- ICH GCP
- Rejestr badań klinicznych w USA
- Badanie kliniczne NCT05802771
Rak płuc Multi-omics Cyfrowe ludzkie awatary do integracji medycyny precyzyjnej z praktyką kliniczną (LANTERN)
Rak płuc Multi-omics Cyfrowe ludzkie awatary do integracji medycyny precyzyjnej z praktyką kliniczną: badanie LANTERN
Celem tego wieloośrodkowego obserwacyjnego badania klinicznego jest opracowanie dokładnych modeli predykcyjnych dla pacjentów z rakiem płuc poprzez stworzenie cyfrowych awatarów ludzkich przy użyciu różnych zmiennych opartych na omice i integracji dobrze ugruntowanych czynników klinicznych z „dużymi danymi” i zaawansowanym obrazowaniem cechy
Główne cele projektu LANTERN to:
- Opracowanie modeli profilaktyki wczesnego wykrywania raka płuc;
- Aby skonfigurować spersonalizowane modele predykcyjne dla indywidualnych terapii;
Pacjenci z rakiem płuc będą włączani prospektywnie i gromadzone będą główne dane omiczne (w tym radiomika i genomika), odzwierciedlające główne domeny omiczne związane z diagnozą raka płuc i ścieżką podejmowania decyzji.
Analiza eksploracyjna wszystkich zebranych zbiorów danych wybierze pulę potencjalnych biomarkerów w celu stworzenia wielu odrębnych modeli wielowymiarowych, wyszkolonych za pomocą zaawansowanych technik uczenia maszynowego (ML) i sztucznej inteligencji, podzielonych na określone obszary zainteresowania. Na koniec opracowane modele predykcyjne zostaną poddane walidacji w celu przetestowania ich solidności, możliwości przenoszenia i uogólniania, co doprowadzi do opracowania cyfrowego awatara człowieka.
Przegląd badań
Status
Warunki
Interwencja / Leczenie
Szczegółowy opis
Rejestracja pacjentów i gromadzenie danych omicznych Celem tego WP jest zebranie informacji ze wszystkich źródeł danych klinicznych i opartych na omicznych, które uważa się za klinicznie istotne dla wspomagania decyzji w kompleksowej diagnostyce i przebiegu pracy terapeutycznej raka płuca. Opracowany zostanie ustrukturyzowany system terminologiczny do prospektywnego gromadzenia danych za pomocą specjalnych formularzy opisów przypadków (CRF).
Pacjenci będą rejestrowani przez dedykowane ośrodki badawcze, a dane uzyskane z pięciu zmiennych opartych na metodzie omicznej będą gromadzone i rejestrowane w bezpiecznej bazie danych.
Archiwizacja danych omicznych i interakcja Głównym celem tego WP jest umożliwienie pełnej integracji danych zarówno z istniejącymi, jak i nowymi systemami archiwizacji oraz zapewnienie łatwego i efektywnego wykorzystania i udostępniania zebranych danych omicznych.
Wszystkie zebrane dane reprezentujące różne rozważane domeny omiczne zostaną zapisane zgodnie ze wspólną wspólną ontologią. Wspólna ogólna ontologia będzie reprezentować ustrukturyzowany system terminologiczny do archiwizacji i analizy danych, w którym wszystkie różne domeny omiczne zostaną zapisane w określonym eCRF, zapewniając spójność dla wszystkich zebranych zmiennych danych. Na koniec zebrane dane dotyczące omiki zostaną następnie poddane analizie radiomicznej, a następnie zostaną wyodrębnione cechy radiomiczne.
Modelowanie danych omicznych, tworzenie i walidacja cyfrowego awatara człowieka (DHA).
