CoMPaSS-NMD - HNMD의 신규 환자 계층화 전략을 위한 전산 모델 (CoMPaSS-NMD)
새로운 환자의 신경근 장애 계층화 전략을 위한 전산 모델
연구 개요
상세 설명
유전성 신경근 장애(HNMD)는 진행성 근육 약화 및 위축을 유발하고 이동성에 심각한 영향을 미치며 종종 장기적인 장애를 초래하는 유전성 유전 질환입니다[1, 2]. 이러한 조건은 사회 참여를 극적으로 저해하고 독립성을 상실하며 조기 사망으로 이어질 수 있습니다[3]. 일상 활동과 사회적 참여에 영향을 미치는 것 외에도 HNMD는 다른 사람의 광범위한 보살핌을 필요로 하며 환자, 가족 및 사회에 상당한 개인적, 사회적, 경제적 부담을 부과합니다. HNMD는 근골격계 질환의 더 넓은 범주에 속하는 하위 그룹으로, 장애를 안고 생활하는 기간의 주요 원인입니다. 개별적으로는 드물지만 HNMD는 전 세계적으로 200만 명 이상의 사람들에게 전체적으로 영향을 미칩니다[4].
HNMD 진단에는 종종 부분적이거나 결론이 나지 않을 수 있는 여러 가지 비용이 많이 드는 조사가 포함되어 개별 예후가 불확실해집니다. 현재 유전학 연구에서는 600개 이상의 원인 유전자를 가진 16개 그룹의 HNMD가 확인되었습니다[5]. 현재 HNMD의 분류는 주로 유전 방식, 유전적 돌연변이, 허약의 임상적 발현, 조직학적 특징, 발병 연령, 진행 속도 및 예후와 같은 요인을 기반으로 합니다.
분자 DNA 분석은 이러한 질병을 진단하는 표준이 되었습니다. 그러나 광범위한 유전자 염기서열 분석을 통해 동일한 유전자에 돌연변이가 있는 환자나 건강한 친척에서 서로 다른 임상 양상을 나타내는 광범위한 표현형 스펙트럼이 밝혀져 임상적 "게슈탈트"와의 상관관계가 복잡해졌습니다. HNMD 환자는 종종 근육 영상 및 조직학에서 유사한 특징과 변화를 보이지만 일부는 다른 유전자에 돌연변이가 있을 수 있는 반면 다른 일부는 명백히 해로운 변이가 없을 수 있습니다. 이러한 관찰은 현재 진단 접근법의 한계를 강조하고 유전성 신경근 질환이 복잡하고 거의 알려지지 않은 생물학적 상호 작용으로 인해 발생할 수 있음을 시사합니다.
결과적으로, 신경근질환 증상을 나타내는 환자의 60%는 정확한 분자진단을 받지 못하고 있으며, 현재 대부분의 질환에 대한 효과적인 치료법이 없습니다[6].
최근 몇 년 동안 인공지능(AI), 특히 머신러닝(ML)은 생명과학 분야의 적용을 지원하는 수준으로 성숙해 맞춤형 의료의 길을 열었습니다[7]. ML 기반 계산 도구는 HNMD의 병인 및 전염 메커니즘에 대한 새로운 통찰력을 제공하고, 정확한 임상 특성화 및 진단을 달성하고, 정확한 임상 결정을 지원하고, 종종 예측하기 어려운 미래 예후를 개선함으로써 의학 지식을 확장할 수 있는 전례 없는 기회를 제공합니다. 임상 실습.
CoMPaSS-NMD 프로젝트는 다음 4가지 일반적인 목표를 가지고 HNMD 환자의 계층화를 위한 새로운 ML 도구를 개발, 적용 및 테스트하는 것을 목표로 합니다.
- 검증된 데이터를 기반으로 계산 도구를 개발하기 위해 강력하고 신뢰할 수 있는 데이터세트를 생성합니다.
- 환자, 의료 전문가, 과학계 및 잠재적으로 HNMD의 영향을 받는 개인을 지원하기 위해 임상 표현형 분류를 위한 임상 데이터 통합 솔루션을 만듭니다.
- 표현형 계층화를 기반으로 환자 관리를 개선하고 의료 서비스 제공자를 위한 현재 치료 표준을 향상시키기 위한 증거 기반 지침을 개발합니다.
- ATLAS-NMD로 알려진 신경근 질환의 영향을 받는 환자를 위해 유럽 연합(EU) FAIR(검색 가능, 접근 가능, 상호 운용 가능, 재사용 가능) 원칙을 준수하는 공개 데이터 수집을 위한 온라인 플랫폼을 만듭니다.
CoMPaSS 연구는 기존 데이터와 새로 얻은 데이터를 두 부분으로 나누어 처리합니다. (i) 영국(UNEW), 프랑스(CERBM) 센터에서 수집한 유전, 조직병리학 및 자기공명영상(MRI) 데이터를 사용한 후향적 관찰 연구입니다. , 핀란드(SFF), 이탈리아(FSM); (ii) 이탈리아(FSM, UNIMORE) 및 독일(LMUM)의 임상 참조 센터에서 이전에 진단되지 않은 500명의 환자로부터 임상, 유전, 조직병리학 및 MRI 데이터를 수집하는 전향적 연구.
