肺癌中 Edic 和心脏剂量效应的分布式学习 (DECIDE)

在 RTOG（放射治疗肿瘤学组）0617 试验结果显示心脏剂量与生存之间存在关联之前，心脏剂量并不是肺部放疗患者的主要关注点。 从那时起，许多论文研究了心脏（亚结构）剂量与生存或心脏毒性之间的关联。 理想情况下，心脏毒性应与生存分开。 然而，前瞻性评分心脏毒性并不是标准做法，并且由于心脏毒性症状和肺癌（治疗）症状的重叠，回顾性评分具有挑战性。 因此，在现实世界的队列中，心脏毒性通常没有正确评分，大多数大型研究务实地将总生存期视为主要终点，并且对于肺癌患者，心脏剂量和心脏毒性之间的关系尚未确定。

心脏毒性可能不是导致生存率下降的唯一因素；免疫系统的毒性可能是竞争风险或主要影响因素，其中心脏剂量可以替代血液剂量。 免疫系统的剂量定义为EDIC（循环免疫细胞的有效剂量），包括心脏剂量、肺剂量和身体剂量的总和。 由于 EDIC 剂量和心脏剂量部分重叠，因此需要大量具有显着差异的队列来阐明这两种效应。 世界各地的许多放射治疗中心都可以立即获得如此大量的常规护理数据。 我们面临的问题不是缺乏常规护理数据，而是如何使这些数据可供分析。 DECIDE 采用联邦学习方法，这意味着数据不必集中在单个机构内即可使用。 我们的目标是纳入史无前例的大规模 20,000 名患者队列。

在此提案中，我们需要增加科技创新，利用现有的联邦学习框架扩大规模，以支持超过 25 个同时连接的合作伙伴。 我们将训练（广义）线性流行病学模型以及新的基于计算机视觉的结果预测模型。 由于主要研究中无法获得特定原因的生存率（心脏毒性或免疫毒性）或不可靠，因此我们将使用更务实的生存终点。 通过结合已知的临床危险因素阐明全心脏剂量、心脏亚结构剂量和 EDIC 剂量的临床贡献，预期的影响是改变肺癌放疗的临床实践并提高生存率。