- ICH GCP
- Registro degli studi clinici negli Stati Uniti
- Sperimentazione clinica NCT01302626
Radiomica: uno studio sull'esito nel cancro del polmone (Radiomics)
Radiomica: uno studio prospettico dell'esito nel cancro del polmone
Scopo dello studio: Lo scopo principale è quello di raccogliere dati di pazienti con cancro del polmone e di eseguire diverse analisi su questi dati. I dati contengono informazioni sulle caratteristiche del paziente e del tumore, sull'imaging e sulle caratteristiche del trattamento. Con questi dati è possibile migliorare e convalidare il modello predittivo per la sopravvivenza e la tossicità a lungo termine nel cancro del polmone mediante la raccolta di dati prospettici multicentrici. L'obiettivo a lungo termine, al di là di questo studio specifico, è quello di costruire un sistema di supporto alle decisioni basato sui modelli predittivi validati in questo studio.
Ipotesi: l'ipotesi generale è che otteniamo una previsione migliore in termini di AUC (area sotto la curva) di sopravvivenza e tossicità a lungo termine quando combiniamo variabili multifattoriali. Queste variabili consistono in informazioni provenienti da dati clinici, dati di imaging, dati relativi al tipo di trattamento e alla qualità del trattamento.
Panoramica dello studio
Stato
Condizioni
Descrizione dettagliata
Trattamento del cancro del polmone
Il cancro del polmone è la causa più comune di morte per cancro nei Paesi Bassi, con un'incidenza annuale superiore a 8.000. Si possono identificare due varianti principali del cancro del polmone: il cancro del polmone a piccole cellule e quello non a piccole cellule (SCLC e NSCLC rispettivamente), quest'ultimo comprendente circa l'80% dei casi di cancro del polmone. Nonostante il miglioramento del trattamento, la prognosi del NSCLC rimane infausta, con una sopravvivenza mediana di 8 mesi dopo la diagnosi e una sopravvivenza a 5 anni inferiore al 13%.
La radioterapia svolge un ruolo chiave nel trattamento del NSCLC. Nel corso degli anni, le opzioni di trattamento radioterapico sono aumentate enormemente. Questi includono l'aumento della dose, programmi più intensivi e concomitante chemio-radioterapia. Questi programmi hanno migliorato sia il controllo locale che la sopravvivenza nei pazienti. Tuttavia, inducono anche una maggiore tossicità e il radioterapista deve affrontare il difficile compito di scegliere la terapia ottimale per ogni paziente: tenendo conto delle caratteristiche del tumore e delle condizioni del paziente. In altre parole: il medico deve stimare il rapporto terapeutico atteso spesso su uno sfondo di informazioni sugli esiti insufficienti.
Lo stesso problema si pone in altre terapie per il cancro del polmone, la chemioterapia e la chirurgia. All'inizio della malattia, la chirurgia è il cardine del trattamento dei pazienti affetti da cancro del polmone. Questo può essere combinato con chemioterapia neoadiuvante o adiuvante e/o radioterapia.
Previsione della risposta
Uno dei principali problemi nella gestione del cancro del polmone è la mancanza di dati relativi ai fattori predittivi per la prognosi e l'esito del trattamento. Il sistema di stadiazione attualmente utilizzato (TNM) non prevede con precisione l'esito all'interno di gruppi di trattamento omogenei. Di conseguenza, non è possibile calcolare un rapporto terapeutico individualizzato, portando a un trattamento eccessivo o insufficiente di molti pazienti e ostacolando l'ulteriore ottimizzazione di qualsiasi terapia.
Sono stati intrapresi tentativi per perfezionare e migliorare la stratificazione del rischio, portando allo sviluppo di diversi modelli di previsione. La performance dei modelli è solitamente espressa come Area Under the Curve (AUC) della Receiver Operating Characteristic (ROC). Il valore massimo dell'AUC è 1,0; indicando un modello di previsione perfetto. Un valore di 0,5 indica che i pazienti sono classificati correttamente nel 50% dei casi, ad es. buono come il caso.
Sebbene elevata precisione di previsione (AUC=0,85) è stato raggiunto per una popolazione di pazienti con NSCLC di tutti gli stadi, trattati con diverse modalità, è un compito più impegnativo predire accuratamente la sopravvivenza quando ci si concentra su un sottogruppo. Un modello di previsione del pretrattamento per i pazienti trattati con chirurgia ha prodotto un AUC di 0,61 mentre un modello di pretrattamento per i pazienti trattati con radioterapia ha prodotto un AUC di 0,75. Un ulteriore miglioramento del modello di radioterapia è stato ottenuto aggiungendo informazioni sui biomarcatori del sangue e questo modello esteso ha prodotto un AUC di 0,83. Indagare su altri biomarcatori del sangue o possibili combinazioni di biomarcatori è una sfida e i nostri risultati sottolineano l'importanza di utilizzare questi dati oltre ai parametri clinici e di imaging.
