Supporting Personalized Treatment Decisions in Head and Neck Cancer through Big Data

Hode- og halskreft er aggressive og heterogene kreftsvulster med høy dødelighet. Behandling kan medføre store inngrep, som ofte har stor negativ konsekvens for pasientens livskvalitet. Verken inndeling av krefttilfellene i molekylære underklasser eller prognosemodeller er etablerte i klinisk virksomhet, fordi de gir ustabile resultater og er plattform- og populasjonsavhengige. Det er derfor viktig å etablere presis klasseinndeling av svulstene ved diagnosetidspunktet for å kunne gi persontilpasset behandling, og som en følge av det kunne minske de negative konsekvenser for pasientene der dette er mulig. Dette prosjektet utnyttet verdens største samling av behandlete hode- halskrefttilfeller (omtrent 2500) fra sentre i Italia, Frankrike og Tyskland. Siden dataene ble innsamlet på ulikt vis i de ulike sentrene, måtte vi løse flere utfordringer før en samlet analyse av dataene kunne utføres. Det er for eksempel spørsmål om hvilke målinger som er tilsvarende i de ulike sentrene, hvilke pasienter som kan inkluderes i analysene og spørsmål om hvordan de samlete dataene skal organiseres. Dette ble utført gjennom en prosess kalt data harmonisering/integrering og ble utført i samarbeid med partnere fra Polytechnic University of Madrid. Data er nå lagret ved UiO, i Tjenester for Sensitiv Databehandling (TSD). Etter data harmonisering ble statistiske modeller utviklet av UiO for å svare på klinisk relevante spørsmål. Datasettet kombinerte eksisterende klinisk annoterte genomiske data og ble brukt til oppdagelse av klinisk relevante biomarkører. Disse biomarkørene ble testet og validert, og assosiasjoner mellom overlevelse og biomarkørene ble funnet. I et tilfelle ble det funnet at assosiasjonen mellom overlevelse og biomarkøren var avhengig av hvilen kreftbehandling pasientene fikk, noe som foreslår at denne biomarkøren kan være spesielt relevant for persontilpasset behandling. Prosjektet undersøkte også de etiske og lovmessige forhold som er knyttet til innføring av data-drevne beslutninger med behandlingsformål, sett i relasjon til de nåværende evidensbaserte prosedyrer for kliniske beslutninger. Dette var et internasjonalt samarbeidsprosjekt ledet av en forskningsgruppe i Milano, Italia.

The work performed on data semantics for head and neck cancer (HNC) and data integration from different biomolecular platforms has promoted new knowledge generation and exchange between medical oncologists and bioinformaticians from the participating hospitals and experts in ontology systems from our technical partners. The HNC ontology developed in the project is anticipated to be beneficial to the wider HNC research community by establishing a standardized ontology to apply in future studies. The data annotation, quality check rules and integration processes and know-how are also being reused in the newly funded IDEA4RC Horizon Europe project. The generated data have fostered further analyses of the produced models on completely independent datasets (e.g., from the Head and Neck 5000 study in UK) as well as new research with a group in the US, to study radiosensitivity index and to reuse the data as a basis for a novel experiment on the generation and use of synthetic cohorts for in-silico studies. Lastly, the collaborations established by this project have allowed cross-country recruitment, generation of training opportunities for new staff and recruitment of young researchers and new technical staff.

Head and Neck Carcinomas (HNC) are aggressive and heterogeneous tumors with a high fatality rate. Treatment may be extremely invasive and result in highly impairing late sequelae. Many prognostic profiles and models have been discovered, but neither molecular sub-classification nor prognostic models are routinely used in clinical practice, because both are currently inconsistent, platform- and population-dependent, highlighting the need for accurate patients’ classification at diagnosis for personalized treatment decision. This project will focus on: validation of multifactorial methods combining existing clinically annotated omics datasets; investigation of ethical and legal aspects of data-driven clinical decision making vs. current evidence-based approach. We start from one of the world largest pools of treated HNC patients (approximately 2500), where the efficacy of the treatment has been recorded in varying forms together with a rich pool of omics and clinical data. In a 3 years study, we will retrospectively analyze these multi-source data using various types of classification, regression and statistical learning methods. We will (a) assess the role of omics, in addition to a currently used staging system to assist outcome of HNC; (b) produce and validate actionable prognostic and predictive models and algorithms to orient personalized treatment decisions, and integrate these into decisions support tools. Clinical endpoints are to improve patients’ stratification for disease outcome and response to treatment, to inform tailored treatment decisions and design clinical confirmatory studies based on new models to personalized medicine. Translational endpoints are to (a) validate effective signatures for HNC outcome and treatment response prediction, (b) propose treatment decision support tools, (c) test the acceptability of Big Data driven research through a small pilot study, drawing new ethical and regulatory frameworks.