Ten pakiet roboczy koncentruje się na opracowaniu dokładnych modeli predykcyjnych (poprzez tworzenie cyfrowych awatarów ludzkich (DHA)) i ich walidacji. Celem tego WP jest zidentyfikowanie skutecznych biomarkerów pierwotnych, zharmonizowanie ich za pomocą zwartych modeli statystycznych, a następnie stworzenie specyficznych dla pacjenta DHA, które będą unikalne dla każdego pacjenta. Planujemy zintegrować wszystkie wyżej wymienione dane omiczne z modelami predykcyjnymi, które będą stanowić podstawę w pełni spersonalizowanego i innowacyjnego zintegrowanego systemu wspomagania decyzji dotyczących raka płuc. To WP jest podzielone na trzy fazy:
Faza 1: Identyfikacja i selekcja cech omicznych Faza 2: Opracowanie modelu predykcyjnego i tworzenie DHA Faza 3: Model predykcyjny i walidacja DHA
Identyfikacja i wybór cech Omiki:
W pierwszym etapie analiza eksploracyjna wszystkich zebranych zbiorów danych od około 240 pacjentów z NSCLC umożliwi rozpoczęcie procesu identyfikacji biomarkerów i ograniczy ilość informacji do bardziej wyselekcjonowanej puli potencjalnych biomarkerów. W tej pierwszej fazie zostaną zastosowane solidne techniki analizy danych w celu zidentyfikowania odpowiednich zmiennych w układzie jednowymiarowym, z uwzględnieniem indywidualnych rozkładów statystycznych, korelacji istotnych dla cech i ogólnych statystyk opisowych.
Rozwój modelu predykcyjnego i tworzenie DHA:
Celem drugiej fazy jest stworzenie wielu odrębnych, ale modułowych modeli wielowymiarowych, które zostaną przeszkolone za pomocą zaawansowanych technik uczenia maszynowego i sztucznej inteligencji, podzielone na określone modułowe obszary zainteresowania, a następnie utworzenie DHA. Zostaną opracowane różne nadzorowane modele, w tym regresja logistyczna, drzewo decyzyjne, maszyna wektorów nośnych, las losowy, klasyfikator XGBoost i sztuczne sieci neuronowe. K-krotna walidacja krzyżowa zostanie wykorzystana do dostrojenia hiperparametrów i przeprowadzone zostanie porównanie istotności statystycznej wydajności modeli ML. Zostanie to zrobione w celu oceny wyników predykcyjnych w oparciu o dokładność (liczba pacjentów prawidłowo sklasyfikowanych w stosunku do całkowitej liczby pacjentów) i precyzję (prawdziwie dodatni wynik testu ogółem dodatni, przypomnienie (czułość), wynik F1 (2*precyzja*przypomnienie/(precyzja +przypomnij sobie)) i AUC-ROC.
Tworzenie DHA będzie obejmować integrację określonych algorytmów z potokiem ekstrakcji danych w celu oczyszczenia i restrukturyzacji przepływu danych, przy jednoczesnym zastosowaniu technologii eksploracji tekstu i przetwarzania języka naturalnego do tekstów nieustrukturyzowanych. Wyniki tego wstępnego przetwarzania zostaną następnie ponownie zakodowane za pomocą specjalnie przypisanej ontologii w celu ujawnienia duplikatów. Prowadzi to do tworzenia data Marts, które będą stale i automatycznie aktualizowane o nowe dane. W oparciu o dostępne już przetworzone dane, opracowany algorytm i leżąca u jego podstaw infrastruktura zostaną wykorzystane do sklasyfikowania nowo zaktualizowanych danych pacjenta wprowadzanych przez klinicystów za pomocą interfejsu. Uzyskane dane prezentowane za pośrednictwem dynamicznego interfejsu pozwalają na dokładną eksplorację wcześniej dodanych danych pacjentów już obecnych w bazie danych, aby wywnioskować najlepszy sposób postępowania w oparciu o dane historyczne i doświadczenie klinicysty. Doprowadzi to do bardziej uogólnionego przepływu pracy eksploracji, który będzie działał jako generator hipotez dla użytkownika, poprzez grupowanie informacji na podstawie niestandardowych kryteriów, generując w ten sposób eksploracyjną analizę dostępnych danych.
Badacze szacują, że około 300 przypadków NSCLC z pełnymi danymi wystarczy do rozpoczęcia tego procesu. Zarówno przyjazność dla użytkownika, jak i wyjaśnialność modelu będą służyć jako podstawowy standard strategii rozwoju modelu. Łatwo interpretowalne wartości, takie jak wartości SHAP (SHapley Additive exPlanations), zostaną dołączone do każdego modelu, aby uniknąć wszelkich podejść opartych na czarnej skrzynce, które mogłyby utrudniać wyjaśnienie wyników modelu pacjentom podczas ich interakcji z klinicystami.
