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

W wielu ośrodkach retrospektywnie identyfikuje się i bada nowe metody oparte na analizie danych i obrazowaniu w celu personalizacji opieki. Niestety, większość z tych metod wymaga znacznej interwencji manualnej, aby zastosować je w danej sytuacji pacjenta, i trudno je wdrożyć w odpowiednim czasie, aby wpłynąć na decyzje dotyczące leczenia pacjenta. Kliniczna realizacja badań nad nauką o danych będzie wymagała zautomatyzowanych potoków, które są powiązane z całą ścieżką leczenia w sposób ułatwiający analizę danych w czasie rzeczywistym i umożliwiający badania translacyjne.

Obecny proces analizowania danych obrazowych przez badaczy klinicznych/translacyjnych w Princess Margaret Hospital (PM)/University Health Network (UHN) obejmuje obszerną ręczną kurację składającą się z interakcji z elektronicznymi bazami danych i narzędziami analitycznymi w celu: identyfikacji pacjentów na podstawie danych obrazowych; zbierać te dane; ręcznie wyznaczać cele będące przedmiotem zainteresowania (minuty do godzin na pacjenta); analizować cele na podstawie ręcznie wybranych obrazów; a następnie skorelować analizowane obrazy z klinicznymi źródłami informacji (np. wyniki lub dane korelacyjne). W związku z tym projekty z dużą liczbą pacjentów często napotykają przeszkody nie do pokonania, które ograniczają produktywność badań.

MIRA (wewnętrznie opracowany zestaw narzędzi do programowania) rozwiązuje wspólny problem wszystkich naukowców w PM/UHN zajmujących się diagnostyką, planowaniem leczenia radioterapią i/lub obrazowaniem podczas leczenia, zapewniając spójne, zautomatyzowane środowisko analizy tych danych. MIRA usprawnia również zatwierdzone etycznie badania z bezpośrednim powiązaniem z danymi klinicznymi w czasie rzeczywistym, w tym obrazowaniem diagnostycznym, poprzez współpracę z Joint Department of Medical Imaging, informacjami dotyczącymi planowania radioterapii onkologicznej oraz codziennymi obrazami radioterapii onkologicznej podczas leczenia. Projekt poprawy jakości MIRA Clinical Learning Environment (MIRACLE) ma na celu wykorzystanie platformy MIRA do opracowania zautomatyzowanych procesów klinicznych w celu realizacji trzech konkretnych celów badawczych:

Identyfikacja pacjentów z rakiem płuca z niezdiagnozowaną zasadniczą chorobą zapalną płuc (ILD) na podstawie obrazów diagnostycznych wykonanych przed leczeniem

Aby oszacować tempo wzrostu guza u poszczególnych pacjentów między obrazami diagnostycznymi a planowanymi leczeniem (specyficzne tempo wzrostu, SGR)

Zapewnienie każdemu pacjentowi oszacowania dynamicznego ryzyka toksyczności radioterapii przy użyciu informacji dotyczących planowania radioterapii, przy jednoczesnym ciągłym aktualizowaniu szacunków ryzyka za pomocą codziennych obrazów tomografii komputerowej wiązki stożkowej (CBCT), rutynowo uzyskiwanych przed każdym napromienianiem.

MIRACLE jest bezpiecznie połączony z aktywnymi repozytoriami danych klinicznych i może bezpośrednio wpływać na codzienne decyzje dotyczące leczenia raka, umożliwiając znajdowanie, szybki dostęp, interoperacyjność i ponowne wykorzystywanie istniejących danych obrazowych zarówno do analizy klinicznej, jak i badawczej przez użytkowników końcowych, w tym lekarzy zajmujących się rakiem płuc pacjentów i naukowców zajmujących się rakiem. Ułatwia to ocenę nowatorskich wyników badań obrazowych u dużej liczby pacjentów do użytku klinicznego i badawczego. Celem projektu MIRACLE jest konkretne zademonstrowanie możliwości wdrożenia klinicznego automatycznego łączenia i analizowania danych obrazowania klinicznego wraz z wynikami klinicznymi; ostatecznie pomoc w zapewnieniu opieki zdrowotnej opartej na wartości poprzez lepszą selekcję pacjentów (ILD/SGR) oraz monitorowanie/dostosowanie leczenia w celu zmniejszenia toksyczności (CBCT).

Informacje zwrotne od uczestniczących radioterapeutów zostaną zebrane w celu oceny wykonalności i skuteczności pokazania specyficznych dla pacjenta spostrzeżeń dotyczących zapalnej choroby płuc (ILD), specyficznego tempa wzrostu guza większego niż 0,04 (SGR) i systemu tomografii komputerowej z wiązką stożkową (CBCT). zmiany lekarzy w punkcie opieki. Analiza pomoże zrozumieć, jak klinicyści postrzegają informacje dostarczane im z modelu dotyczące przewidywania ILD, SGR i zmian gęstości płuc w okresie QI oraz czy klinicyści zmienili swoją decyzję dotyczącą danych, które już są dla nich dostępne, w wyniku zainspirowanego modelem klasyfikacja ryzyka (tj. ponowna ocena lub dalsza ocena pacjentów pod kątem zmian ILD, SGR i CBCT w oparciu o pacjentów wyróżnionych przez model jako obarczonych wyższym ryzykiem).