- ICH GCP
- USA klinikai vizsgálatok nyilvántartása
- Klinikai vizsgálat NCT04253496
Matematikai modellezés az elsődleges központi idegrendszeri limfómák (PCNSL) mikro- és makroszkopikus szintjén (LOC-MODEL)
A tanulmány áttekintése
Állapot
Beavatkozás / kezelés
Részletes leírás
Az elsődleges központi idegrendszeri limfómák (PCNSL) extra-nodális, rosszindulatú, nagy B-sejtes típusú nem-Hodgkin limfómák, amelyek a központi idegrendszerre vagy a szemekre korlátozódnak, szisztémás terjedés bizonyítéka nélkül. A PCNSL az összes limfóma 1%-át és az elsődleges agydaganatok 3%-át teszi ki. A PCNSL-kezelés közelmúltbeli előrehaladása ellenére a remisszió rövid ideig tart, és az eredmény továbbra is rossz, a hosszú távú túlélők kisebb része (20%). Ezenkívül a kezelések a betegeket a neurotoxicitás magas kockázatának teszik ki. Annak ellenére, hogy a PCNSL-t alaposan tanulmányozták, a figyelemre méltó tropizmusa és sajátos klinikai viselkedése mögött meghúzódó patogén mechanizmusok nem teljesen tisztázottak. A Francia Nemzeti Rákkutató Intézet (INCa) 2010 óta támogatja a ritka rákos megbetegedésekkel foglalkozó orvosi hálózatok létrehozását, beleértve a PCNSL-t (LOC hálózat). A LOC kifejlesztett egy nemzeti klinikai adatbázist az újonnan diagnosztizált PCNSL-ről egy virtuális tumoradatbázissal a transzlációs vizsgálatok elvégzéséhez. Ezen túlmenően a LOC számos prospektív vizsgálatot indított, beleértve a III. fázisú klinikai vizsgálatot (BLOCAGE – PHRC 2014), amelynek várható mintája 300 beteg volt a kiegészítő elemzés elvégzésére. A rosszindulatú extracerebrális/szisztémás non-Hodgkin limfóma terápia és kimenetelének modellezését korábban már végezték, azonban sajátos anatómiai és immunprivilegizált mikrokörnyezete, valamint specifikus terápiás kezelése miatt szükséges a PCNSL specifikus modellezése. Érdekes módon a glioblasztómában, egy másik elsődleges agydaganatban a várható daganatterhelés modell-előrejelzése személyre szabott értékelést nyújtott a terápia hatékonyságáról. Ezért a PCNSL növekedésének és kezelési válaszának matematikai modellezésének átfogó mechanikus képe felhasználható a PCNSL evolúciójának jobb rétegezésére és a legjobb kezelési lehetőségek előrejelzésére. Radiológiai szempontból a PCNSL gyakran jellegzetes megjelenést mutat periventrikuláris kontrasztfokozó elváltozásokkal. Ennek oka a hipercellularitása, a magas sejtmag/citoplazma arány, a vér-agy gát felborulása, valamint a kamrai vagy meningeális felülettel gyakran érintkező periventrikuláris és felületes régiók iránti előszeretetessége. Érdekes módon néhány kisebb tanulmány azt sugallja, hogy a radiológiai és a nagy áteresztőképességű adatok integrálása elősegítené a PCNSL prognózisának rétegződését. Ezenkívül az MRI értékeli a terápiás választ, de ez az értékelés nem érzékeny a nem fokozódó elváltozások kimutatására. A radiomika ígéretes új paradigma a klinikai képalkotás kiterjesztésében a molekuláris és genomikus képalkotás korszakára. Érdekes eredményeket értek el az MRI és a molekuláris fenotípusok használatával különböző rákos megbetegedések és a közelmúltban glioblasztómák esetében4. Azonban csak néhány bizonyíték utal arra, hogy a PCNSL molekuláris fenotípusa összefüggésbe hozható bizonyos képalkotó morfofenotípusokkal. Érdekes módon csapatunk a közelmúltban potenciális molekuláris-radiológiai összefüggést azonosított a TERT promoter mutációk jelenléte és a PCNSL lokalizációja között a corpus callosumban. Ezenkívül az MRI-adatok (makroszkópos adatok) felhasználásával az MRI-minták előrejelzőinek feltárására is felhasználjuk majd egy többváltozós keretrendszerben, olyan lineáris modellezési megközelítést fogunk kidolgozni, amely méri az MRI-minták és számos lehetséges előrejelző összefüggését, beleértve az expressziós szinteket egy génről génre, vezető mutációk és klinikai változók. A szomatikusan szerzett mutáció és citogenetikai lézió jelenléte/hiányzóként kerül kódolásra. Lineáris modellt választottunk annak értelmezhetősége és a kialakult statisztikai módszerei miatt, amely lehetővé teszi annak tesztelését, hogy az egyéb zavaró tényezők és egyéb klinikai változók, valamint az együtt létező driver mutációk korrekciója után specifikus elváltozások jelenlétében melyik MRI morfológiai mintázat társul deregulált transzkriptumokhoz. Az MRI adatok teljes varianciáját tanulmányozzák és boncolják a kiválasztott vezető génekből származó adatok felhasználásával, a citogenetikai léziót, valamint az MRI adatok legrelevánsabb fő összetevőit elemzik a Least Absolute Shrinkage and Selection Operator (LASSO) által büntetett modellben. Az optimális modell maximalizálja a magyarázott R2 szórást.