Model predykcyjny i walidacja DHA: zarówno opracowany model, jak i kompleksowy DHA zostaną poddane walidacji w celu przetestowania ich solidności, możliwości przenoszenia i uogólniania. Stosowane będą odpowiednio dwie kolejne strategie walidacji: techniki walidacji wewnętrznej i zewnętrznej. Szacujemy całkowitą liczbę około 420 przypadków NSCLC do rozpoczęcia procesu walidacji. Proces ten będzie obejmował zarówno walidację wewnętrzną, jak i zewnętrzną.
Typ studiów
Zapisy (Oczekiwany)
Kontakty i lokalizacje
Kontakt w sprawie studiów
- Nazwa: sara flamini
- Numer telefonu: 3457235931
- E-mail: sarafla@hotmail.it
Kryteria uczestnictwa
Kryteria kwalifikacji
Wiek uprawniający do nauki
Akceptuje zdrowych ochotników
Płeć kwalifikująca się do nauki
Metoda próbkowania
Badana populacja
Opis
Kryteria przyjęcia:
- Pacjenci z (podejrzeniem) NSCLC
- Wiek >18 lat
- ECOG 0-3
- Pisemna świadoma zgoda
Kryteria wyłączenia:
- EKOG 4
- Warunki psychospołeczne lub emocjonalne przeciwwskazające do udziału w badaniu
Plan studiów
Jak projektuje się badanie?
Szczegóły projektu
Kohorty i interwencje
Grupa / Kohorta |
Interwencja / Leczenie |
---|---|
zarejestrowanych pacjentów
Chorych na niedrobnokomórkowego raka płuca poddano resekcji chirurgicznej.
Część tej kohorty wykorzystamy do zbudowania modeli predykcyjnych, a drugą część do walidacji utworzonych modeli.
|
chirurgiczna resekcja raka płuca
|
Co mierzy badanie?
Podstawowe miary wyniku
Miara wyniku |
Opis środka |
Ramy czasowe |
---|---|---|
Opracowanie modeli profilaktyki wczesnego wykrywania raka płuca
Ramy czasowe: 36 miesięcy
|
Opracowanie modelu prognostycznego u chorych na NSCLC z wykorzystaniem danych omicznych. W szczególności zostanie określony związek między charakterystyką radiomiki i biomarkerami a stadium raka płuc i wynikiem przeżycia. Dane omiczne i model prognostyczny zostaną przetestowane pod kątem przeżycia wolnego od choroby i przeżycia całkowitego w porównaniu z różnymi modelami. |
36 miesięcy
|
Współpracownicy i badacze
Daty zapisu na studia
Główne daty studiów
Rozpoczęcie studiów (Oczekiwany)
Zakończenie podstawowe (Oczekiwany)
Ukończenie studiów (Oczekiwany)
Daty rejestracji na studia
Pierwszy przesłany
Pierwszy przesłany, który spełnia kryteria kontroli jakości
Pierwszy wysłany (Rzeczywisty)
Aktualizacje rekordów badań
Ostatnia wysłana aktualizacja (Rzeczywisty)
Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości
Ostatnia weryfikacja
Więcej informacji
Terminy związane z tym badaniem
Słowa kluczowe
Dodatkowe istotne warunki MeSH
Inne numery identyfikacyjne badania
- 5420- 0002485/23
Plan dla danych uczestnika indywidualnego (IPD)
Planujesz udostępniać dane poszczególnych uczestników (IPD)?
Informacje o lekach i urządzeniach, dokumenty badawcze
Bada produkt leczniczy regulowany przez amerykańską FDA
Bada produkt urządzenia regulowany przez amerykańską FDA
Te informacje zostały pobrane bezpośrednio ze strony internetowej clinicaltrials.gov bez żadnych zmian. Jeśli chcesz zmienić, usunąć lub zaktualizować dane swojego badania, skontaktuj się z register@clinicaltrials.gov. Gdy tylko zmiana zostanie wprowadzona na stronie clinicaltrials.gov, zostanie ona automatycznie zaktualizowana również na naszej stronie internetowej .
