MONDRIAN: Modelagem Integrativa Multi-ômica para Radioterapia Corporal Estereotáxica em Câncer de Pulmão de Células Não Pequenas em Estágio Inicial (MONDRIAN)

A duração global prevista do estudo é de 60 meses.

O projeto está estruturado em cinco tarefas principais, como segue:

• Tarefa 1_Estudo clínico: Dados clínicos de rotina serão coletados de pacientes elegíveis, incluindo dados demográficos, características da doença e do tratamento, função pulmonar e parâmetros de hemograma.
• Tarefa 2_Estudo de radiomics: A análise quantitativa de imagens será realizada em tomografias computadorizadas de diagnóstico (TCs) e tomografias por emissão de pósitrons (PETs). Um software compatível com a Imaging Biomarker Standardization Initiative (IBSI) será usado para extrair características radiômicas na linha de base e na primeira progressão clínica (ou no último acompanhamento disponível, o que ocorrer primeiro). Métricas qualitativas e semiquantitativas clinicamente estabelecidas (por exemplo, derrame pleural em imagens de TC e valor de captação padronizado em imagens de PET) também serão recuperados.
• Tarefa 3_Estudo de expressão gênica: O perfil de expressão gênica será realizado na linha de base em ambas as coortes para investigar a presença de uma assinatura de pré-tratamento prognóstico. A análise será realizada em amostras de tecido fixadas em formalina e embebidas em parafina (FFPE) (ou seja, tumor ressecado na coorte cirúrgica e amostra biótica - sempre que disponível - no grupo SBRT). Será empregado um ensaio baseado em sequenciamento de próxima geração (NGS) que tem como alvo 395 genes relacionados ao sistema imunológico e denominado Ensaio de Pesquisa de Resposta Imune Oncomine™.
• Tarefa 4_Estudo de proteômica: A proteômica integrará o estudo da expressão de RNA realizado na Tarefa 3. Assim como na Tarefa 3, a análise será realizada em amostras de FFPE, de ambas as coortes de pacientes.
• Tarefa 5_Construção de modelo integrativo: Integração de todas as características anteriores num modelo de classificação único capaz de determinar uma estimativa precisa de indivíduos com alto vs baixo risco de progressão da doença e, ao mesmo tempo, identificar fatores preditivos relevantes. O modelo de classificação proposto integrará dados de diferentes fontes usando uma rede neural profunda multicamada. Técnicas de aprendizado federado também serão usadas para reduzir o viés devido à escolha de um teste ou fonte de dados específicos.