Een Cohort voor Ontstekingsgerelateerde Luchtwegaandoeningen: Van Fenotypering tot Gepersonaliseerde Geneeskunde (PALMIRE)

De cohorte voor inflammatoire luchtwegaandoeningen: van fenotypering naar gepersonaliseerde geneeskunde (het PALMIRE-project) is een monocentrische studie uitgevoerd in het Universitair Ziekenhuis van Reims, Frankrijk.

Studiepopulatie:

Volwassen patiënten (>18 jaar) die worden gevolgd in het Universitair Ziekenhuis van Reims en bij wie astma, COPD, bronchiëctasieën, CF, PCD of IPF is vastgesteld, worden overwogen voor inclusie. Patiënten zullen een geïnformeerde toestemming voor inclusie ondertekenen. Uitsluitingscriteria omvatten "personen die onder bescherming van de wet vallen" zoals vereist door de Franse autoriteiten. Controlepatiënten zonder luchtwegaandoeningen na klinische en longfunctietesten zullen ook worden geïncludeerd. Het verwachte aantal geïncludeerde patiënten is 470 (Astma, n=100; COPD, n=150; bronchiëctasieën, n=50; CF, n=60; PCD, n=30; ILD, n=30; controles, n=50). Inclusie zal plaatsvinden gedurende 60 maanden van juli 2025 tot juli 2030.

Studieprocedures:

Voor alle geïncludeerde astma-, COPD-, bronchiëctasie-, CF-, PCD- en IPF-patiënten worden gegevens geregistreerd bij inclusie en tijdens vervolgbezoeken gedurende 10 jaar. Patiënten worden opgevolgd volgens de gebruikelijke zorg zonder specifieke therapeutische interventie. Voor controlepatiënten worden gegevens alleen bij inclusie geregistreerd zonder vervolg.

De vastgelegde gegevens omvatten demografie, voorgeschiedenis van luchtwegaandoeningen en comorbiditeiten, luchtwegklachten, resultaten van longfunctietesten en CT-scans, microbiologische en pathologische kenmerken van luchtwegmonsters wanneer uitgevoerd.

Gegevensanalyse:

Gegevens worden geregistreerd in een gecentraliseerde geanonimiseerde database. De kenmerken van de patiënten worden beschreven als gemiddelde en standaarddeviatie voor kwantitatieve gegevens en als aantal en percentages voor kwalitatieve gegevens. Vergelijkingen en associaties tussen groepen en variabelen worden geanalyseerd met Student, Wilcoxon, Chi2, Fischer exact en Spearman tests waar van toepassing. Een p<0,05 wordt als significant beschouwd. Multivariate en longitudinale statistische modellen worden gebruikt om clusters van patiënten met gedeelde endotypen te identificeren. Machine learning-benaderingen worden gebruikt om multi-omics gegevens te integreren en voorspellende modellen te genereren voor ziekteverloop en behandelresponsen.

Significantie:

Deze studie zou moeten helpen de pathogenese en heterogeniteit van chronische luchtwegaandoeningen beter te begrijpen door de analyse van fenotypische en endotypische kenmerken van patiënten te integreren.