La sopravvivenza rimane certamente un risultato di grande importanza, ma negli ultimi decenni altre misure di esito correlate al trattamento, come il danno polmonare indotto da radiazioni o il danno esofageo, sono diventate più importanti per la valutazione dei risultati del trattamento.
La polmonite o il danno polmonare indotto da radiazioni è stato oggetto di molti studi. Tuttavia, i risultati sono piuttosto difficili da interpretare, poiché sono state identificate molte variabili diverse, parametri dosimetrici e altre caratteristiche correlate al trattamento o al paziente, gli studi hanno mostrato risultati incoerenti o addirittura contrastanti e le dimensioni dei campioni erano spesso molto limitate.
Recentemente, Chen et al. ha pubblicato un modello di rete neurale per la previsione di polmonite di grado 2 o superiore, che ha prodotto un AUC di 0,74 nel set di dati del test31. Rispetto ad altri modelli, questi risultati sono promettenti, sebbene la validazione esterna del modello sia giustificata prima che possa essere utilizzato nella pratica clinica. Il nostro gruppo ha sviluppato un modello che prevede la dispnea ≥ grado 2 secondo CTCv3.0. Il paziente e i parametri dosimetrici sono stati incorporati nel modello, il che ha portato a un'AUC convalidata in modo incrociato di 0,62.
In sintesi, i modelli esistenti funzionano piuttosto bene, ma c'è molto spazio per miglioramenti aggiungendo nuovi fattori e applicando tecniche avanzate di creazione di modelli. I modelli di previsione devono ancora essere sviluppati per una serie di risultati clinicamente rilevanti. Infine, incorporare gli intervalli di confidenza nella previsione e quantificare il guadagno nella precisione della previsione se viene eseguito un determinato test diagnostico/prognostico, sarebbe certamente di grande valore per l'uso clinico dei modelli (http://www.predictcancer.org/ ).
- Strategie per migliorare i modelli di previsione per il cancro del polmone
Al fine di migliorare i modelli di previsione per la sopravvivenza e l'esito della tossicità, è possibile includere molte variabili come possibili predittori tra cui informazioni di imaging, genomica e proteomica.
3.1 Immagini
Una caratteristica importante per la prognosi sulla FDG-PET-scan è il massimo valore di assorbimento standardizzato (SUVmax). Esiste una differenza statisticamente significativa nella sopravvivenza a 2 anni tra i pazienti con SUV pretrattamento elevato e SUV pretrattamento basso. I pazienti con SUVmax basso hanno avuto una sopravvivenza a 2 anni del 90,6%, mentre i pazienti con SUVmax alto hanno avuto una sopravvivenza a 2 anni solo del 58,6%. Esiste una correlazione significativa tra un SUVmax elevato e un'elevata colorazione HIF1α nelle biopsie, che è un marker di ipossia. Relazioni non significative sono state mostrate per CA IX, Ki67 e Glut-1 e SUVmax.
Oltre a FDG, sono in fase di sviluppo nuovi traccianti PET. Uno dei nuovi traccianti è HX4, che è un tracciante di ipossia. La regolazione dell'omeostasi dell'ossigeno nei tessuti è fondamentale per la funzione cellulare, la proliferazione e la sopravvivenza. Le prove di ciò continuano ad accumularsi insieme alla nostra comprensione dei complessi percorsi di rilevamento dell'ossigeno presenti all'interno delle cellule. Il microambiente dei tumori in particolare è molto eterogeneo di ossigeno, con aree ipossiche, che possono spiegare gran parte della nostra difficoltà nel trattare il cancro in modo efficace. Questo è vero quando si confrontano i livelli di ipossia tra diversi tumori dei pazienti, ma anche all'interno di singoli tumori. L'accumulazione di prove implica che le risposte biologiche all'ipossia e le alterazioni in questi percorsi nel cancro contribuiscono in modo importante alla malignità complessiva e all'efficacia del trattamento. Ciò ha recentemente portato a diverse indagini sulla possibilità di imaging e trattamento mirato alle risposte biologiche all'ipossia.