전향적 연구의 각 참가자는 다음을 겪게 됩니다:
- 전자 임상 기록(eCRF)에 기록된 데이터를 사용하여 모든 근육 부위를 평가하는 표준화된 임상 평가 프로토콜입니다.
- 근육 MRI는 임상 적응증에 따라 수행되었습니다.
- 임상적으로 필요한 경우 영향을 받은 근육의 근육 생검.
- 말초 혈액 림프구에서 추출한 DNA의 게놈 분석. 연구 참여는 참가자 또는 법적 대리인이 연구 정보 시트를 검토하고 민감한 데이터 및 개인 정보 처리에 대한 사전 동의를 제공하고 동의서에 서명한 후에만 부여됩니다.
이 연구는 비지도 다차원 처리를 기반으로 클러스터링을 위한 계산 도구를 사용합니다. 이는 데이터의 내부 구조를 사용하여 환자 간의 유사한 그룹을 정의합니다. 데이터 개인 정보 보호, 데이터 최소화 및 데이터 액세스 권한과 관련하여 이 연구는 연합 학습 접근 방식을 따릅니다. 이를 통해 계층화 및 분류를 위한 모델이 각 임상 센터에서 데이터를 분산된 상태로 유지하면서 여러 엔터티에서 공동으로 훈련할 수 있습니다.
이 연구는 데이터 보호 및 관리의 모든 원칙을 존중하면서 강력한 이해관계자 참여와 다른 프로젝트 컨소시엄과의 네트워킹을 포함하는 환자 중심의 공동 설계 방법론을 고수합니다.
예상되는 결과와 관련하여 이 연구는 건강 데이터를 통합하고 임상 표현형을 보다 정확하게 분류하기 위한 효과적인 솔루션을 연구자에게 제공하는 것을 목표로 합니다. 이러한 결과를 바탕으로 뚜렷한 임상 특성의 계층화를 사용하여 증거 기반 지침을 개발하여 궁극적으로 HNMD 환자의 진단 및 예후를 위한 우수한 표준 치료를 제공할 것입니다.
이 연구는 HORIZON-HLTH-2022-TOOL-12-two-stage라는 명칭으로 유럽 프레임워크 프로그램인 "Horizon Europe"의 자금 지원을 받았습니다.
연구 유형
등록 (추정된)
연락처 및 위치
참여기준
자격 기준
공부할 수 있는 나이
- 어린이
- 성인
- 고령자
건강한 자원 봉사자를 받아들입니다
샘플링 방법
연구 인구
설명
포함 기준:
- 결정될 성격의 유전성 신경근 질환 진단을 받은 18세 이상의 남성과 여성 및 1~17세의 미성년자(후자는 부모/보호자의 동의가 있음).
- 적어도 기준선 방문 동안 프로토콜에 명시된 대로 평가를 수행하려는 의지.
- 생체검사, MRI, 혈액 분석을 통해 수집된 생물학적 샘플을 기증하려는 의지.
제외 기준:
- 적어도 기준선 방문 동안 프로토콜에 명시된 대로 평가를 수행하기를 꺼려함
- 생체검사, MRI, 혈액분석을 통해 수집한 생체시료 기증을 꺼리는 경우
공부 계획
연구는 어떻게 설계됩니까?
디자인 세부사항
코호트 및 개입
그룹/코호트 |
개입 / 치료 |
|---|---|
|
UNIMORE - 모데나 대학교 및 레지오 에밀리아 대학교
HNDM을 앓고 있는 성인 환자 AI 시스템을 통해 HNMD 환자를 분류하기 위해 혈액 샘플, 피부/생검 샘플, 성인의 MRI 데이터 수집 |
개입은 먼저 정의된 코호트에서 온 총 500명의 환자로부터 임상, 유전, 조직병리학, MRI 데이터를 얻는 것으로 구성됩니다.
제공된 데이터를 기반으로 개발된 적응형 AI 도구는 환자의 슈퍼클러스터와 다중 오믹스 시그니처를 지원하는 다중 모드 특성을 식별합니다.
|
|
FSM - 폰다지오네 스텔라 마리스
HNDM을 앓고 있는 성인 및 어린이 환자 AI 시스템을 통해 HNMD 환자를 분류하기 위해 혈액 샘플, 피부/생검 샘플, 미성년자 MRI 데이터 수집 |
개입은 먼저 정의된 코호트에서 온 총 500명의 환자로부터 임상, 유전, 조직병리학, MRI 데이터를 얻는 것으로 구성됩니다.
제공된 데이터를 기반으로 개발된 적응형 AI 도구는 환자의 슈퍼클러스터와 다중 오믹스 시그니처를 지원하는 다중 모드 특성을 식별합니다.
|
|
LMUM - 루드비히 막시밀리안 대학교 뮌헨
HNDM을 앓고 있는 성인 환자 AI 시스템을 통해 HNMD 환자를 분류하기 위해 혈액 샘플, 피부/생검 샘플, 성인의 MRI 데이터 수집 |
개입은 먼저 정의된 코호트에서 온 총 500명의 환자로부터 임상, 유전, 조직병리학, MRI 데이터를 얻는 것으로 구성됩니다.
