MIRA Clinical Learning Environment (MIRACLE): Lunge (MIRACLE)

Nye datavitenskapelige og bildebaserte metoder for å tilpasse omsorg blir identifisert retrospektivt og utforsket ved mange sentre. Dessverre krever de fleste av disse metodene betydelig manuell intervensjon for å gjelde en gitt pasientsituasjon, og de er vanskelige å implementere i tide for å påvirke beslutninger om pasientbehandling. Klinisk implementering av datavitenskapelig forskning vil kreve automatiserte rørledninger som er knyttet til hele behandlingsveien på måter som letter sanntidsdataanalyse og muliggjør translasjonsforskning.

Den nåværende prosessen for kliniske/translasjonsforskere innen Princess Margaret Hospital (PM)/University Health Network (UHN) for å analysere bildedata involverer omfattende manuell kurering bestående av interaksjoner med elektroniske databaser og analyseverktøy for å: identifisere pasienter med bildedata; samle inn disse dataene; avgrense mål av interesse manuelt (minutter-til-timer per pasient); analysere mål basert på manuelt valgte bilder; og deretter korrelere de analyserte bildene med kliniske informasjonskilder (f.eks. resultater eller korrelative data). Prosjekter med store pasienttall møter derfor ofte uoverstigelige hindringer som begrenser forskningsproduktiviteten.

MIRA (et egenutviklet programmeringsverktøysett) løser et felles problem for alle forskere ved PM/UHN som studerer diagnostikk, strålebehandlingsplanlegging og/eller bildebehandling under behandling ved å tilby et konsistent automatisert analysemiljø for disse dataene. MIRA forbedrer også etikk-godkjente studier med direkte kobling til sanntids kliniske data, inkludert bildediagnostikk via samarbeid med Joint Department of Medical Imaging, informasjon om planlegging av stråleonkologisk behandling og daglig stråleonkologi under behandling. MIRA Clinical Learning Environment (MIRACLE) kvalitetsforbedringsprosjekt har til hensikt å bruke MIRA-plattformen til å utvikle automatiserte kliniske rørledninger for å møte tre spesifikke studiemål:

Å identifisere lungekreftpasienter med udiagnostisert underliggende inflammatorisk lungesykdom (ILD) fra diagnostiske bilder før behandling

For å estimere individuelle pasienters tumorveksthastighet mellom diagnostiske og behandlingsplanleggingsbilder (spesifikk veksthastighet, SGR)

For å gi hver pasient et estimat av toksisitetsrisiko for dynamisk strålebehandling ved å bruke informasjon om planlegging av strålebehandling, samtidig som man kontinuerlig oppdaterer risikoestimater ved å bruke daglige cone-beam computed tomography (CBCT) bilder som rutinemessig er tatt før hver strålebehandling.

MIRACLE er trygt koblet til aktive kliniske datalager og har potensial til å påvirke daglige beslutninger om kreftbehandling ved å gjøre eksisterende bildedata tilgjengelige, raskt tilgjengelige, interoperable og gjenbrukbare for både klinisk og forskningsanalyse av sluttbrukere, inkludert leger som tar seg av lungekreft. pasienter og kreftforskere. Dette letter evaluering av nye bildediagnostiske forskningsfunn i store pasienttall for klinisk bruk og forskningsbruk. MIRACLE-prosjektets mål er å spesifikt demonstrere den kliniske implementeringsmuligheten av automatisk kobling og analyse av kliniske bildedata sammen med kliniske resultater; til syvende og sist, bidra til å levere verdibasert helsehjelp via bedre pasientutvalg (ILD/SGR) og overvåking/justering av behandling for å redusere toksisitet (CBCT).

Tilbakemeldinger fra de deltakende stråleonkologene vil bli samlet inn for å vurdere gjennomførbarheten og effektiviteten av å vise pasientspesifikk innsikt for inflammatorisk lungesykdom (ILD), en spesifikk tumorveksthastighet større enn 0,04 (SGR) og kjeglestråle-computertomografisystem (CBCT) endringer til klinikere på pleiepunktet. Analysen vil bidra til å forstå klinikeres oppfatning av informasjon gitt til dem fra modellen angående ILD-prediksjon, SGR og lungetetthetsendringer i løpet av QI-perioden og om klinikere endret beslutningen om data som allerede er tilgjengelige for dem som et resultat av modellen som ble spurt. risikoklassifisering (dvs. for å revurdere eller videre vurdere pasienter for ILD, SGR og CBCT endringer basert på de pasientene som fremheves av modellen som høyere risiko).