3.2 Firme genetiche
L'analisi delle firme geniche può aiutare a migliorare il valore predittivo del modello. Un esempio di ciò è la firma di proliferazione studiata da Starmans et al. Due diverse firme di 110 geni sono state confrontate nel valore prognostico. Entrambi hanno mostrato un ottimo valore prognostico sui set di dati sul cancro al seno. L'AUC (area sotto la curva) è migliorata quando la firma della proliferazione è stata aggiunta ai modelli dei fattori clinici. Un altro profilo genico è stato testato su NSCLC in fase iniziale. Questo profilo è costituito da 72 geni ed è convalidato su pazienti con NSCLC in stadio I e II di cinque centri. È stato possibile identificare i pazienti con NSCLC in stadio iniziale ad alto e basso rischio di recidiva della malattia e morte entro 3 anni dal trattamento chirurgico primario.
3.3 Biopsie tumorali
L'ipossia è (oltre che nel siero) misurabile anche nel tessuto stesso. Diversi marcatori di ipossia sono predittivi per la sopravvivenza. Un esempio è HIF1α, che è sovraregolato in caso di ipossia. Una colorazione più elevata di HIF1α è correlata a una prognosi peggiore nel NSCLC. CA IX correlava con ipossia grave e cronica e ha una forte associazione con un esito sfavorevole nel NSCLC.
Un altro marcatore è Ki67, che è espresso nelle cellule in proliferazione. Un Ki67 più alto indica una maggiore proliferazione e in una revisione sistemica di Martin et. al. una prognosi peggiore è stata mostrata quando l'espressione di Ki67 è aumentata.
3.4 Applicazione di tecniche di machine learning
La disponibilità di dati genomici, insieme a modalità di imaging migliorate, porta a quantità senza precedenti di dati biologici e medici, che possono essere trattati solo utilizzando metodi computazionali, non solo per archiviare i dati, ma anche per integrare, analizzare, visualizzare ed eventualmente comprendere Esso.
L'apprendimento automatico offre una serie di tecniche per questi scopi. Queste tecniche possono superare i problemi incontrati con i metodi statistici convenzionali, specialmente se i dati sono altamente correlati, sono disponibili molte variabili ma un numero limitato di pazienti (dati ad alta dimensione) o molti modelli diversi devono essere testati per il loro valore predittivo. Nel campo della radioterapia e in particolare per la previsione delle risposte al trattamento, l'apprendimento automatico è una modalità in arrivo. Sono già stati pubblicati successi rispetto alle statistiche tradizionali 43 e in letteratura si trovano già i primi risultati promettenti per la costruzione di modelli predittivi riguardanti la sopravvivenza del carcinoma polmonare non a piccole cellule.
Tipo di studio
Iscrizione (Effettivo)
Contatti e Sedi
Luoghi di studio
-
-
-
Rome, Italia
- Gemelli Hospital Roma / Universita Cattolica del Sacre Cuore Rome
-
-
-
-
Limburg
-
Maastricht, Limburg, Olanda, 6229 ET
- Maastro clinic, University Hospital of Maastricht
-
-
-
-
Florida
-
Tampa, Florida, Stati Uniti, 33612
- H. Lee Moffitt Cancer Center and Research Institute
-
-
Criteri di partecipazione
Criteri di ammissibilità
Età idonea allo studio
Accetta volontari sani
Sessi ammissibili allo studio
Metodo di campionamento
Popolazione di studio
Descrizione
Criterio di inclusione:
- Cancro del polmone accertato istologicamente o citologicamente (a piccole cellule o non a piccole cellule);
- 18 anni o più;
- Consenso informato secondo le norme nazionali (USA: consenso informato scritto, NL: regola di non obiezione)
Piano di studio
Come è strutturato lo studio?
