ProMapp: Prospektive klinische Studie zur Nutzung von maschinellemLernen für eine effizientere Diagnose und Stratifizierung von Phäochromozytomund Paragangliom

Beteiligte Wissenschaftler:

Angelos Filippatos – Gruppenleiter

Georg Pommer  – Student

Manuel Schulze-TA

Carola Kunath – TA

Projekt Beschreibung:

Wir haben kürzlich Modelle für maschinelles Lernen (ML) zur Rationalisierung der diagnostischen Stratifizierung von Patienten mit Verdacht auf Phäochromozytome/Paragangliome (PGGLs) und zur weiteren Identifizierung von Patienten mit synchroner Metastasierung oder mit hohem Risiko für die Entwicklung von Metastasen, etabliert. Promapp ist eine internationale multizentrische prospektive Kohortenstudie mit randomisierter Intervention, die tatsächlich feststellen wird, ob unsere ML-Modelle effizienter und effektiver eingesetzt werden können, um die Prozesse sowohl für das diagnostische Screening von Patienten mit Verdacht auf PPGL, als auch für die Nachsorge bestätigter Fälle und zur Identifizierung des Vorhandenseins oder der zukünftigen Entwicklung einer metastatischen Erkrankung.

Ziele

(I) Feststellung, ob die Bereitstellung, von auf maschinellem Lernen basierenden Interpretationen von Standardlaborergebnissen (d. h. Plasmametanephrine und Methoxytyramin), die Effizienz und Wirksamkeit der Bestätigung oder des Ausschlusses von PPGL verbessert (Phase 1).

(II) Feststellung, ob die Bereitstellung, von auf maschinellem Lernen basierenden Interpretationen, für die Standard-Routineversorgung die Effizienz und Effektivität von Klinikern bei der Diagnose von Metastasen verbessert (Phase 2).

(III) Prospektive Validierung und Verbesserung von auf ML-Algorithmen basierenden Modellen durch lernbasierte Anpassungen unter Echtzeit-Diagnosebedingungen in einem populationsbasierten Diagnoseansatz, bei dem die Prävalenz einer PPGL bei etwa 1 % und die Prävalenz einer metastasierten Erkrankung für Patienten mit erwartet wird PPGL bei etwa 15-20 %.

Publikationen:

1. Tischler AS. Pheochromocytoma and extra-adrenal paraganglioma: updates. Arch Pathol

2. Eisenhofer G, Lenders JW, Siegert G, et al. Plasma methoxytyramine: a novel biomarker of metastatic pheochromocytoma and paraganglioma in relation to established risk factors of tumour size, location and SDHB mutation status. Eur J Cancer. 2012;48(11):1739-49.

3. Lam AK. Update on Adrenal Tumours in 2017 World Health Organization (WHO) of Endocrine Tumours. Endocr Pathol. 2017;28(3):213-227.

4. Fassnacht M, Assie G, Baudin E, et al. Adrenocortical carcinomas and malignant phaeochromocytomas: ESMO-EURACAN Clinical Practice Guidelines for diagnosis, treatment and follow-up. Ann Oncol. 2020;31(11):1476-1490.

5. Plouin PF, Amar L, Dekkers OM, et al. European Society of Endocrinology Clinical Practice Guideline for long-term follow-up of patients operated on for a phaeochromocytoma or a paraganglioma. Eur J Endocrinol. 2016;174(5):G1-G10.

6. Pamporaki C, Prodanov T, Meuter L, et al. Determinants of disease-specific survival in patients with and without metastatic pheochromocytoma and paraganglioma. Eur J Cancer. 2022;169:32-41.

7. Pamporaki C, Hamplova B, Peitzsch M, et al. Characteristics of Pediatric vs Adult Pheochromocytomas and Paragangliomas. J Clin Endocrinol Metab. 2017;102(4):1122-1132..

8. Monteagudo M, Martínez P, Leandro-García LJ, et al. Analysis of Telomere Maintenance Related Genes Reveals NOP10 as a New Metastatic-Risk Marker in Pheochromocytoma/Paraganglioma. Cancers (Basel). 2021;13(19):4758.

9. Mcmillan, M. Identification of hydroxytyramine in a chromaffin tumour. Lancet 1956; 271(6937):284.

10. van der Harst E, de Herder WW, de Krijger RR, et al. The value of plasma markers for the clinical behaviour of phaeochromocytomas. Eur J Endocrinol. 2002;147(1):85-94.

11. Rao D, Peitzsch M, Prejbisz A, et al. Plasma methoxytyramine: clinical utility with metanephrines for diagnosis of pheochromocytoma and paraganglioma. Eur J Endocrinol. 2017;177(2):103-113.

12. Obermeyer Z, Lee TH. Lost in Thought – The Limits of the Human Mind and the Future of Medicine. N Engl J Med. 2017;377(13):1209-1211. PMID: 28953443; PMCID: PMC5754014.

13. Loftus TJ, Tighe PJ, Filiberto AC, et al. Artificial Intelligence and Surgical Decision-making. JAMA Surg. 2020;155(2):148-158.

14. Seymour CW, Kennedy JN, Wang S, et al. Derivation, Validation, and Potential Treatment Implications of Novel Clinical Phenotypes for Sepsis. JAMA. 2019;321(20):2003-2017.

15. Bera K, Schalper KA, Rimm DL, Velcheti V, Madabhushi A. Artificial intelligence in digital pathology – new tools for diagnosis and precision oncology. Nat Rev Clin Oncol. 2019;16(11):703-715.

16. Eisenhofer G, Deutschbein T, Constantinescu G, et al. Plasma metanephrines and prospective prediction of tumor location, size and mutation type in patients with pheochromocytoma and paraganglioma. Clin Chem Lab Med. 2020;59(2):353-363.

17. Lenders JW, Eisenhofer G, Armando I, Keiser HR, Goldstein DS, Kopin IJ. Determination of metanephrines in plasma by liquid chromatography with electrochemical detection. Clin Chem. 1993;39(1):97–103.