APOLLO 11, konsortium av italienske sentre involvert i behandling av pasienter med lungekreft behandlet med innovative terapier: Data fra den virkelige verden og translasjonsforskning

Med bruken av flere innovative terapier ("target" terapier, immunterapi (IO) og/eller neste generasjons terapier), representerer identifisering av prognostiske/prediktive og/eller resistensbiomarkører hovedmålene for translasjonsforskning innen avansert lungekreft (aLC) . Spesielt med ankomsten av IO har behandlingslandskapet for avanserte ikke-småcellet lungekreft (NSCLC)-pasienter (pts), radikalt endret seg og forlenget den totale overlevelsen (OS). Rollen til programmert dødsligand 1 (PD-L1) forblir udefinert og til dags dato er ingen annen biomarkør brukt til å velge pasienter for IO. Artificial Intelligence (AI)-rammeverk, som syntetiserer og korrelerer informasjon fra forskjellige datakilder, er et potensielt svært effektivt instrument for å konstruere algoritmer som forsterker den individualiserte prediksjonen.

Hovedmålet med APOLLO 11 er å bygge et sterkt italiensk langvarig lungekreftnettverk (i rundt 48 italienske sentre) på data fra den virkelige verden og translasjonsforskning ved å lage en desentralisert langsiktig nasjonal database og en "virtuell" biobank på flere nivåer. Dette vil tillate å unngå verdiløs spredning av enkeltinstitusjonsdata, som ofte forblir ubrukte og usikre på grunn av begrenset antall pasienter og lav statistisk kraft. Dessuten vil APOLLO 11 dra nytte av translasjonsforskningens felles innsats med credoet "enhet er styrke". Flernivåstrukturen er designet også for de minste sentrene for å gi dem mulighet til å bidra til biobank som ser på deres interne fasiliteter.

APOLLO 11 har som mål å etablere konsortiet ved å fullaktivere minst 20 av de 48 involverte sentrene som er i stand til å samle inn data i databasen og garantere aktiveringen klar for minst 10 biobanker som kan samle inn prøver (svulstvev, blod, avføring og urin). Dessuten er det sentrale vitenskapelige målet med prosjektet å gi svar om anNSCLC-pkter behandlet med IO. Spesielt, prøv å finne en "programvare" biomarkør som er i stand til å bedre forutsi IO-utvelgelse sammenlignet med standardisert enkelt biomarkør (f.eks. PD-L1, TMB) ved bruk av kunstig intelligens/maskin/dyp læring (AI/DL/ML) metoder. Den virkelige verden (demografisk, histologi, PD-L1, molekylær, behandling og utfallsinformasjon osv.), radiomikalier og hvor tilgjengelig (fra tidligere undersøkelser) multiomiske data fra alle de aktiverte sentrene vil bli samlet inn. Videre vil enkeltcelle RNA-sekvensering (scRNA seq)-analyse bli utført. Til slutt vil AI/ML/DL bli brukt til å integrere multikildedataene, analysere dem og utvikle prediktive algoritmer for IO-effektivitet i NSCLC pts. Forklarbar pålitelig AI (XAI) metodikk vil bli brukt for å bedre forstå svart boks for å forklare klinisk og biologisk innsikt.