Ezt az oldalt automatikusan lefordították, és a fordítás pontossága nem garantált. Kérjük, olvassa el a angol verzió forrásszöveghez.

Lung Cancer Multi-omics Digital Human Avatarok a precíziós orvoslás integrálásához a klinikai gyakorlatba (LANTERN)

Lung Cancer Multi-omics Digital Human Avatarok a precíziós orvoslás integrálásához a klinikai gyakorlatba: a LANTERN-tanulmány

Ennek a többközpontú megfigyeléses klinikai vizsgálatnak az a célja, hogy pontos prediktív modelleket fejlesszen ki tüdőrákos betegek számára, különféle omika-alapú változók felhasználásával digitális emberi avatárok létrehozásával, valamint a jól bevált klinikai tényezők integrálásával a "nagy adatokkal" és a fejlett képalkotással. jellemzők

A LANTERN projekt fő céljai:

  • Prevenciós modellek kidolgozása a tüdőrák korai diagnosztizálására;
  • Személyre szabott prediktív modellek felállítása egyén-specifikus kezelésekhez;

A tüdőrákos betegeket prospektívan bevonják, és összegyűjtik a fő omikai adatokat (beleértve a radiomikát és a genomikát), amelyek tükrözik a tüdőrák diagnózisával és a döntéshozatali folyamattal kapcsolatos főbb omikai tartományokat.

Az összes összegyűjtött adatkészlet feltáró elemzése kiválasztja a potenciális biomarkerek készletét, hogy több különálló többváltozós modellt hozzon létre, amelyet fejlett gépi tanulási (ML) és mesterséges intelligencia technikákon keresztül képeznek, és amelyeket speciális érdeklődési területekre osztanak fel. Végül a kifejlesztett prediktív modelleket validálják, hogy teszteljék robusztusságukat, átruházhatóságukat és általánosíthatóságukat, ami a Digital Human Avatar kifejlesztéséhez vezet.

A tanulmány áttekintése

Állapot

Még nincs toborzás

Körülmények

Beavatkozás / kezelés

Részletes leírás

Betegfelvételi és ómikus adatgyűjtés A munkacsoport célja, hogy információkat gyűjtsön minden olyan klinikai és omika alapú adatforrásból, amelyet klinikailag jelentősnek tartanak a tüdőrák átfogó diagnosztikai és terápiás munkafolyamatában. Strukturált terminológiai rendszert fejlesztenek ki a konkrét esetjelentési űrlapokon (CRF) keresztül történő előretekintő adatgyűjtéshez.

A betegeket a dedikált kutatási felvételi központok veszik fel, és az öt omika-alapú változóból nyert adatokat összegyűjtik és biztonságos adatbázisban rögzítik.

Omics adatok archiválása és interakcióképesség Ennek a munkaprogramnak az a fő célja, hogy lehetővé tegye a teljes adatintegrációt mind a meglévő, mind az új archiválási rendszerekbe, valamint az összegyűjtött omikai adatok egyszerű és hatékony felhasználását és megosztását.

Minden összegyűjtött adat, amely a különböző figyelembe vett omics-domaineket reprezentálja, egy közös, közös ontológia szerint kerül rögzítésre. A megosztott általános ontológia egy strukturált terminológiai rendszert képvisel az adatok archiválásához és elemzéséhez, ahol az összes különböző omika tartományt egy speciális eCRF-ben rögzítik, biztosítva az összes összegyűjtött adatváltozó koherenciáját. Végül az összegyűjtött, omika-vonatkozású adatok radiomikus elemzésen esnek át, majd kivonják a radiomikus jellemzőket.

Omics adatmodellezés, Digital Human avatar (DHA) létrehozása és érvényesítése

Ez a munkacsoport a pontos prediktív modellek fejlesztésére (Digital Human Avatarok (DHA) létrehozásával) és azok érvényesítésére összpontosít. Ennek a WP-nek a célja a hatékony elsődleges biomarkerek azonosítása, összehangolása kompakt statisztikai modellekkel, és ezt követően olyan betegspecifikus DHA-k létrehozása, amelyek minden egyes páciens számára egyediek. Terveink szerint az összes fent említett omikai adatot prediktív modellekbe integráljuk, amelyek egy teljesen személyre szabott és innovatív tüdőrák integrált döntéstámogató rendszer alapját képezik. Ez a WP három szakaszra oszlik:

1. fázis: Az Omics funkciók azonosítása és kiválasztása 2. fázis: Prediktív modellfejlesztés és DHA létrehozása 3. fázis: Prediktív modell és DHA validálás

