En kohorte for inflammatoriske luftveissykdommer: Fra fenotypifisering til personlig medisin (PALMIRE)

Kohorten for inflammatoriske luftveissykdommer: fra fenotypering til personlig medisin (PALMIRE-prosjektet) er en monosentrisk studie utført ved universitetssykehuset i Reims, Frankrike.

Studiepopulasjon:

Voksne pasienter (>18 år) fulgt ved universitetssykehuset i Reims og diagnostisert med astma, KOLS, bronkiektasi, CF, PCD og IPF vil bli vurdert for inkludering. Pasienter vil signere et informert samtykke for inkludering. Eksklusjonskriterier inkluderer "personer beskyttet av loven" som kreves av de franske myndighetene. Kontrollpasienter uten luftveissykdommer etter klinisk og lungefunksjonstestvurdering vil også bli inkludert. Det forventede antallet inkluderte pasienter er 470 (Astma, n=100; KOLS, n=150; bronkiektasi, n=50; CF, n=60; PCD, n=30; ILD, n=30; kontroller, n=50). Inkludering vil bli gjennomført i 60 måneder fra juli 2025 til juli 2030.

Studieprosedyrer:

For alle inkluderte astma-, KOLS-, bronkiektasi-, CF-, PCD- og IPF-pasienter vil data registreres ved inkludering og ved oppfølgingsbesøk i 10 år. Pasienter vil bli fulgt opp som vanlig behandling uten spesifikk terapeutisk intervensjon. For kontrollpasienter vil data registreres ved inkludering uten oppfølging.

De registrerte dataene vil inkludere demografi, historikk for luftveissykdom og komorbiditeter, luftveissymptomer, resultater av lungefunksjonstester og CT-skanning, mikrobiologiske og patologiske trekk ved luftveisprøver når utført.

Dataanalyse:

Data vil registreres i en sentralisert anonymisert database. Pasientenes egenskaper vil beskrives som gjennomsnitt og standardavvik for kvantitative data og som antall og prosenter for kvalitative data. Sammenligninger og assosiasjoner mellom grupper og variabler vil analyseres med Student, Wilcoxon, Chi2, Fischer exact og Spearman-tester som aktuelt. En p<0,05 vil betraktes som signifikant. Multivariate og longitudinale statistiske modeller vil brukes for å identifisere klynger av pasienter med delte endotyper. Maskinlæringstilnærminger vil benyttes for å integrere multi-omiske data og generere prediktive modeller for sykdomsforløp og behandlingsresponser.

Betydning:

Denne studien bør bidra til bedre forståelse av patogenesen og heterogeniteten til kroniske luftveissykdommer ved å integrere analysen av pasientenes fenotypiske og endotypiske egenskaper.