Advancing NSCLC treatment with a machine learning-enabled EDC platform: design and implementation

Non-small cell lung cancer (NSCLC) is an extremely heterogeneous disease, with inter- patient variability that makes the selection of a proper treatment difficult for physicians. Immunotherapy has emerged as a new treatment option for patients with NSCLC, but the patient response to immunotherapy drugs varies significantly. As a result, the search for predictive biomarkers for immunotherapy has become a top priority to improve treatment efficacy. The European Union-funded I3LUNG project searches for new machine learning- based biomarkers to predict the efficacy of immunotherapy in patients with NSCLC. This thesis focuses on designing and implementing an electronic data capture platform (EDC) for collecting clinical data from six cancer centers involved in the project. The platform was designed to be user-friendly, secure, and scalable to support the collection of large volumes of clinical data. Additionally, the platform was designed to allow the addition of more tools, such as a machine learning pipeline and other instruments that will support clinicians, researchers, and patients. The EDC platform was successfully implemented, enabling the collection of clinical data from six different cancer centers. The collected data will be used to train machine learning algorithms to identify new biomarkers for immunotherapy in NSCLC. In summary, this thesis describes the design and implementation of a platform for clinical data collection and processing for the I3LUNG project. The information gathered will be used to better understand NSCLC and to guide the development of new biomarkers for immunotherapy, with the aim of improving treatment efficacy for patients with NSCLC.

Il Non-small cell lung cancer (NSCLC) è una malattia estremamente eterogenea, con variabilità inter-paziente che rende difficile la selezione di un trattamento adatto ad ogni paziente. L’immunoterapia costituisce una nuova opzione terapeutica per i pazienti con NSCLC, ma la risposta ai farmaci immunoterapici varia in modo significativo. Di con- seguenza, la ricerca di biomarcatori predittivi per l’immunoterapia è diventata una pri- orità assoluta per migliorare l’efficacia del trattamento. Il progetto I3LUNG, finanziato dall’Unione europea, cerca nuovi biomarker basati su tecniche di machine learning per prevedere l’efficacia dell’immunoterapia nei pazienti con NSCLC. Questa tesi si focalizza sulla progettazione e l’implementazione di una piattaforma di rac- colta dati elettronica (EDC) per la raccolta di dati clinici da sei diversi centri oncologici coinvolti nel progetto. La piattaforma è stata progettata per essere user-friendly, sicura e scalabile al fine di supportare la raccolta di grandi volumi di dati clinici. Inoltre, la pi- attaforma è stata progettata per consentire l’aggiunta di più strumenti, come una pipeline di machine learning e altri strumenti che supporteranno medici, ricercatori e pazienti. La piattaforma EDC è stata implementata con successo, consentendo la raccolta di dati clinici da sei diversi centri oncologici. I dati raccolti verranno utilizzati per addestrare algoritmi di machine learning al fine di identificare nuovi biomarker per l’immunoterapia nel NSCLC. In sintesi, questa tesi descrive la progettazione e l’implementazione di una piattaforma EDC per la raccolta di dati clinici per il progetto I3LUNG. Le informazioni raccolte verranno utilizzate per comprendere meglio il NSCLC e per guidare lo sviluppo di nuovi biomarker per l’immunoterapia, con l’obiettivo di migliorare l’efficacia del trattamento per i pazienti affetti da NSCLC.