Az Omics funkciók azonosítása és kiválasztása:

Az első lépésben a becslések szerint ≈ 240 NSCLC-beteg összes összegyűjtött adatkészletére kiterjedő feltáró elemzés lehetővé teszi a biomarker azonosítási folyamat elindítását, és korlátozza az információmennyiséget a potenciális biomarkerek kiválasztottabb csoportja felé. Ez az első fázis robusztus adatelemzési technikákat fog alkalmazni a releváns változók egyváltozós környezetben történő azonosítására, figyelembe véve az egyéni statisztikai eloszlásokat, a jellemzőkkel kapcsolatos összefüggéseket és az általános leíró statisztikákat.

Prediktív modellfejlesztés és DHA létrehozása:

A második szakasz célja több különálló, de moduláris többváltozós modell létrehozása, amelyeket fejlett ML és AI technikák segítségével képeznek ki, speciális moduláris érdeklődési területekre szegmentálva, és ezt követően létrehozzák a DHA-t. Különféle felügyelt modelleket fejlesztenek ki, beleértve a logisztikus regressziót, a döntési fát, a támogató vektorgépet, a véletlenszerű erdőt, az XGBoost osztályozót és a mesterséges neurális hálózatokat. A k-szeres keresztellenőrzést a hiperparaméterek hangolására használjuk, és az ML modellek teljesítményének statisztikai szignifikancia-összehasonlítását végezzük el. Ennek célja a prediktív teljesítmény értékelése a pontosság (a betegek teljes számához megfelelően besorolt ​​alanyok száma) és a precizitás (valódi pozitív az összes teszt pozitív esetén, visszahívás (érzékenység), F1 pontszám (2*pontosság*visszahívás/(pontosság)) alapján. +visszahívás)) és az AUC-ROC.

A DHA létrehozása magában foglalja a speciális algoritmusok integrálását az adatkinyerési folyamatba, hogy megtisztítsák és átstrukturálják az adatáramlást, miközben szövegbányászati ​​és természetes nyelvi feldolgozási technológiákat alkalmaznak a strukturálatlan szövegekre. Ennek az előfeldolgozásnak az eredményei ezután egy speciálisan hozzárendelt ontológián keresztül újrakódolásra kerülnek, hogy felfedjék a duplikációkat. Ez Marts adatok létrehozásához vezet, amelyek folyamatosan és automatikusan frissülnek az új adatokkal. A rendelkezésre álló, már feldolgozott adatok alapján a kidolgozott algoritmus és a mögöttes infrastruktúra segítségével osztályozzák az újonnan frissített betegadatokat a klinikusok az interfész segítségével. A dinamikus interfészen keresztül megjelenített adatok lehetővé teszik az adatbázisban már meglévő, korábban hozzáadott betegadatok alapos feltárását, hogy a múltbeli adatok és a klinikus tapasztalata alapján következzenek a legjobb cselekvési módra. Ez egy általánosabb feltárási munkafolyamathoz vezet, amely hipotézisgenerátorként fog működni a felhasználó számára, egyéni kritériumok alapján klaszterezve az információkat, és ezáltal a rendelkezésre álló adatok feltáró elemzését generálja.

A nyomozók becslése szerint körülbelül 300, teljes adatokkal rendelkező NSCLC-eset elegendő a folyamat elindításához. Mind a felhasználóbarátság, mind a modell magyarázhatósága lesz a modellfejlesztési stratégiák elsődleges mércéje. Könnyen értelmezhető értékek, például a SHAP (SHapley Additive ExPlanations) értékek minden modellhez csatolva lesznek, hogy elkerülhető legyen minden olyan fekete doboz megközelítés, amely megnehezítheti a modellkimenetek magyarázatát a betegek számára a klinikusokkal való interakció során.

Prediktív modell és DHA validálás: Mind a kifejlesztett modell, mind az átfogó DHA validálásra kerül, hogy teszteljük robusztusságukat, átruházhatóságukat és általánosíthatóságukat. Két egymást követő érvényesítési stratégiát alkalmazunk: a belső és külső validációs technikákat. Becsléseink szerint összesen körülbelül 420 NSCLC-eset szükséges az érvényesítési folyamat elindításához. Ez a folyamat magában foglalja mind a belső, mind a külső érvényesítést.

