Prædiktorer for ovariecancer og endometriecancer til kunstig intelligens-baserede screeningsværktøjer

Metode:

Denne undersøgelse vil omfatte to forskellige faser

1. Den første fase vil udføre en kohorteundersøgelse for at identificere de mulige prædiktorer for hver type kræft
2. Anden fase vil dække udviklingen af ​​point-of-care test baseret på en kunstig intelligensmodel til at forudsige kræftforekomst og prospektiv testning af de nye deltagere ved hjælp af en diagnostisk undersøgelsesmetode. Værktøjerne vil forudsige det nuværende histopatologiske resultat og mulig fremtidig histopatologi inden for et år.

Deltagere og datakilde I undersøgelsescentret gennemgik kvinder med eller uden gynækologi-associerede symptomer gynækologiske og patologiske vurderinger for at udelukke ovarie- og endometriecancer i vores undersøgelsescenter. Data opbevares digitalt, og udtræk vil ske i overensstemmelse hermed

Variabler og resultatmåling

1. Demografiske data og helbredsdata disse oplysninger er opnået fra den indledende vurdering af patienterne, herunder alder, kropsmasseindeks, kroniske sygdomme, gynækologisk og obstetrisk profil, menstruationsmønster og prævention
2. Kliniske data og laboratoriedata inkluderer en komplet blodtælling, udvalgt cancerassocieret biomarkør (for eksempel Cancer Antigen 125 (Ca-125)), involvering af lymfeknuder, histopatologi af relevante væv og tegn på metastaser gennem kliniske eller radiologiske data
3. Udfald endelig histopatologi type og klassificering vurderet af mindst to patologer for at bestemme typen af ​​cancer. Retningslinjerne for klassificering følger Verdenssundhedsorganisationens klassifikation

Udvikling af kunstig-intelligens-baserede screeningsværktøjer

1. Forskeren vil udvikle

   - en informationsbaseret model, hvor brugeren vil give et svar på hver prædiktor

   - en billedbaseret model, hvor brugeren vil levere et optaget billede til forudsigelse

   - en blandet-baseret model, hvor brugeren kan kombinere optagne billeder og information for hver prædiktor

2. foreslået model

   - scoringsbaseret udledt af regressionskoefficienten

   - beslutningstræ

   - tilfældig skov

   - kunstigt neuralt netværk

   • konvolutionerende neurale netværk
3. Valg af model

1. Screeningsydelse på opdelte data (eller ved brug af krydsvalideringsteknik)

2. evaluering af log-tab eller sandsynlighed

   Tidslinje

   1. For første fase af undersøgelsen vil der være en tidsvarierende vurdering for hver deltager, dog gennemgår mindst deltagerne en vurdering af alle faktorer og resultater ved baseline. Gentagen evaluering som foreslået af lægen vil blive udført inden for et år efter baseline-vurderingen.

   2. Den anden undersøgelse vil anvende prospektiv screening. Det kunstige intelligens-baserede screeningsværktøj vil blive brugt sideløbende med den gyldne standard for diagnose.

   Mulig Bias Procedurel bias, især i fortolkning af pålidelighedsresultater, håndteres ved at involvere flere patologer. Patologen og screeneren vil udføre screeningen uafhængigt for at reducere tendensen til tidligere resultater fra de nyudviklede screeningsværktøjer.

   Prøvestørrelse

   1. Den første fase af forskningen forudsætter det

en. Forekomsten af ​​både kræft blandt alle kræftformer hos kvinder udgjorde 5 % b. Type I fejl sat til 5 % c. absolut fejl af prævalensen 1% ved brug af en-stikprøve-andelsformlen, den estimerede stikprøvestørrelse er 1825 deltagere.

2. Efter den diagnostiske undersøgelse fastslår vi, at den nye model for screeningsværktøjer vil vise non-inferiority performance til histopatologi som guldstandard, forudsat at

en. den forventede forskel i sensitivitetsværdi er 5 %, hvis det antages, at de nye screeningsværktøjer vil have 85 % følsomhed og følsomheden af ​​histopatologi er 90 %. der vil blive udført cross-over-test, hvilket skaber en ligelig fordeling af screeningsintervention. c. Type 1 fejl i undersøgelsen sat til 5 % d. Undersøgelsens styrke er sat til 80 %, den samlede stikprøvestørrelse for det potentielle screeningsværktøj vil være 1080 deltagere

Data Kvantificering og diskretisering adskillige kliniske oplysninger vil blive klassificeret i henhold til den etablerede retningslinje, for eksempel body mass index.

Foreslået statistisk analyse

1. Deskriptiv statistisk og bivariat analyse
2. En cox-regression vil blive udført efter baseline-til-hændelse tidslinjen
3. Undergruppeanalyser vil blive udført, især i visse demografiske og komorbiditeter.

hvad angår anden fase, vil analysen identificere

1. følsomhed
2. specificitet
3. nøjagtighed
4. præcision
5. Antallet Needed to Treat udvalgte modeller vil blive implementeret i en applikation.