Persontilpasset screening mot livmorhalskreft
Prosjekt
|Sist endret
Prosjektet fremmer tanken om å gå fra en one size fits all-modell innen kreftscreening til persontilpasset livmorhalskreftscreening som er basert på individuell prøvehistorikk.
Bakgrunn
Screening for livmorhalskreft anbefales i dag hvert tredje år for kvinner i alderen 25 til 69 år. Dersom alle prøver er normale tilsvarer dette rundt 16 screeningprøver i løpet av en livstid. Dagens kunnskap tilsier at etter en rekke med normale celleprøver er risikoen for forstadier til livmorhalskreft lav. Likevel behandler programmet alle kvinner likt, uavhengig av personlig prøvehistorikk.
Hensikt
I dette prosjektet fremmes tanken om persontilpasset screening i kreftforebygging. Målet med prosjektet er å skape mer fleksibel kreftforebygging ved å gå fra en «one size fits all»-modell med standardiserte anbefalinger til anbefalinger basert på en personlig risikovurdering. Ved å kombinere ekspertise fra både den medisinske og den datateknologiske verden ønsker vi å utvikle en algoritme, en retningslinje, som ved hjelp av helsedata, skreddersyr anbefalinger om sykdomsforebygging basert på den enkeltes risikoprofil.
Prosjektet vil utvikle statistiske metoder for risikovurdering, med et langsiktig mål om å bedre helsetjenester som tilbys befolkningen.
Datagrunnlag
Livmorhalsprogrammet har vist seg å ha god effekt når det gjelder kreftforebygging i befolkningen, og det norske screeningprogrammet har gjennom årene generert store mengder data. Disse dataene er tilgjengelige via Kreftregisterets sentrale helseregistre og kan dermed brukes til å forske på enda bedre kreftforebygging. Dette gjør screening for livmorhalskreft er et godt område å utvikle en slik algoritme på.
Utenom statistiske data fra Livmorhalsprogrammet vil vi i dette prosjektet også bruke informasjon om human papillomavirus-infeksjon hentet inn fra en tidligere studie, samt data fra spørreskjemaundersøkelser som omhandler risikofaktorer som kan knyttes til utvikling av livmorhalskreft. Videre vil vi også bruke informasjon om vaksinestatus fra Nasjonalt vaksinasjonsregister.
Det å ha tilgang til et slik datasett, kombinert med nye fremskritt i forståelsen av hvordan livmorhalskreft utvikler seg og ikke minst utviklingen innen teknologiens verden, gir oss tilgang til helt nye muligheter for å bearbeide data og vurdere risikoen for kreft hos den enkelte kvinne.
Status
I samarbeid med Lawrence Livermore National Laboratory, CA, USA, SimulaMet, Oslo, Norge, Karolinska Institutet, Stockholm, Sverige, og University of Tartu, Tartu, Estland, utvikler vi en statistisk modell som beregner risikonivå for en unormal prøve og celleforandringer ved å ta den enkeltes screeninghistorikk i betrakting.
I media
Om prosjektet
Prosjektgruppe: Mari Nygård, Jan F. Nygård, Severin Langberg, Ståle Nygård,Gunvor Aasbø, Kristin Haugan.
Finansiering: Prosjektet er finansiert med midler fra Kreftregisteret, Lawrence Livermore National Laboratory, Norges Forskningsråd - IKTPLUSS (prosjektnummer 300034) og EEA Financial mechanism 2014-2021 Baltic Research Programme.
Prosjektperiode: 2015-2025
REK: Studien er godkjent av Regional komite for medisinsk og helsefaglig forskningsetikk (ref. 2015/1344)
Vitenskapelig prosjektnavn: Persontilpasset livmorhalskreftscreening basert på individuell prøvehistorikk
Samarbeidspartnere:
- Lawrence Livermore National Laboratory
- simulamet
- Karolinska institutet
- University of Tartu
- Oslo cancer cluster
Publikasjoner
Goncalves A, Soper B, Nygård M, Nygård JF, Ray P, Widemann D, Sales AP (2020)
Improving five-year survival prediction via multitask learning across HPV-related cancers. PLoS One, 15 (11), e0241225. DOI 10.1371/journal.pone.0241225, PubMed 33196642
Soper BC, Nygård M, Abdulla G, Meng R, Nygård JF (2020)
A hidden Markov model for population-level cervical cancer screening data. Stat Med, 39 (25), 3569-3590. DOI 10.1002/sim.8681, PubMed 32854166
Goncalves A, Ray A, Soper B, Widemann D, Nygård D, Nygård JF, Sales AP (2019). Bayesian Multitask Learning Regression for Heterogeneous Patient Cohorts.
Journal of Biomedical Informatics Vol 4 2019 December