Tanulmány típusa

Megfigyelő

Beiratkozás (Várható)

600

Kapcsolatok és helyek

Ez a rész a vizsgálatot végzők elérhetőségeit, valamint a vizsgálat lefolytatásának helyére vonatkozó információkat tartalmazza.

Tanulmányi kapcsolat

Részvételi kritériumok

A kutatók olyan embereket keresnek, akik megfelelnek egy bizonyos leírásnak, az úgynevezett jogosultsági kritériumoknak. Néhány példa ezekre a kritériumokra a személy általános egészségi állapota vagy a korábbi kezelések.

Jogosultsági kritériumok

Tanulmányozható életkorok

18 év és régebbi (Felnőtt, Idősebb felnőtt)

Egészséges önkénteseket fogad

Nem

Tanulmányozható nemek

Összes

Mintavételi módszer

Nem valószínűségi minta

Tanulmányi populáció

A korai stádiumú nem kissejtes tüdőrákban szenvedő betegek műtéti reszekción estek át.

Leírás

Bevételi kritériumok:

  • NSCLC-ben szenvedő (gyanús) betegek
  • 18 év feletti életkor
  • ECOG 0-3
  • Írásbeli tájékoztatáson alapuló beleegyezés

Kizárási kritériumok:

  • ECOG 4
  • Pszichoszociális vagy érzelmi állapotok, amelyek ellentmondanak a vizsgálatban való részvételnek

Tanulási terv

Ez a rész a vizsgálati terv részleteit tartalmazza, beleértve a vizsgálat megtervezését és a vizsgálat mérését.

Hogyan készül a tanulmány?

Tervezési részletek

Kohorszok és beavatkozások

Csoport / Kohorsz
Beavatkozás / kezelés
beíratott betegek
A nem kissejtes tüdőrákos betegek műtéti reszekción estek át. Ennek a kohorsznak egy részét a prediktív modellek felépítésére, egy másik részét pedig a hitelesített modellek validálására fogjuk használni.
a tüdőrák sebészeti eltávolítása

Mit mér a tanulmány?

Elsődleges eredményintézkedések

Eredménymérő
Intézkedés leírása
Időkeret
Prevenciós modellek kidolgozása a tüdőrák korai diagnosztizálására
Időkeret: 36 hónap

NSCLC betegek prognosztikai modelljének fejlesztése omics adatok felhasználásával. Különösen a radiomikai jellemzők és a biomarkerek közötti összefüggést kell meghatározni a tüdőrák stádiumával és a túlélési eredménnyel.

Az Omics adatokat és a prognosztikai modellt a betegségmentesség és a teljes túlélés szempontjából teszteljük, összehasonlítva a különböző modelleket.

36 hónap

Együttműködők és nyomozók

Itt találhatja meg a tanulmányban érintett személyeket és szervezeteket.

Tanulmányi rekorddátumok

Ezek a dátumok nyomon követik a ClinicalTrials.gov webhelyre benyújtott vizsgálati rekordok és összefoglaló eredmények benyújtásának folyamatát. A vizsgálati feljegyzéseket és a jelentett eredményeket a Nemzeti Orvostudományi Könyvtár (NLM) felülvizsgálja, hogy megbizonyosodjon arról, hogy megfelelnek-e az adott minőség-ellenőrzési szabványoknak, mielőtt közzéteszik őket a nyilvános weboldalon.

Tanulmány főbb dátumok

Tanulmány kezdete (Várható)

2023. június 1.

Elsődleges befejezés (Várható)

2025. október 1.

A tanulmány befejezése (Várható)

2026. június 1.

Tanulmányi regisztráció dátumai

Először benyújtva

2023. február 16.

Először nyújtották be, amely megfelel a minőségbiztosítási kritériumoknak

2023. április 4.

Első közzététel (Tényleges)

2023. április 7.

Tanulmányi rekordok frissítései

Utolsó frissítés közzétéve (Tényleges)

2023. április 7.

Az utolsó frissítés elküldve, amely megfelel a minőségbiztosítási kritériumoknak

2023. április 4.

Utolsó ellenőrzés

2023. február 1.

Több információ

A tanulmányhoz kapcsolódó kifejezések

Terv az egyéni résztvevői adatokhoz (IPD)

Tervezi megosztani az egyéni résztvevői adatokat (IPD)?

NEM

Gyógyszer- és eszközinformációk, tanulmányi dokumentumok

Egy amerikai FDA által szabályozott gyógyszerkészítményt tanulmányoz

Nem

Egy amerikai FDA által szabályozott eszközterméket tanulmányoz

Nem

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. .

Iratkozz fel