sydänvika | Leikkauksen aiheuttamat kudoskiinnityksetYhdysvallat