A túlélési modellek előrejelzési pontosságát a Harrel-féle C statisztika segítségével értékeljük, a Hmisc R csomagban megvalósított módon. Ez a statisztika a vevő működési jelleggörbe alatti területéhez hasonlóan méri az egyező kockázati előrejelzésű betegpárok hányadát és kimenetelét. A becsült kockázat torzításának csökkentése érdekében ötszörös keresztellenőrzési sémát fogunk használni. Ezen túlmenően elemezzük ezen többdimenziós adatok túlélési hatását is, a véletlenszerű erdők segítségével, mint alternatív megközelítést az eredmények előrejelzésére és a változó fontosság mérésére. Ezek a randomForesetSRC R csomagban vannak megvalósítva. a betegek egy almintáján kapott előzetes eredmények azt mutatták, hogy a 100 betegből álló kohorsz elegendő lesz az általunk vizsgált modellek prediktív értékeinek felépítéséhez és értékeléséhez. A fentebb egy kis részhalmazra vonatkozóan ismertetett, több forrásból származó adatkészlet integrálására szolgáló eszközöket a teljes adatkészletből elérhető összes változó felhasználásával skálázzuk fel: a nem negatív mátrix kofaktorizációt és a szabályos általánosított kanonikus korrelációs elemzést.
A beteg prognózisa szorosan korrelálhat egy jellegzetes morfológiai tumor fenotípussal szövettani szinten és a tumor alakjával, amely önmagában is korrelálhat a génexpressziós mintázattal. Emiatt a fenti statisztikai modellel végzett makroszintű növekedési szimulációk kiegészülnek szövettani és teljes tumorszintű mechanisztikus modellekkel. A szövettani szintű modellt diffúz nagy B-sejtes limfóma (DLBCL) sejtvonalak és más mikrokörnyezeti sejtekkel, például gliasejtekkel együtt tenyésztett kísérletekkel, valamint egérkísérletekkel kalibrálják. Ennek a modellnek meg kell világítania azokat a sejtszintű mechanizmusokat, amelyek képesek megmagyarázni a megfigyelt sejtproliferációt és a többsejtű elrendeződést.
Tanulmány típusa
Beiratkozás (Tényleges)
Kapcsolatok és helyek
Tanulmányi helyek
-
-
-
Paris, Franciaország, 75013
- Groupe Hospitalier La Pitié Salpêtrière
-
-
Részvételi kritériumok
Jogosultsági kritériumok
Tanulmányozható életkorok
Egészséges önkénteseket fogad
Tanulmányozható nemek
Mintavételi módszer
Tanulmányi populáció
Leírás
Felvételi feltételek Regisztrációkor
- Újonnan diagnosztizált primer agyi limfóma
- Életkor ≥60 év
- A CSF vagy az üvegtest patológiás diagnózisa vagy pozitív citológiája
- Karnofsky teljesítmény állapota ≥40
- Nincs bizonyíték szisztémás NHL-re (test-CT-vizsgálat, csontvelő-biopszia)
- Megfelelő hematológiai, vese- és májfunkció
- Számított kreatinin-clearance > 40 ml/perc
Randomizáláskor
- Teljes válasz MRI-re indukciós kemoterápia után az IPCG-kritériumok szerint (Abrey et al, 2005)
- Karnofsky teljesítmény állapota ≥40
- Megfelelő hematológiai, vese- és májfunkció
Kizárási kritériumok
- Pozitív HIV szerológia
- Meglévő immunhiány (szervátültetett recipiens)
- PCNSL előzetes kezelés
- Izolált primer intraokuláris limfóma
- Alacsony fokú limfóma
- Bármilyen más aktív elsődleges rosszindulatú daganat
Tanulási terv
Hogyan készül a tanulmány?
