Data mining in head and neck cancer

Bidragets oversatte titel: Data mining i hoved- og halskræft

Christian Rønn Hansen

Publikation: AfhandlingPh.d.-afhandling

103 Downloads (Pure)

Abstrakt

Strålebehandling er den primære behandlingsmodalitet for størstedelen af hoved- og halskræft. De højenergiske røntgenstråler eller andre strålinger har evnen til at dræbe celler ved at ødelægge dele af DNA'et. DNA-reparationsmekanismerne i kræftceller er typisk ringere end normale celler. Denne forskel åbner mulighed for at dræbe kræftcellerne, men stadig bevare funktionen af normale organer. Især er der flere organer af vital betydning i hoved- og nakkeregionen. Formålet er at kontrollere ('kurere') patientens kræftsygdom med strålebehandling, men samtidig opretholde og skåne den normale funktion af det kræftholdige organ eller meget nærliggende organer. Der er dog altid en risiko for, at disse organers funktion kan blive beskadiget, og der kan opstå betydelige behandlingsrelaterede bivirkninger både under behandlingen og år efter. Det er muligt at evaluere behandlingsplanen, inden behandlingen påbegyndes, for at forudsige muligheden for helbredelse og risikoen for behandlingsrelaterede bivirkninger ved hjælp af matematiske modeller trænet på tidligere behandlede kræftpatienter.

Den første del af denne afhandling undersøger, hvordan man udvikler og validerer matematiske forudsigelsesmodeller robust. Anden del af afhandlingen undersøger, hvordan modellerne kan trænes og valideres ved hjælp af data fordelt på mange forskellige hospitaler uden at dele patientfølsomme data uden for hvert hospital. 

Udviklingen af bivirknings-modeller til at forudsige akut alvorlig slimhindebetændelse i munden blev udført på 800 patienter. Ved at bruge to tredjedele af patienterne til modeludvikling og en tredjedel til modelvalidering fandt modellerne at de primære faktorer for svær slimhindebetændelse er, hvor hurtigt behandlingen blev givet, dvs. stråledosis pr. uge, dosis til mundhulen og hvordan denne var fordelt. Derudover havde kvinder en lavere risiko for slimhindebetændelse end mænd, og rygning under behandlingen reducerede risikoen. Tumorer i mundhulen eller den øverste del af svælget havde en høj risiko for svær slimhindebetændelse. Forudsigelsesmodellerne fungerede godt både i udviklings- og valideringskohorten. Disse modeller kan bruges til at forudsige patienter med høj eller lav risiko for at udvikle svær slimhindebetændelse og vælge den passende håndtering under behandlingen. 

Ved implementering af publicerede forudsigelsesmodeller i klinikken er det vigtigt at validere, at de faktisk forudsiger de lokale patienters udfald. En lokal patientkohorte med det kendte udfald sammenlignes med modelforudsigelserne for at sikre dette. Hvis modellen ikke matcher perfekt, kan forskellige niveauer af modifikation af modellen vi udføres baseret på de lokale patientdata. Jo mindre ændringen der fortages, desto bedre, da flere oplysninger for den originale model bevares.

Den anden artikel viste, at en hollandsk forudsigelsesmodel for dysfagi kunne valideres i Dansk hoved og hals kræft gruppes valideringskohorten. For optimal forudsigelse havde modellen brug for den mindst mulige justering. Fremtidige forudsigelsesmodeller kan nu valideres effektivt til brug for danske patienter.

Validering og udvikling af modeller kan være svært på grund af den strenge GDPRlovgivning omkring patient følsomme oplysninger. Derfor er det attraktivt at arbejde med patientdataene uden at dataene forlader sygehusene og herved beskytte patientens privatliv som standard. personfølsomme data. Distribueret modeludvikling er en relativt ny metode, hvor de matematiske forudsigelsesmodeller rejser mellem hospitalerne og lærer af alle patientudfald på hospitalerne. Kun aggregerede patientoplysninger og modeloplysninger deles, hvilket ikke afslører nogen patientfølsomme oplysninger.

I den tredje artikel blev distribueret modelvalidering brugt til at undersøge forudsigelsesevnen af en hollandsk overlevelsesmodel for strubekræft på to patientkohorter fra Manchester, Storbritannien og Odense, Danmark. Undersøgelsen viste, at den publicerede model havde brug for en mindre justering for at matche de to kohorter, og at de to kohorter var signifikant forskellige, hvilket modellen ikke forklarede uden yderligere parametre. Den distribuerede modelvalidering kunne identificere et potentielt problem med modellen, da det kombinerede resultat af de to centre var signifikant forskellige. 

Den sidste undersøgelse tilføjede flere kliniske parametre såsom tumorvolumen og patient performance status og udviklede en overlevelsesmodel for strubekræft på tværs af centre i tre forskellige lande, Odense og Manchester og Sydney, Australien. Modeludviklingen viste, at tumorvolumen og performance status kunne forudsige patienternes overlevelseschancer ud fra de elleve tilgængelige parametre. En mere omfattende model fandt, at alder, hæmoglobin i blodet, involvering af lymfeknuder og rygning under behandlingen var vigtige faktorer for overlevelse. Ud fra modellen kunne det ses, at rygning under behandlingen svarer til at være 10 år ældre. 
Bidragets oversatte titelData mining i hoved- og halskræft
OriginalsprogEngelsk
Bevilgende institution
  • Syddansk Universitet
Vejledere/rådgivere
  • Brink, Carsten, Hovedvejleder
  • Eriksen, Jesper Grau, Bivejleder
  • Thwaites, David Ian, Bivejleder, Ekstern person
  • Bernchou, Uffe, Bivejleder
  • Hansen, Olfred, Bivejleder
Dato for forsvar15. sep. 2022
Udgiver
DOI
StatusUdgivet - 19. aug. 2022

Fingeraftryk

Dyk ned i forskningsemnerne om 'Data mining i hoved- og halskræft'. Sammen danner de et unikt fingeraftryk.

Citationsformater