Haimasyövän hoidon parantaminen laskennallisen tieteen ja teknologian avulla (IMPACT)

Tutkimuksen suunnittelu: Retrospektiivinen, monikeskushavainnollinen kohorttitutkimus. Pseudonymisoituja tietoja kerätään takautuvasti. Kliiniset tiedot potilaista, joille tehtiin diagnostisia toimenpiteitä ja hoitoa (epäiltyjen) hyvänlaatuisten ja pahanlaatuisten haimavaurioiden vuoksi, voidaan hakea osallistuvien keskusten laitos- ja auditointitietokannoista sekä käynnissä olevista kohortteista. Kliinisen tiedon keräämiseen käytetään Castor Electronic Data Capture (EDC) -tietokantaa. Kuvaustiedot, mukaan lukien pseudonymisoidut röntgenkuvat ennen hoitoa, sen aikana ja sen jälkeen, kerätään Research Imaging Architecture (RIA) -kansioiden kautta ja tallennetaan turvallisesti Utrechtin yliopistolliseen lääketieteelliseen keskukseen (UMC). Tekoälyprojektien tietoja voidaan pyytää keskustietokannasta, ja ne jaetaan turvallisesti jokaisen osallistuvan sivuston hyväksynnän jälkeen. Tätä tarkoitusta varten perustetaan hankkeen ohjauskomitea, joka koostuu yhdestä edustajasta kustakin osallistuvasta keskuksesta. Ohjausryhmä vastaa hankkeen kokonaisjohtamisesta, projektinhallinnan ongelmien käsittelystä ja ratkaisemisesta, tutkimusehdotusten arvioinnista ja aineiston luovuttamisesta hakijalle tutkimusyhteistyösopimuksen mukaisesti. Konsortion tietokannasta kerätyt tiedot (esim. preoperatiiviset skannaukset, postoperatiiviset skannaukset, sairauskokonaisuudet, huomautukset jne.) luetellaan selkeän yleiskuvan saamiseksi saatavilla olevista tiedoista.

Tutkimuspopulaatio: Kaikki potilaat, joille tehtiin diagnostisia toimenpiteitä ja/tai hoitoa (epäiltyjen) hyvänlaatuisten ja pahanlaatuisten haimavaurioiden vuoksi, kuten hollantilainen haimasyöpäprojekti (PACAP) on rekisteröity, sekä terveet henkilöt, joille tehtiin vatsan CT-skannaus (kontrollit).

Ensisijainen tavoite: Tämän tutkimuksen ensisijainen päätepiste riippuu erityisistä osaprojekteista. Tämä tutkimus helpottaa suurten määrien todellisen datan keräämistä (tulevia) tietotekniikan projekteja varten. Alla on esitetty eri osallistuvien keskusten tällä hetkellä ennalta määritettyjen osaprojektien painopisteet:

1. PI Lois Daamen (Regional Academic Cancer Center Utrecht, UMC Utrecht Cancer Center): Kehittää selitettävissä oleva AI (XAI) -algoritmi, joka voi tukea kliinikoita paikallisen uusiutumisen varhaisessa havaitsemisessa leikkauksen jälkeen ja paikallisen kasvainvasteen arvioinnissa (neo)adjuvantin ja/tai lopullisen hoidon aikana. kemoterapiaa ja/tai sädehoitoa yksittäisillä haimasyöpäpotilailla käyttäen yleisiä diagnostisia menetelmiä. Kliinisesti hankittujen tietokonetomografia (CT) -skannausten syväoppivan kehonkoostumusanalyysin käyttö yksilölliseen kemoterapian annoksen muuttamiseksi (ennustettujen) toksisuusprofiilien perusteella.
2. PI Misha Luyer (Catharina Ziekenhuis Eindhoven): Parannettu haimakasvainten diagnoosi ja karakterisointi sekä niiden suhde ympäröiviin rakenteisiin. Primaarisen haimasyövän varhainen havaitseminen, haimakasvainten resekoitavuus ja neoadjuvanttikemo(säde)hoidon vasteen arviointi.
3. PI:n Jeanin van Hooft, Sven Mieog (Leidenin yliopiston lääketieteellinen keskus): (puoli)automatisoitu haiman segmentointi magneettikuvauksessa (MRI), luokittelualgoritmin kehittäminen primaarisen haimasyövän ja korkealaatuisten esipahanlaatuisten leesioiden havaitsemiseksi magneettikuvauksessa, kvantifiointi Haimakudoksen pitkittäismuutoksia magneettikuvauksessa, jotka voivat viitata haimasyövän kehittymiseen. Integroida 3D-malleja radiologisista modaliteeteista (CT, MRI ja PET), jotta voidaan paremmin ennustaa haimakasvainten resekoitavuutta ja hoitovastetta.
4. PI Steven Olde Damink (Maastrichtin yliopiston lääketieteellinen keskus): Määrittää isäntäfenotyypin lääketieteelliseen kuvantamiseen (kehonkoostumusmuuttujat ja radionomiikka perustuu CT-kuvaanalyyseihin) haimasyöpäpotilaille leikkauksen jälkeisten ja onkologisten tulosten ennustamiseksi.
5. PI:n Joost Klaasse (Groningenin yliopistollinen lääketieteellinen keskus) ja Mike Liem (Medisch Spectrum Twente): Tekoälyn käyttö haimakystojen hoitoon.
6. PI Inez Verpalen (Amsterdamin yliopiston lääketieteellinen keskus): Kehittää (1) malli haimasyövän neoadjuvanttivasteen arvioimiseksi käyttäen TT-skannauksia (tuloksena eloonjääminen ja patologia (PA)), (2) malli haimakarsinooman resekoitavuuden arvioimiseksi TT-skannauksia käyttäen , (3) monikeskushaimasyöpä + verisuonten segmentointimalli, (4) postoperatiivinen haimafisteli (POPF) -ennustemalli käyttäen MRI:tä; (5) intraduktaalisten papillaaristen limakalvokasvaimien (IPMN) segmentointimalli MRI:ssä; (6) malli IPMN:n pahanlaatuisuuden arvioimiseksi ja (7) POPF-ennusteen ulkoinen validointi käyttämällä radiomiikkaa CT:ssä.
7. PI Bas Groot Koerkamp (Erasmus Medical Center): mm. PREOPANCiin liittyvät hankkeet

Tiedonkeruu: Seuraavat kliiniset tiedot kerätään:

• Ikä (vuotta)
• Sukupuoli
• Korkeus (cm)
• Paino (kg)
• Laskettu painoindeksi (BMI; kg/m2)
• Comorbidity/American Society of Anesthesiologists (ASA) -pisteet
• Eastern Cooperative Oncology Groupin (ECOG) suorituskykypisteet
• Hoitopäivämäärä
• Hoitotyyppi (esim. kemoterapia, sädehoito, leikkaus, yhdistelmät)
• Komplikaatiot
• Histopatologinen diagnoosi
• Verisuonten resektio
• Resektion marginaalin tila (R0/R1/R2)
• Kasvaimen erilaistuminen
• Kasvaimen koko
• Patologinen kasvain, solmu, metastaasi (pTNM) vaihe
• Positiivisten imusolmukkeiden lukumäärä
• Toistumisen esiintyminen
• Toistumisen päivämäärä
• Toistuva sivusto
• Vital status
• Kuolinpäivämäärä
• Viimeisimmän seurannan päivämäärä Tiedot otetaan mahdollisimman paljon olemassa olevista kliinisistä tietokannoista, mukaan lukien "Pancreatic Cancer Recurrence in the Netherlands" -tietokanta (NCT04605237), joka sisältää suurimman osan näistä muuttujista.

Tekniset tiedot:

• Ennen ja jälkeen hoidon (seuranta) CT-skannaukset
• Ennen ja jälkeen hoidon (seuranta) MRI-skannaukset
• Ennen ja jälkeen hoidon (seuranta) PET-CT-skannaukset

Tietojen hallinta tapahtuu UMC Utrecht -tiedonhallintapolitiikan mukaisesti, kuten Tiedonhallintasuunnitelmassa on kuvattu. Tiedot kerätään Castor EDC:n ennalta määritellyllä sähköisellä tapausrekisterilomakkeella. Osallistuvien keskusten paikalliset lääkärit ovat vastuussa tiedonkeruusta. He voivat kuitenkin siirtää tämän vastuun tutkimusryhmälle. Tutkimusryhmä nimeää sopivan henkilöstön tiedonkeruuta varten.