肺がんにおける心臓線量効果と心臓線量効果の分散学習 (DECIDE)

心臓線量と生存率との関連性が示されたRTOG（放射線治療腫瘍グループ）0617試験の結果が出るまで、心臓線量は肺放射線治療患者にとって大きな懸念事項ではなかった。 それ以来、多くの論文が心臓 (下部構造) 線量と生存または心臓毒性との関連を研究してきました。 理想的には、心臓毒性は生存から切り離されるでしょう。 しかし、心毒性を前向きにスコアリングすることは標準的な手法ではなく、心毒性の症状と肺がん（治療）の症状が重なるため、遡及的にスコアリングすることは困難です。 したがって、現実世界のコホートでは、心臓毒性は通常適切にスコア化されておらず、ほとんどの大規模研究では実用的に全生存期間を主要評価項目とみなしているため、心臓線量と心臓毒性の関係は肺がん患者について十分に確立されていない。

心臓毒性は生存率低下の唯一の要因ではない可能性があります。免疫系の毒性は、競合するリスクまたは主要な寄与要因である可能性があり、心臓への線量が血液への線量の代用となります。 免疫系への線量は EDIC (循環免疫細胞への有効線量) として定義され、心臓線量、肺線量、身体線量の組み合わせから構成されます。 EDIC 線量と心臓線量は部分的に重複しているため、2 つの効果の絡み合いを解消するには、実質的な変動を伴う大規模なコホートが必要になります。 このような膨大な量の日常診療データは、世界中の多くの放射線治療センターですぐに利用できるようになります。 私たちが直面している問題は、日常的なケアのデータが不足していることではなく、そのようなデータを分析に利用できるようにすることです。 DECIDE は連合学習アプローチを採用しています。これは、使用に適合させるためにデータを単一の機関内に集中させる必要がないことを意味します。 私たちは、20,000 人の患者という前例のない大規模コホートを含めることを目指しています。

この提案では、既存のフェデレーテッド ラーニング フレームワークを活用して、同時に接続する 25 を超えるパートナーをサポートするまでスケールアップする科学技術革新を追加する必要があります。 私たちは、(一般化された) 線形疫学モデルと、結果予測のための新しいコンピューター ビジョン ベースのモデルをトレーニングします。 主要な研究では原因特異的生存率（心臓毒性または免疫毒性）が利用できないか信頼性が低いため、より実用的な生存率のエンドポイントを使用します。 心臓全体の線量、心臓下部構造線量、EDIC 線量と既知の臨床危険因子との組み合わせの臨床的寄与を解明することで、肺がん放射線治療の臨床実践を変え、生存率を向上させることが期待されます。