제공된 데이터를 기반으로 개발된 적응형 AI 도구는 환자의 슈퍼클러스터와 다중 오믹스 시그니처를 지원하는 다중 모드 특성을 식별합니다.
|
연구는 무엇을 측정합니까?
주요 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
기존 유전자, 조직 병리학 및 MRI 데이터에 대한 감독되지 않은 연구에서 개발 된 알고리즘 및 계산 모델을 검증하는 데 사용될 HNMD 환자의 업데이트 된 데이터베이스
기간: 36 개월
|
|
36 개월
|
공동 작업자 및 조사자
수사관
- 수석 연구원: ROSSELLA G TUPLER, University of Modena and Reggio Emilia
간행물 및 유용한 링크
일반 간행물
- Bevan S. Economic impact of musculoskeletal disorders (MSDs) on work in Europe. Best Pract Res Clin Rheumatol. 2015 Jun;29(3):356-73. doi: 10.1016/j.berh.2015.08.002. Epub 2015 Oct 24.
- McCarthy JF, Marx KA, Hoffman PE, Gee AG, O'Neil P, Ujwal ML, Hotchkiss J. Applications of machine learning and high-dimensional visualization in cancer detection, diagnosis, and management. Ann N Y Acad Sci. 2004 May;1020:239-62. doi: 10.1196/annals.1310.020.
- Savarese M, Di Fruscio G, Torella A, Fiorillo C, Magri F, Fanin M, Ruggiero L, Ricci G, Astrea G, Passamano L, Ruggieri A, Ronchi D, Tasca G, D'Amico A, Janssens S, Farina O, Mutarelli M, Marwah VS, Garofalo A, Giugliano T, Sampaolo S, Del Vecchio Blanco F, Esposito G, Piluso G, D'Ambrosio P, Petillo R, Musumeci O, Rodolico C, Messina S, Evila A, Hackman P, Filosto M, Di Iorio G, Siciliano G, Mora M, Maggi L, Minetti C, Sacconi S, Santoro L, Claes K, Vercelli L, Mongini T, Ricci E, Gualandi F, Tupler R, De Bleecker J, Udd B, Toscano A, Moggio M, Pegoraro E, Bertini E, Mercuri E, Angelini C, Santorelli FM, Politano L, Bruno C, Comi GP, Nigro V. The genetic basis of undiagnosed muscular dystrophies and myopathies: Results from 504 patients. Neurology. 2016 Jul 5;87(1):71-6. doi: 10.1212/WNL.0000000000002800. Epub 2016 Jun 8. Erratum In: Neurology. 2018 Jun 5;90(23):1084. doi: 10.1212/WNL.0000000000005192. Neurology. 2019 Aug 20;93(8):371. doi: 10.1212/WNL.0000000000007477.
- Cohen E, Bonne G, Rivier F, Hamroun D. The 2022 version of the gene table of neuromuscular disorders (nuclear genome). Neuromuscul Disord. 2021 Dec;31(12):1313-1357. doi: 10.1016/j.nmd.2021.11.004. No abstract available.
- Muller KI, Ghelue MV, Lund I, Jonsrud C, Arntzen KA. The prevalence of hereditary neuromuscular disorders in Northern Norway. Brain Behav. 2021 Jan;11(1):e01948. doi: 10.1002/brb3.1948. Epub 2020 Nov 13.
- Turner JA, Franklin G, Fulton-Kehoe D, Egan K, Wickizer TM, Lymp JF, Sheppard L, Kaufman JD. Prediction of chronic disability in work-related musculoskeletal disorders: a prospective, population-based study. BMC Musculoskelet Disord. 2004 May 24;5:14. doi: 10.1186/1471-2474-5-14.
- Cylus J, Figueras J, Normand C, authors. Sagan A, Richardson E, North J, White C, editors. Will Population Ageing Spell the End of the Welfare State? A review of evidence and policy options [Internet]. Copenhagen (Denmark): European Observatory on Health Systems and Policies; 2019. Available from http://www.ncbi.nlm.nih.gov/books/NBK550573/
연구 기록 날짜
연구 주요 날짜
연구 시작 (실제)
기본 완료 (추정된)
연구 완료 (추정된)
연구 등록 날짜
최초 제출
QC 기준을 충족하는 최초 제출
처음 게시됨 (실제)
연구 기록 업데이트
마지막 업데이트 게시됨 (실제)
QC 기준을 충족하는 마지막 업데이트 제출
마지막으로 확인됨
추가 정보
이 정보는 변경 없이 clinicaltrials.gov 웹사이트에서 직접 가져온 것입니다. 귀하의 연구 세부 정보를 변경, 제거 또는 업데이트하도록 요청하는 경우 register@clinicaltrials.gov. 문의하십시오. 변경 사항이 clinicaltrials.gov에 구현되는 즉시 저희 웹사이트에도 자동으로 업데이트됩니다. .