La integración automatizada de datos del mundo real mejora la predicción de los resultados del cáncer

Área de la Ciencia:

• En el campo de la oncología
• La bioinformática
• La informática médica

Sus antecedentes:

• Los registros de salud digitalizados y la secuenciación del ADN del tumor ofrecen una gran cantidad de datos para la investigación de los resultados del cáncer.
• Los datos de los pacientes a menudo existen en texto no estructurado y en conjuntos de datos aislados, lo que limita el análisis integral.
• La integración de diversas fuentes de datos es crucial para el avance de la oncología de precisión.

Objetivo del estudio:

• Crear un conjunto armonizado de datos clínico-genómicos del mundo real (MSK-CHORD) mediante la combinación de anotaciones de PNL con datos clínicos y genómicos estructurados.
• Aprovechar este conjunto de datos para descubrir nuevas relaciones clínico-genómicas.
• Desarrollar y validar modelos de aprendizaje automático para predecir los resultados de los pacientes, incluida la supervivencia general y las metástasis.

Principales métodos:

• Las anotaciones combinadas de procesamiento de lenguaje natural (PNL) con datos estructurados (medicamentos, datos demográficos, registro de tumores, genómica) de 24.950 pacientes.
• Desarrolló el conjunto de datos Memorial Sloan Kettering-Cancer Research Commons (MSK-CHORD), que incluye datos para cánceres de pulmón, mama, colorrectal, próstata y páncreas.
• Modelos de aprendizaje automático entrenados para predecir la supervivencia general y el potencial metastásico utilizando características derivadas de la PNL y los datos genómicos.

Principales resultados:

• Los modelos de aprendizaje automático que incorporan características derivadas de la PNL (por ejemplo, sitios de enfermedad) superaron a los modelos basados únicamente en datos genómicos o en la etapa del cáncer para predecir la supervivencia general.
• El conjunto de datos MSK-CHORD permitió el descubrimiento de relaciones clínico-genómicas que no eran evidentes en conjuntos de datos más pequeños.
• Predictores identificados de metástasis en sitios específicos de órganos, incluida una asociación validada entre la mutación SETD2 y el potencial metastásico reducido en el adenocarcinoma pulmonar.

Conclusiones:

• La anotación automatizada de notas clínicas no estructuradas utilizando PNL es factible y valiosa para predecir los resultados de los pacientes.
• El conjunto de datos clínico-genómicos integrados (MSK-CHORD) mejora significativamente la capacidad de descubrir determinantes complejos del cáncer.
• El conjunto de datos MSK-CHORD se publica como un recurso público para facilitar la investigación oncológica en el mundo real.