APOLLO 11, konsorcjum włoskich ośrodków zaangażowanych w leczenie pacjentów z rakiem płuc leczonych innowacyjnymi terapiami: rzeczywiste dane i badania translacyjne

Wraz z pojawieniem się kilku innowacyjnych terapii (terapie „celowane”, immunoterapia (IO) i/lub terapie nowej generacji), identyfikacja biomarkerów prognostycznych/predykcyjnych i/lub oporności stanowi główne cele badań translacyjnych w zaawansowanym raku płuca (aLC) . W szczególności, wraz z pojawieniem się IO, krajobraz leczenia pacjentów z zaawansowanym niedrobnokomórkowym rakiem płuca (NSCLC) radykalnie się zmienił, znacznie wydłużając całkowity czas przeżycia (OS). Rola Programmed Death Ligand 1 (PD-L1) pozostaje nieokreślona i jak dotąd żaden inny biomarker nie jest używany do selekcji pacjentów do IO. Ramy sztucznej inteligencji (AI), które syntetyzują i korelują informacje z różnych źródeł danych, są potencjalnie wysoce wydajnym instrumentem do konstruowania algorytmów wzmacniających zindywidualizowane prognozy.

Głównym celem projektu APOLLO 11 jest zbudowanie silnej włoskiej sieci długotrwałego raka płuc (w około 48 włoskich ośrodkach) w oparciu o rzeczywiste dane i badania translacyjne poprzez stworzenie zdecentralizowanej długoterminowej krajowej bazy danych i „wirtualnego” wielopoziomowego biobanku. Pozwoli to uniknąć bezwartościowego rozproszenia danych z pojedynczych instytucji, które często pozostają niewykorzystane i niejednoznaczne ze względu na ograniczoną liczbę pacjentów i niską moc statystyczną. Poza tym APOLLO 11 skorzysta z translacyjnego wspólnego wysiłku badawczego z credo „jedność to siła”. Wielopoziomowa struktura przeznaczona jest również dla najmniejszych ośrodków dając im możliwość współtworzenia biobanku patrząc na ich zaplecze wewnętrzne.

APOLLO 11 mają na celu utworzenie konsorcjum poprzez pełną aktywację co najmniej 20 z 48 zaangażowanych ośrodków zdolnych do gromadzenia danych w bazie danych oraz zagwarantowanie gotowości do aktywacji co najmniej 10 biobanków zdolnych do pobierania próbek (tkanka nowotworowa, krew, kał i mocz). Ponadto kluczowym celem naukowym projektu jest uzyskanie odpowiedzi na temat pacjentów z NSCLC leczonych IO. W szczególności spróbuj znaleźć biomarker „programowy”, który będzie w stanie lepiej przewidzieć wybór IO w porównaniu z pojedynczym biomarkerem standardowej opieki (np. PD-L1, TMB) przy użyciu metodologii sztucznej inteligencji/maszyny/głębokiego uczenia się (AI/DL/ML). Zostaną zebrane dane ze świata rzeczywistego (demograficzne, histologiczne, PD-L1, molekularne, dotyczące leczenia i wyników itp.), Radiomiki i tam, gdzie są dostępne (z poprzednich badań) dane multiomiczne ze wszystkich aktywowanych ośrodków. Ponadto zostanie przeprowadzona analiza sekwencjonowania RNA pojedynczych komórek (scRNA seq). Wreszcie AI/ML/DL zostanie wykorzystany do integracji danych wieloźródłowych, ich analizy i opracowania algorytmów predykcyjnych skuteczności IO u pacjentów z NSCLC. W celu lepszego zrozumienia czarnej skrzynki w celu wyjaśnienia wglądu klinicznego i biologicznego zostanie wykorzystana metodologia wiarygodnej sztucznej inteligencji (XAI).