Ph.d.-forsvar ved Rasmus Rask Kragh Jørgensen

Forudsigelse af prognose og estimering af behandlingseffektivitet hos patienter med lymfekræft er af særlig interesse for en bred vifte af sundhedspersonale. Ved at kombinere den stigende mængde af real-world data, der er tilgængelig i de nordiske lande, med avancerede statistiske metoder, er det muligt at opnå ny evidens fra den virkelige verden. 

Formålet med Rasmus Rask Kragh Jørgensens ph.d.-afhandling var at udvikle nye prognostiske værktøjer, som kan lave mere præcise prognoser på diagnosetidspunktet og estimere effekten af behandling i real-world data. Da nuværende prognostiske modeller ofte er forenklede og trænet på patienter som har modtaget forældet behandling, er der et behov for at opdatere disse eller udvikle nye. Det er også vigtigt at udregne effekten af en behandling når et lodtrækningsforsøg ikke kan lade sig gøre. 

I det første studie udviklede forskerne to machine-learning modeller til at kunne forudsige overlevelse og progressionsfri overlevelse hos patienter med klassisk Hodgkins lymfom i avanceret stadie. Machine learning-modellerne var i stand til at prædiktere mere præcist sammenlignet med allerede eksisterende prognostiske modeller i både interne og eksterne valideringsdata. Dog var modellerne kun i stand til at få et lidt højere performancemål sammenlignet med den nyudviklede A-HIPI model. 

I det andet studie blev unge patienter med Diffust storcellet B-celle lymfom (DLBCL) behandlet med R-CHOEP, matchet 1:1 på en lang række kliniske karakteristika til patienter behandlet med R-CHOP. Studiet fandt ikke nogen evidens for, at R-CHOEP havde en overlegen effekt sammenlignet med R-CHOP, hverken på overlevelse eller progressionfri overlevelse. 

I analysen for senfølger for patienter, der opnåede komplet remission, blev der ikke fundet nogen evidens for en forøget risiko for kardiovaskulær sygdom eller sekundær primær maligniteter i patienter behandlet med R-CHOEP sammenlignet med R-CHOP. 

At sikre patienters ret til privatliv er vigtigt, da risikoen for at identificere individer igennem prædiktive modeller er et problem. I det tredje studie, blev der udviklet en ny metode til at bygge overlevelsesmodeller på tværs af landegrænser ved at gøre brug af "federated learning". Metoden gjorde brug af gradienter og Hessianer til at estimere covariat-effekterne og inkluderede en kerneudglatningsproces for Cox proportionale hazard model. Den nye metode var i stand til at opnå sammenlignelige performancemål sammenlignet med scenariet, hvor alle data var samlet på et enkelt site, i både simulerede forsøg og i real-world data.

Tid og sted

Ph.d.-forvaret afholdes fredag den 28. februar kl. 13.00 i Auditorium A i Forskningens Hus. Alle interesserede er velkomne.

Vejledere og bedømmelsesudvalg

Vejledere

• Professor Tarec Christoffer El-Galaly, Dept. of Haematology, Aalborg University Hospital, Dept. of Clinical Medicine, Aalborg University
• Senior Statistician Lasse Hjort Jakobsen, Dept. of Haematology, Aalborg University Hospital, Novo Nordisk A/S
• Professor Marianne Tang Severinsen, Dept. of Haematology, Aalborg University Hospital, Dept. of Clinical Medicine, Aalborg University
• Docent Sandra Eloranta, Clinical Epidemiology Division, Dept. of Medicine Solna, Karolinska Institute

Bedømmelsesudvalg

• Professor Morten Ladekarl, Aalborg University, Denmark
• Associate Professor Danila Azzolina, University of Ferrara, Italy,
• Associated Professor Morten Kjøbek Lamberts, University of Copenhagen, Denmark