Badania kliniczne na Niedrobnokomórkowego raka płuca
-
Eureka Therapeutics Inc.Duke University; Duke Clinical Research InstituteZakończonyChłoniaki Non-Hodgkin's B-CellStany Zjednoczone
-
Affiliated Hospital of Nantong UniversityJeszcze nie rekrutacja
-
Austin HealthMerck KGaA, Darmstadt, GermanyAktywny, nie rekrutującyChłoniaki Non-Hodgkin's B-CellAustralia
-
Institute of Hematology & Blood Diseases HospitalJuventas Cell Therapy Ltd.ZakończonyRecydywa | Chłoniaki Non-Hodgkin's B-CellChiny
-
Gilead SciencesZakończonyChłoniak grudkowy | Chłoniak z komórek płaszcza | Przewlekła białaczka limfocytowa | Rozlany chłoniak z dużych komórek B | Non-FL Indolent Non-Hodgkin's LymphomaStany Zjednoczone, Kanada
-
Malaghan Institute of Medical ResearchWellington Zhaotai Therapies Limited (WZTL)RekrutacyjnyChłoniak z komórek płaszcza (MCL) | Rozlany chłoniak z dużych komórek B (DLBCL) | Chłoniak grudkowy (FL) | Chłoniaki Non-Hodgkin's B-Cell | Transformowany chłoniak grudkowy (TFL) | Pierwotny chłoniak śródpiersia z komórek B (PMBCL)Nowa Zelandia
-
Estrella Biopharma, Inc.Eureka Therapeutics Inc.Jeszcze nie rekrutacjaChłoniak | Chłoniak nieziarniczy | Chłoniak nieziarniczy | Chłoniak nieziarniczy | Oporny na leczenie chłoniak nieziarniczy z komórek B | Oporny na leczenie chłoniak nieziarniczy | Chłoniak z komórek B wysokiego stopnia | Chłoniak OUN | Chłoniaki Non-Hodgkin's B-Cell | Nawracający chłoniak nieziarniczy | Chłoniak... i inne warunki
-
Medical College of WisconsinRekrutacyjnyChłoniak grudkowy | Szpiczak mnogi | Chłoniak Burkitta | Chłoniak z komórek płaszcza | Przewlekła białaczka limfocytowa | Chłoniak, mały limfocytarny | Rozlany chłoniak z dużych komórek B | Chłoniak ośrodkowego układu nerwowego | Chłoniaki Non-Hodgkin's B-CellStany Zjednoczone
-
Adelphi Values LLCBlueprint Medicines CorporationZakończonyBiałaczka z komórek tucznych (MCL) | Agresywna mastocytoza układowa (ASM) | SM w Assoc Clonal Hema Lineage Non-mast Cell Lineage Disease (SM-AHNMD) | Tląca się mastocytoza układowa (SSM) | Indolentna układowa mastocytoza (ISM) Podgrupa ISM w pełni zatrudnionaStany Zjednoczone
Badania kliniczne na resekcja chirurgiczna
-
Region SkaneZakończonyKrwotok maciczny | Mięśniaki macicy | Krwotok miesiączkowy | Dysplazja szyjki macicySzwecja
-
Tongji HospitalNieznanyNieinwazyjny rak pęcherza moczowego
-
University Hospital of FerraraZakończonyChirurgia | Wypadanie odbytnicy | Zaburzenia defekacji | Rectocele; Płeć żeńskaWłochy
-
Navigation Sciences, Inc.Aktywny, nie rekrutujący
-
Cohera Medical, Inc.ZakończonyZespolenie jelita grubego i krętniczo-odbytniczegoHolandia
-
Providence Health & ServicesZakończonyCholecystektomia, laparoskopowaStany Zjednoczone
-
Somich, s.r.o.RekrutacyjnyDalekowzroczność starcza | Zaćma starczaCzechy
-
Medical University of WarsawZakończonyZakażenie miejsca operowanego | Infekcja; Cesarskie cięciePolska
-
National Cancer Institute (NCI)ZakończonyZespoły mielodysplastyczne | BiałaczkaStany Zjednoczone
-
Mayo ClinicRekrutacyjnyRak Głowy i Szyi | Nowotwory jamy ustnej i gardłaStany Zjednoczone