Marco Peluso, ISPRO
m.peluso@ispro.toscana.it
Valentina Russo, Cristina Sani, Gianpaolo Pompeo, ISPRO; Duilio Pagano, Alessandro Tropea, Rosa Liotta, Floriana Barbera, Noemi Di Lorenzo, Agita Jukna, Monica Rizzo, IRCCS-ISMETT; Vincenza Barresi, Mercorillo Simona, UNICA; Antonio Galvano, Viviana Bazan, Cancelliere Daniela, UNIPA; Adele Caldarella, Registro Toscano Tumori-ISPRO; Romina D’Aurizio, Francesco Paparazzo, IIT-CNR PISA;
- Categoria Primaria: Epidemiologia clinica
- Categoria Secondaria: Epidemiologia molecolare
ntroduzione Il cancro colorettale metastatico (mCRC) è una condizione grave con alti tassi di malattia e morte. I trattamenti attuali sono limitati e non sempre efficaci perché il cancro risponde in modo diverso ai farmaci in pazienti diversi. Obiettivi Lo studio mira a utilizzare l’Intelligenza Artificiale (IA) per migliorare il trattamento prevedendo quali terapie funzioneranno meglio per i singoli pazienti. Analizzando grandi serie di dati sui pazienti e utilizzando l’apprendimento automatico, intendiamo creare un modello in grado di identificare quali pazienti risponderanno alla chemioterapia, da sola o in combinazione con altri trattamenti mirati. Metodi La risposta alla terapia sarà studiata utilizzando set di dati pubblici di The Cancer Genome Atlas (TCGA) e Gene Expression Omnibus (GEO), e conducendo uno studio retrospettivo che raccoglie campioni di tumore fissati in formalina e inclusi in paraffina (FFPE) da una coorte di pazienti con CRC metastatico o ricorrente sottoposti a intervento chirurgico presso l’Unità chirurgica dell’ISMETT negli ultimi 10 anni. Vari algoritmi di apprendimento automatico saranno sviluppati per sviluppare un modello predittivo altamente accurato e stabile. Risultati I risultati preliminari mostrano l’identificazione di 17 dataset pubblici (TCGA e GEO) da cui sono stati raccolti i set di dati contenenti le variabili che saranno prese in considerazione per lo sviluppo del modello predittivo. I set dei dati pubblici da sono stati selezionati principalmente dalla piattaforme Affymetrix con caratteristiche simili per evitare distorsioni o limitare la comparabilità dei risultati. Nello studio prospettico, per garantire l’idoneità dei risultati molecolari, è stato analizzato un set rappresentativo di campioni FFPE per misurare il contenuto minimo di cellule tumorali, e la qualità di DNA e RNA, insieme alla sua concentrazione. Inoltre, per ottenere un set di dati prospettici che possano essere utilizzati per addestrare l’IA, abbiamo definito il numero di variabili clinico patologiche, che serviranno per costruire un algoritmo “solido” con cui lavorare. Es. 1) Prima linea, chemioterapia eventualmente con anticorpi monoclonali; 2) “Outcomes: PFS1, PFS2 e OS, date della prima e della seconda progressione e della morte. Conclusioni Il nostro progetto mira a sviluppare un modello predittivo in grado di migliorare i risultati per i pazienti affetti da mCRC ottimizzando le scelte terapeutiche. Abbiamo avuto supporto finanziario all’interno del “National Recovery and Resilience Plan (NRRP), Mission 6, Component 2, Investment 2.1, pubblicato il 24.04.2023 dal Ministero della Salute, finanziato dalla Unione Europea – NextGenerationEU– Titolo del progetto Clinical validation of a machine learning-based biomarkers signature to predict response to therapy in metastatic colorectal cancer patients, CUP F13C23003210006.