Prediktory rakoviny vaječníků a rakoviny endometria pro screeningové nástroje založené na umělé inteligenci

Metodika:

Tato studie bude zahrnovat dvě různé fáze

1. V první fázi bude provedena kohortová studie k identifikaci možných prediktorů každého typu rakoviny
2. Druhá fáze bude zahrnovat vývoj testování v místě péče založeného na modelu umělé inteligence pro predikci výskytu rakoviny a prospektivní testování nových účastníků pomocí diagnostické studijní metody. Nástroje předpovídají aktuální histopatologický výsledek a možnou budoucí histopatologii do jednoho roku.

Účastníci a zdroj dat Ve studijním centru podstoupily v našem studijním centru ženy s gynekologickými příznaky nebo bez nich gynekologické a patologické vyšetření k vyloučení rakoviny vaječníků a endometria. Data jsou uložena digitálně a podle toho bude provedena extrakce

Proměnné a měření výsledku

1. Demografické údaje a údaje o zdravotním stavu tyto informace jsou získávány z počátečního hodnocení pacientek, včetně věku, indexu tělesné hmotnosti, chronických onemocnění, gynekologického a porodnického profilu, menstruačního cyklu a antikoncepce.
2. Klinické a laboratorní údaje zahrnují kompletní krevní obraz, vybraný biomarker související s rakovinou (například Cancer Antigen 125 (Ca-125)), postižení lymfatických uzlin, histopatologii příslušných tkání a známky metastáz prostřednictvím klinických nebo radiologických údajů.
3. Výsledek konečného histopatologického typu a klasifikace hodnocené alespoň dvěma patology k určení typu rakoviny. Pokyny pro klasifikaci se řídí klasifikací Světové zdravotnické organizace

Vývoj screeningových nástrojů na bázi umělé inteligence

1. Výzkumník se bude rozvíjet

   - model založený na informacích, kde uživatel poskytne odpověď na každý prediktor

   - model založený na obrázcích, kde uživatel poskytne zachycený obrázek pro predikci

   - smíšený model, kde uživatel může kombinovat zachycené obrázky a informace pro každý prediktor

2. navrhovaný model

   - založené na bodování odvozené z koeficientu regrese

   - rozhodovací strom

   - náhodný les

   - umělá neuronová síť

   • konvoluční neuronové sítě
3. Výběr modelu

1. Screening výkonu na rozdělených datech (nebo pomocí techniky křížové validace)

2. vyhodnocení ztráty logu nebo pravděpodobnosti

   Časová osa

   1. V první fázi studie bude pro každého účastníka provedeno časově proměnlivé hodnocení, avšak alespoň účastníci podstoupí na začátku hodnocení všech faktorů a výsledků. Opakované hodnocení podle doporučení lékaře bude provedeno do jednoho roku po základním hodnocení.

   2. Druhá studie bude aplikovat prospektivní screening. Screeningový nástroj na bázi umělé inteligence bude používán souběžně se zlatým standardem diagnostiky.

   Možné zkreslení procedurální zkreslení, zejména při interpretaci výsledků spolehlivosti, je řešeno zapojením více patologů. Patolog a screener budou provádět screening nezávisle, aby se snížila tendence předchozích výsledků poskytovaných nově vyvinutými screeningovými nástroji.

   Velikost vzorku

   1. První fáze výzkumu to předpokládá

A. Prevalence obou nádorů mezi všemi nádory u žen činila 5 % b. Chyba typu I nastavena na 5 % c. absolutní chyba prevalence 1 % při použití vzorce pro podíl jednoho vzorku, odhadovaná velikost vzorku je 1825 účastníků.

2. V návaznosti na diagnostickou studii konstatujeme, že nový model screeningových nástrojů bude ukazovat non-inferioritu k histopatologii jako zlatý standard, za předpokladu, že

A. očekávaný rozdíl v hodnotě citlivosti je 5 % za předpokladu, že nové screeningové nástroje budou mít senzitivitu 85 % a citlivost histopatologie je 90 % b. c. bude provedeno křížové testování, čímž se vytvoří rovné rozdělení screeningových intervencí. Chyba typu 1 studie nastavená na 5 % d. Síla studie nastavená na 80 % celková velikost vzorku pro prospektivní screeningový nástroj bude 1080 účastníků

Kvantifikace a diskretizace dat Několik klinických informací bude klasifikováno podle zavedených pokynů, například index tělesné hmotnosti.

Navrhovaná statistická analýza

1. Popisná statistika a bivariační analýza
2. Coxova regrese bude provedena po časové ose od základní linie k události
3. Bude provedena analýza podskupin, zejména u určitých demografických skupin a komorbidit.

pokud jde o druhou fázi, analýza určí

1. citlivost
2. specifičnost
3. přesnost
4. přesnost
5. Počet potřebný k léčbě vybraných modelů bude nasazen do aplikace.