Rak płuc Multi-omics Cyfrowe ludzkie awatary do integracji medycyny precyzyjnej z praktyką kliniczną (LANTERN)

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.