Dettagli di progettazione
- Modelli osservazionali: Coorte
- Prospettive temporali: Prospettiva
Coorti e interventi
Gruppo / Coorte |
---|
1: Chirurgia da sola o combinata con (chemio)radioterapia
Dopo il trattamento: FU a 2-3 settimane dall'intervento, 3, 6, 12, 24 e 36 mesi dall'intervento |
2: Solo radioterapia
(compresa la radioterapia stereotassica)
Dopo il trattamento: FU a 2-3 settimane post RT, 3,6,12,24 e 36 mesi post-RT |
3: Chemioterapia e radioterapia sequenziali
Dopo il trattamento: FU a 2-3 settimane post RT, 3,6,12,24 e 36 mesi post-RT |
4: Chemioradioterapia concomitante con chemioterapia di induzione
Dopo il trattamento: FU a 2-3 settimane post RT, 3,6,12,24 e 36 mesi post-RT |
5: Chemioradioterapia concomitante senza chemioterapia di induzione
Dopo il trattamento: FU a 2-3 settimane post RT, 3,6,12,24 e 36 mesi post-RT |
6: Cancro del polmone in stadio IV, qualsiasi terapia sistemica e terapia di supporto
Giorno 0:
Dopo il trattamento: FU a 2-3 settimane dopo il trattamento, 3, 6, 12, 24 e 36 mesi dopo il trattamento |
Collaboratori e investigatori
Studiare le date dei record
Studia le date principali
Inizio studio
Completamento primario (Effettivo)
Completamento dello studio (Effettivo)
Date di iscrizione allo studio
Primo inviato
Primo inviato che soddisfa i criteri di controllo qualità
Primo Inserito (Stima)
Aggiornamenti dei record di studio
Ultimo aggiornamento pubblicato (Effettivo)
Ultimo aggiornamento inviato che soddisfa i criteri QC
Ultimo verificato
Maggiori informazioni
Termini relativi a questo studio
Parole chiave
Termini MeSH pertinenti aggiuntivi
Altri numeri di identificazione dello studio
- 10-4-120
Queste informazioni sono state recuperate direttamente dal sito web clinicaltrials.gov senza alcuna modifica. In caso di richieste di modifica, rimozione o aggiornamento dei dettagli dello studio, contattare register@clinicaltrials.gov. Non appena verrà implementata una modifica su clinicaltrials.gov, questa verrà aggiornata automaticamente anche sul nostro sito web .
Prove cliniche su Cancro ai polmoni
-
National Cancer Institute (NCI)ReclutamentoKita-kyushu Lung Cancer Antigen 1, umanoStati Uniti
-
M.D. Anderson Cancer CenterNational Cancer Institute (NCI)CompletatoAdenocarcinoma dell'intestino tenue | Adenocarcinoma dell'intestino tenue in stadio III AJCC v8 | Adenocarcinoma dell'intestino tenue in stadio IIIA AJCC v8 | Adenocarcinoma dell'intestino tenue in stadio IIIB AJCC v8 | Adenocarcinoma dell'intestino tenue stadio IV AJCC v8 | Ampolla di Vater... e altre condizioniStati Uniti
-
Georgetown UniversityNational Cancer Institute (NCI); American Cancer Society, Inc.; Susan G. Komen...CompletatoStudio delle donne cinesi che non hanno aderito alle linee guida per lo screening mammografico dell'American Cancer SocietyStati Uniti
-
Novartis PharmaceuticalsReclutamentoEGFR mutante avanzato Non SmallSellLung Cancer (NSCLC), KRAS G12-mutant NSCLC, Esophageal SquamousCell Cancer (SCC), Head/Neck SCC, MelanomaSpagna, Giappone, Corea, Repubblica di, Taiwan, Olanda, Stati Uniti, Italia, Canada, Singapore
-
Emory UniversityNational Cancer Institute (NCI)RitiratoCancro al seno in stadio IV prognostico AJCC v8 | Neoplasia maligna metastatica nel cervello | Carcinoma mammario metastatico | Anatomic Stage IV Breast Cancer American Joint Committee on Cancer (AJCC) v8
-
NRG OncologyNational Cancer Institute (NCI)Attivo, non reclutanteCancro al seno in stadio anatomico IV AJCC v8 | Cancro al seno in stadio IV prognostico AJCC v8 | Neoplasia maligna metastatica nell'osso | Neoplasia maligna metastatica nei linfonodi | Neoplasia maligna metastatica nel fegato | Carcinoma mammario metastatico | Neoplasia maligna metastatica nel... e altre condizioniStati Uniti, Canada, Arabia Saudita, Corea, Repubblica di
-
Rashmi Verma, MDNational Cancer Institute (NCI)ReclutamentoCarcinoma prostatico resistente alla castrazione | Adenocarcinoma prostatico metastatico | Stadio IVB Cancro alla prostata American Joint Committee on Cancer (AJCC) v8Stati Uniti
-
Jonsson Comprehensive Cancer CenterNon ancora reclutamentoCarcinoma della prostata | Stadio IVB Cancro alla prostata American Joint Committee on Cancer (AJCC) v8Stati Uniti
-
Assiut UniversityNon ancora reclutamentoDeterminare l’incidenza cumulativa di AKI utilizzando i criteri KDIGO in pazienti pediatrici con tumori maligni presso il South Egypt Cancer Institute (SECI)
-
University of ChicagoNational Cancer Institute (NCI)CompletatoAdenocarcinoma pancreatico | Adenocarcinoma gastrico | Adenocarcinoma pancreatico metastatico | Neoplasia gastrointestinale maligna | Cancro al pancreas in stadio III | Cancro al pancreas in stadio IV | Carcinoma della cistifellea | Cancro alla cistifellea in stadio IV | Cancro gastrico in stadio IV | Cancro... e altre condizioniStati Uniti