Améliorer les soins du cancer du pancréas grâce à l'utilisation de la science et de la technologie informatiques (IMPACT)

Conception de l'étude : étude de cohorte observationnelle rétrospective et multicentrique. Les données pseudonymisées seront collectées rétrospectivement. Les données cliniques des patients ayant subi des procédures de diagnostic et un traitement pour des lésions pancréatiques (suspectées) bénignes et malignes peuvent être récupérées à partir des bases de données institutionnelles et d'audit et des cohortes en cours des centres participants. Pour la collecte de données cliniques, une base de données Castor Electronic Data Capture (EDC) sera utilisée. Les données d'imagerie, y compris les images radiographiques pseudonymisées avant, pendant et après le traitement seront collectées via les dossiers Research Imaging Architecture (RIA) et stockées en toute sécurité au sein du centre médical universitaire (UMC) d'Utrecht. Les données des projets d'intelligence artificielle peuvent être demandées à partir de la base de données centrale et sont partagées en toute sécurité après approbation de chaque site participant. A cet effet, un comité de pilotage du projet sera créé, composé d'un représentant de chaque centre participant. Le comité directeur sera responsable de la gestion globale du projet, de l'examen et de la résolution des problèmes de gestion de projet, de l'évaluation des propositions d'étude et de la décision de la divulgation d'un ensemble de données à la partie requérante, comme décrit dans l'accord de collaboration en recherche. Données collectées dans la base de données du consortium (par ex. scans préopératoires, scans postopératoires, entités pathologiques, annotations, etc.) seront répertoriés pour fournir un aperçu clair des données disponibles.

Population étudiée : tous les patients ayant subi des procédures de diagnostic et/ou un traitement pour des lésions pancréatiques (suspectées) bénignes et malignes telles qu'enregistrées dans le Dutch Pancreatic Cancer Project (PACAP), ainsi que les individus en bonne santé ayant reçu un scanner abdominal (contrôles).

Objectif principal : Le critère d'évaluation principal de cette étude dépend des sous-projets spécifiques. Cette étude facilitera la collecte de grandes quantités de données du monde réel pour les (futurs) projets informatiques. Les sous-projets actuellement prédéfinis pour les différents centres participants sont présentés ci-dessous :

1. PI Lois Daamen (Regional Academic Cancer Center Utrecht, UMC Utrecht Cancer Center) : Développer un algorithme d'IA explicable (XAI) qui peut aider les cliniciens à détecter précocement les récidives locales après une intervention chirurgicale et à évaluer la réponse tumorale locale pendant un traitement (néo)adjuvant et/ou définitif. chimiothérapie et/ou radiothérapie chez des patients individuels atteints d'un cancer du pancréas en utilisant des modalités de diagnostic courantes. Utilisation de l'analyse de la composition corporelle par apprentissage profond de tomodensitométrie (TDM) acquises cliniquement pour une modification personnalisée de la dose de chimiothérapie en fonction des profils de toxicité (prédits).
2. PI Misha Luyer (Catharina Ziekenhuis Eindhoven) : Amélioration du diagnostic et de la caractérisation des tumeurs pancréatiques et de leurs relations avec les structures environnantes. Détection précoce du cancer primitif du pancréas, résécabilité des tumeurs pancréatiques et évaluation de la réponse à la chimi(radio)thérapie néoadjuvante.
3. Jeanin van Hooft, PI, Sven Mieog (Centre médical universitaire de Leiden) : segmentation (semi)automatisée du pancréas en imagerie par résonance magnétique (IRM), développement d'un algorithme de classification pour la détection du cancer primitif du pancréas et des lésions précancéreuses de haut grade en IRM, quantification de modifications longitudinales du tissu pancréatique à l'IRM pouvant indiquer le développement d'un cancer du pancréas. Intégrer des modèles 3D de modalités radiologiques (TDM, IRM et TEP) pour mieux prédire la résécabilité et la réponse au traitement des tumeurs pancréatiques.
4. PI Steven Olde Damink (Centre médical universitaire de Maastricht) : Définir un phénotype hôte basé sur l'imagerie médicale (variables de composition corporelle et radionomiques basées sur des analyses d'imagerie CT) pour les patients atteints d'un cancer du pancréas afin de prédire les résultats postopératoires et oncologiques.
5. Joost Klaasse (Centre médical universitaire de Groningen) et Mike Liem (Medisch Spectrum Twente) du PI : Utilisation de l'intelligence artificielle pour les kystes pancréatiques.
6. PI Inez Verpalen (Centre médical universitaire d'Amsterdam) : Développer (1) un modèle d'évaluation de la réponse néoadjuvante du cancer du pancréas à l'aide de tomodensitogrammes (survie et pathologie (PA) comme résultat), (2) un modèle d'évaluation de la résécabilité du carcinome pancréatique à l'aide de tomodensitogrammes. , (3) un modèle de carcinome pancréatique multicentrique + segmentation vasculaire, (4) un modèle de prédiction de la fistule pancréatique postopératoire (POPF) utilisant l'IRM ; (5) un modèle de segmentation des néoplasmes mucineux papillaires intracanalaires (IPMN) en IRM ; (6) un modèle d'estimation de la malignité pour l'IPMN et pour effectuer (7) une validation externe de la prédiction POPF à l'aide de la radiomique sur CT.
7. PI Bas Groot Koerkamp (Centre Médical Erasmus) : entre autres. Projets liés au PREOPANC

Collecte de données : Les données cliniques suivantes seront collectées :

• Années d'âge)
• Genre
• Hauteur (cm)
• poids (kg)
• Indice de masse corporelle calculé (IMC ; kg/m2)
• Score de comorbidité/American Society of Anesthesiologists (ASA)
• Score de performance de l’Eastern Cooperative Oncology Group (ECOG)
• Date du traitement
• Type de traitement (c.-à-d. chimiothérapie, radiothérapie, chirurgie, associations)
• Complications
• Diagnostic histopathologique
• Résection vasculaire
• Statut de la marge de résection (R0/R1/R2)
• Différenciation tumorale
• Taille de la tumeur
• Stade tumeur pathologique, ganglion, métastase (pTNM)
• Nombre de ganglions lymphatiques positifs
• Présence de récidive
• Date de récidive
• Site de récidive
• Statut vital
• Date de décès
• Date du dernier suivi Les données seront tirées autant que possible des bases de données cliniques existantes, y compris la base de données « Pancreatic Cancer Recurrence in the Pays-Bas » (NCT04605237), qui comprend la plupart de ces variables.

Données techniques:

• Tomodensitométries avant et après le traitement (suivi)
• IRM avant et après traitement (suivi)
• TEP-CT avant et après traitement (suivi)

La gestion des données est effectuée conformément à la politique de gestion des données de l'UMC Utrecht, telle que décrite dans le plan de gestion des données. Les données sont collectées à l'aide d'un formulaire de dossier électronique prédéfini dans Castor EDC. Les cliniciens locaux des centres participants sont responsables de la collecte des données. Ils peuvent toutefois transférer cette responsabilité à l'équipe d'étude. L'équipe d'étude nommera le personnel approprié pour la collecte de données.