Цифровые человеческие аватары Multi-omics для рака легких для интеграции точной медицины в клиническую практику (LANTERN)

Включение пациентов и сбор данных омики Целью этого WP является сбор информации из всех источников клинических данных и данных, основанных на омиксах, которые считаются клинически значимыми для поддержки принятия решений в рабочем процессе комплексной диагностики и терапии рака легких. Будет разработана структурированная терминологическая система для проспективного сбора данных с помощью специальных форм отчетов о случаях (CRF).

Пациенты будут зачислены в специализированные исследовательские центры регистрации, а данные, полученные из пяти переменных, основанных на омике, будут собраны и записаны в защищенную базу данных.

Архивирование данных Omics и интерактивность Основная цель этого WP состоит в том, чтобы обеспечить полную интеграцию данных как в существующие, так и в новые системы архивирования, а также обеспечить простое и эффективное использование и совместное использование собранных данных Omics.

Все собранные данные, представляющие различные рассматриваемые omics-области, будут записаны в соответствии с общей общей онтологией. Общая общая онтология будет представлять собой структурированную терминологическую систему для архивирования и анализа данных, в которой все различные домены omics будут записаны в конкретную eCRF, обеспечивая согласованность для всех переменных собранных данных. Наконец, собранные данные, связанные с омикой, затем будут подвергнуты радиомному анализу, после чего будут извлечены радиомные характеристики.

Моделирование данных Omics, создание и проверка цифрового аватара человека (DHA)

Этот WP ориентирован на разработку точных прогностических моделей (путем создания цифровых человеческих аватаров (DHA)) и на их проверку. Целью этого WP является определение эффективных первичных биомаркеров, их гармонизация с помощью компактных статистических моделей и последующее создание DHA для конкретного пациента, которые будут уникальными для каждого пациента. Мы планируем интегрировать все вышеупомянутые данные omics в прогностические модели, которые станут основой для полностью персонализированной и инновационной интегрированной системы поддержки принятия решений по раку легких. Этот WP разделен на три этапа:

Фаза 1: Идентификация и выбор функций Omics Фаза 2: Разработка прогностической модели и создание DHA Фаза 3: Прогностическая модель и проверка DHA

Особенности идентификации и отбора Omics:

На первом этапе исследовательский анализ всех собранных наборов данных по оценке ≈ 240 пациентов с НМРЛ позволит начать процесс идентификации биомаркеров и ограничить количество полученной информации более выбранным пулом потенциальных биомаркеров. На этом первом этапе будут использоваться надежные методы анализа данных для определения соответствующих переменных в одномерных условиях с учетом индивидуальных статистических распределений, связанных с признаками корреляций и общей описательной статистики.

Разработка прогнозной модели и создание DHA:

Целью второго этапа является создание нескольких отдельных, но модульных многомерных моделей, которые будут обучаться с помощью передовых методов машинного обучения и искусственного интеллекта, сегментироваться на конкретные модульные области интересов и последующее создание DHA. Будут разработаны различные контролируемые модели, включая логистическую регрессию, дерево решений, машину опорных векторов, случайный лес, классификатор XGBoost и искусственные нейронные сети. К-кратная перекрестная проверка будет использоваться для настройки гиперпараметров, и будет выполнено сравнение статистической значимости производительности моделей машинного обучения. Это будет сделано для оценки прогностических характеристик на основе точности (количество субъектов, правильно классифицированных по общему количеству пациентов) и точности (истинно положительный результат при общем числе положительных результатов теста, отзыв (чувствительность), показатель F1 (2*точность*отзыв/(точность). +отзыв)) и АУК-РПЦ.

Создание DHA будет включать интеграцию определенных алгоритмов в конвейер извлечения данных для очистки и реструктуризации потока данных с применением технологий анализа текста и обработки естественного языка к неструктурированным текстам. Затем результаты этой предварительной обработки будут перекодированы с помощью специально назначенной онтологии для выявления дубликатов. Это приводит к созданию киосков данных, которые будут постоянно и автоматически обновляться новыми данными. На основе уже обработанных доступных данных разработанный алгоритм и его базовая инфраструктура будут использоваться для классификации недавно обновленных данных о пациентах, вводимых врачами, использующими интерфейс. Результирующие данные, представленные через динамический интерфейс, позволяют тщательно изучить ранее добавленные данные о пациентах, уже присутствующие в базе данных, чтобы определить наилучший курс действий на основе исторических данных и опыта врача. Это приведет к более обобщенному рабочему процессу исследования, который будет выступать в качестве генератора гипотез для пользователя посредством кластеризации информации на основе настраиваемых критериев, тем самым производя исследовательский анализ доступных данных.

По оценкам исследователей, примерно 300 случаев НМРЛ с полными данными будет достаточно, чтобы начать этот процесс. Как удобство для пользователя, так и объяснимость модели будут служить основным стандартом стратегий разработки модели. Легко интерпретируемые значения, такие как значения SHAP (Shapley Additive ExPlanations), будут прикреплены к каждой модели, чтобы избежать любых подходов «черного ящика», которые могут затруднить объяснение выходных данных модели пациентам во время их взаимодействия с клиницистами.

Прогностическая модель и проверка DHA: как разработанная модель, так и комплексная DHA будут проверены, чтобы проверить их надежность, переносимость и обобщаемость. Соответственно будут использоваться две стратегии последовательной проверки: методы внутренней и внешней проверки. Мы оцениваем общее количество примерно в 420 случаев НМРЛ, чтобы начать процесс проверки. Этот процесс будет включать как внутреннюю, так и внешнюю проверку.