Lungekreft Multi-omics digitale menneskelige avatarer for integrering av presisjonsmedisin i klinisk praksis (LANTERN)

Pasientregistrering og omics-datainnsamling Målet med denne WP er å samle informasjon fra alle de kliniske og omics-baserte datakildene som anses som klinisk viktige for beslutningsstøtte i den omfattende arbeidsflyten for diagnose og terapi for lungekreft. Et strukturert terminologisk system vil bli utviklet for potensiell datainnsamling gjennom spesifikke Case Report Forms (CRF).

Pasienter vil bli registrert av de dedikerte forskningsregistreringssentrene, og data hentet fra de fem omics-baserte variablene vil bli samlet inn og registrert i en sikker database.

Omics-dataarkivering og interaksjonsevne Hovedmålet med denne WP er å tillate fullstendig dataintegrasjon i både eksisterende og nye arkiveringssystemer og å sikre en enkel og effektiv bruk og deling av innsamlede omics-data.

Alle innsamlede data som representerer de forskjellige betraktede omics-domenene vil bli registrert i henhold til en felles felles ontologi. Den delte generelle ontologien vil representere et strukturert terminologisk system for dataarkivering og analyse hvor alle de forskjellige omics-domenene vil bli registrert i en spesifikk eCRF, og sikrer sammenheng for alle de innsamlede datavariablene. Til slutt vil de innsamlede omics-relaterte dataene deretter gjennomgå radiomisk analyse og radiomiske egenskaper vil deretter bli ekstrahert.

Omics datamodellering, Digital Human avatar (DHA) opprettelse og validering

Denne WP er fokusert på å utvikle nøyaktige prediktive modeller (ved å lage Digital Human Avatars (DHA)) og på deres validering. Hensikten med denne WP er å identifisere effektive primære biomarkører, harmonisere dem gjennom kompakte statistiske modeller og deretter lage pasientspesifikke DHAer som vil være unike for hver pasient. Vi planlegger å integrere alle de nevnte omics-dataene i prediktive modeller som vil representere grunnlaget for et fullt personalisert og innovativt lungekreftintegrert beslutningsstøttesystem. Denne WP er delt inn i tre faser:

Fase 1: Omics funksjoner identifikasjon og valg Fase 2: Prediktiv modellutvikling og DHA-oppretting Fase 3: Prediktiv modell og DHA-validering

Omics har identifikasjon og valg:

I det første trinnet vil en utforskende analyse på tvers av alle innsamlede datasett fra et estimat på ≈ 240 NSCLC-pasienter muliggjøre starten av biomarkøridentifikasjonsprosessen og begrense den castede mengden informasjon mot en mer utvalgt pool av potensielle biomarkører. Denne første fasen vil bruke robuste dataanalyseteknikker for å identifisere relevante variabler i en univariat setting, og tar hensyn til individuelle statistiske fordelinger, funksjonsrelevante korrelasjoner og generell beskrivende statistikk.

Prediktiv modellutvikling og DHA-oppretting:

Målet med den andre fasen er å lage flere distinkte, men modulære multivariate modeller som vil bli trent gjennom avanserte ML- og AI-teknikker, segmentert i spesifikke modulære interesseområder og den påfølgende opprettelsen av DHA. Ulike overvåkede modeller vil bli utviklet, inkludert logistisk regresjon, beslutningstre, støttevektormaskin, tilfeldig skog, XGBoost-klassifisering og kunstige nevrale nettverk. K-fold kryssvalidering vil bli brukt for justering av hyperparametere og statistisk signifikanssammenligning av ytelsen til ML-modellene vil bli utført. Dette vil bli gjort for å evaluere prediktive ytelser basert på nøyaktighet (antall forsøkspersoner korrekt klassifisert etter totalt antall pasienter) og presisjon (sann positiv på total test positiv, tilbakekalling (sensitivitet), F1-score (2*presisjon*gjenkalling/(presisjon) +gjenkalling)) og AUC-ROC.

DHA-opprettelsen vil innebære integrering av spesifikke algoritmer i dataekstraksjonsrørledningen for å rense og omstrukturere dataflyten, samtidig som tekstmining og naturlig språkbehandlingsteknologi brukes på de ustrukturerte tekstene. Resultatene av denne forhåndsbehandlingen vil deretter bli omkodet gjennom en spesifikt tildelt ontologi for å avsløre duplikater. Dette fører til opprettelsen av data Marts som vil bli oppdatert kontinuerlig og automatisk med nye data. Basert på de tilgjengelige dataene som allerede er behandlet, vil den utviklede algoritmen og dens underliggende infrastruktur bli brukt til å klassifisere nylig oppdaterte pasientdatainndata av klinikere som bruker grensesnittet. De resulterende dataene presentert gjennom det dynamiske grensesnittet tillater en grundig utforskning av tidligere lagt til pasientdata som allerede er til stede i databasen, for å utlede den beste handlingen basert på historiske data og klinikerens erfaring. Dette vil føre til en mer generalisert utforskningsarbeidsflyt som vil fungere som en hypotesegenerator for brukeren, gjennom gruppering av informasjon basert på tilpassede kriterier, og derved generere en utforskende analyse av tilgjengelige data.

Etterforskerne anslår at omtrent 300 NSCLC-tilfeller med fullstendige data vil være tilstrekkelig for å starte denne prosessen. Både brukervennlighet og modellforklarlighet vil tjene som den primære standarden for modellutviklingsstrategiene. Enkelt tolkbare verdier som SHAP-verdier (SHapley Additive ExPlanations) vil bli knyttet til hver modell for å unngå svartbokstilnærminger som kan gjøre modellutdata vanskelig å forklare for pasientene under deres interaksjoner med klinikerne.

Prediktiv modell og DHA-validering: Både den utviklede modellen og den omfattende DHA vil bli validert for å teste deres robusthet, overførbarhet og generaliserbarhet. To påfølgende valideringsstrategier vil bli brukt henholdsvis: intern og ekstern valideringsteknikk. Vi anslår et totalt antall på omtrent 420 NSCLC-tilfeller for å starte valideringsprosessen. Denne prosessen vil inkludere både intern og ekstern validering.