I3LUNG: Nauka integracyjna, inteligentna platforma danych do zindywidualizowanej opieki nad rakiem płuc z immunoterapią

Projekt I3LUNG ma na celu osiągnięcie najwyższej wydajności w medycynie spersonalizowanej poprzez sztuczną inteligencję/uczenie maszynowe (AI/ML) wzorowane na multimodalnych danych pacjentów, wraz z wdrożeniem modelu AI/ML w rzeczywistych warunkach. Zestaw zorientowanych na pacjenta narzędzi ML zaprojektowanych i zweryfikowanych na potrzeby projektu, które wykorzystują nową wirtualną jednostkę AVATAR pacjenta do przewidywania progresji i wyników. Aby zmaksymalizować jego wpływ, zastosowanie godnej zaufania metodologii zrozumiałej sztucznej inteligencji połączy nieodłączne działanie sztucznej inteligencji z wkładem ludzkiej intuicji w celu skonstruowania odpowiedzialnej aplikacji sztucznej inteligencji, która będzie w stanie w pełni wdrożyć prawdziwie zindywidualizowane decyzje dotyczące leczenia NSCLC, które będą interpretowane i godne zaufania dla klinicystów. Ostatecznym celem jest ustanowienie ogólnoświatowej platformy udostępniania i opracowywania danych (DSEP). DSEP zapewni pacjentom narzędzia przewodnie, dostarczając informacji w celu zwiększenia świadomości na temat leczenia. Wreszcie, zapewnia badaczom i ogółowi społeczności naukowej dostęp do najbardziej aktualnych źródeł danych na temat NSCLC.

W ramach projektu I3LUNG zostanie opracowany doraźny IPDAS dla pacjentów z NSCLC. Pomoce decyzyjne dla pacjentów to narzędzia, z których pacjenci mogą korzystać przed lub w trakcie konsultacji z lekarzem. Pomoce decyzyjne dla pacjentów wyraźnie przedstawiają decyzję, którą należy podjąć, i dostarczają pacjentom przyjaznych dla użytkownika informacji na temat każdej opcji leczenia, koncentrując się na szkodach i korzyściach. To narzędzie mogłoby pozwolić pacjentom wyjaśnić i wyjaśnić dużą złożoność informacji dostarczanych przez podejście AI/ML. Wykazano, że te systemy wspomagania decyzji skutecznie wzmacniają pozycję pacjentów, poszerzają ich wiedzę, promują ich aktywny udział w podejmowaniu decyzji klinicznych dotyczących leczenia oraz poprawiają ogólne zadowolenie pacjentów z opieki, jednocześnie zmniejszając konflikt decyzyjny i żal z powodu decyzji (26-30).

Wreszcie, w ramach projektu I3LUNG zostanie ocenione, czy wykorzystanie IPDAS podczas konsultacji klinicznej poprawi jakość wspólnego podejmowania decyzji oraz jakość komunikacji lekarz-pacjent. Oprócz oceny wpływu IPDAS zostanie również ocenione, czy włączenie modeli predykcyjnych AI/ML do praktyki klinicznej będzie wartością dodaną we wspieraniu podejmowania decyzji klinicznych przez onkologów oraz zmniejszaniu zmęczenia poznawczego i konfliktu decyzyjnego.

I3LUNG przyjmuje dwukierunkowe podejście do opracowywania urządzenia medycznego poprzez tworzenie i walidację retrospektywnych i prospektywnych modeli opartych na sztucznej inteligencji w celu przewidywania skuteczności immunoterapii pacjentów z NSCLC przy użyciu integracji danych z wielu źródeł (dane rzeczywiste i multiomiczne) poprzez retrospektywę - utworzenie transnarodowej platformy dostępnych danych od 2000 pacjentów - oraz prospektywne - multi-omiczne prospektywne gromadzenie danych u 200 pacjentów z NSCLS - faza badań.

Retrospektywna część projektu I3LUNG obejmuje analizę wieloośrodkowej retrospektywnej kohorty ponad 2000 pacjentów. Ta kohorta zostanie wykorzystana do przeprowadzenia wstępnej fazy ekstrakcji wiedzy i zbudowania retrospektywnego modelu predykcyjnego dla IO (model R), który zostanie wykorzystany w fazie badań prospektywnych w celu stworzenia pierwszej wersji narzędzia PDSS, opartego na sztucznej inteligencji narzędzie zapewniające łatwy i gotowy do użycia dostęp do modeli predykcyjnych, zwiększające adekwatność opieki, zmniejszające negatywny wpływ długotrwałych i toksycznych terapii na samopoczucie i koszty opieki zdrowotnej. Zostaną również zebrane skany CT i PET oraz zostanie utworzona pierwsza sygnatura radiomiczna, aby zasilić model R.

Prospektywna część projektu obejmuje gromadzenie i analizę danych multi-OMIC z wieloośrodkowej prospektywnej kohorty około 200 pacjentów. Ta kohorta zostanie wykorzystana do walidacji wyników uzyskanych z modelu retrospektywnego poprzez stworzenie nowego modelu (P-Model), który zostanie wykorzystany do stworzenia ostatecznego narzędzia PDSS.