Tervezési részletek
Kohorszok és beavatkozások
Csoport / Kohorsz |
Beavatkozás / kezelés |
|---|---|
|
Visszatekintő
|
DNS és RNS tumormintákat fogunk használni.
Nem használunk csíravonalat vagy vér DNS-t.
Ezeket az adatokat különböző időpontokban kombinálják a mágneses rezonancia képalkotással (MRI): diagnóziskor, a kezelés végén és a betegség előrehaladtával.
|
|
Leendő
|
DNS és RNS tumormintákat fogunk használni.
Nem használunk csíravonalat vagy vér DNS-t.
Ezeket az adatokat különböző időpontokban kombinálják a mágneses rezonancia képalkotással (MRI): diagnóziskor, a kezelés végén és a betegség előrehaladtával.
|
Mit mér a tanulmány?
Elsődleges eredményintézkedések
Eredménymérő |
Intézkedés leírása |
Időkeret |
|---|---|---|
|
Teljes túlélés és progressziómentes túlélés modellezése MRI és NGS adatok felhasználásával PCNSL betegekben.
Időkeret: 3 év
|
PCNSL jellemzése radiomika, génexpresszió és genotipizálási jellemzők integrálásával. A PCNSL morfológiai fenotípusainak, prognózisának és kemoérzékenységének vagy kemorezisztenciájának matematikai modellezése MRI és NGS adatok felhasználásával. |
3 év
|
Másodlagos eredményintézkedések
Eredménymérő |
Intézkedés leírása |
Időkeret |
|---|---|---|
|
PCNSL progresszió modellezés.
Időkeret: 3 év
|
A kemo-rezisztencia útvonalak elemzése és új terápiás célpontok fejlesztése PCNSL-ben integrált adatok felhasználásával: PNCSL egérmodell, in vitro adatok és radiomikai elemzés.
|
3 év
|
Együttműködők és nyomozók
Nyomozók
- Kutatásvezető: Khê HOANG-XUAN, MD, PhD, Groupe Hospitalier La Pitié Salpêtrière - AP-HP
Tanulmányi rekorddátumok
Tanulmány főbb dátumok
Tanulmány kezdete (Tényleges)
Elsődleges befejezés (Várható)
A tanulmány befejezése (Várható)
Tanulmányi regisztráció dátumai
Először benyújtva
Először nyújtották be, amely megfelel a minőségbiztosítási kritériumoknak
Első közzététel (Tényleges)
Tanulmányi rekordok frissítései
Utolsó frissítés közzétéve (Tényleges)
Az utolsó frissítés elküldve, amely megfelel a minőségbiztosítási kritériumoknak
Utolsó ellenőrzés
Több információ
A tanulmányhoz kapcsolódó kifejezések
További vonatkozó MeSH feltételek
Egyéb vizsgálati azonosító számok
- PRTK16149
- 2014-002597-37 (EudraCT szám)
Gyógyszer- és eszközinformációk, tanulmányi dokumentumok
Egy amerikai FDA által szabályozott gyógyszerkészítményt tanulmányoz
Egy amerikai FDA által szabályozott eszközterméket tanulmányoz
Ezt az információt közvetlenül a clinicaltrials.gov webhelyről szereztük be, változtatás nélkül. Ha bármilyen kérése van vizsgálati adatainak módosítására, eltávolítására vagy frissítésére, kérjük, írjon a következő címre: register@clinicaltrials.gov. Amint a változás bevezetésre kerül a clinicaltrials.gov oldalon, ez a webhelyünkön is automatikusan frissül. .