AI-baseret multimodal parameter for perifere blodceller (MMPBC) forudsiger overlevelsesrisiko hos kritisk syge børn

Ifølge definitionen af ​​FN's Børnefond (UNICEF) er børn individer mellem 0 og 18 år. Kritisk syge børn er dem, der er indlagt på PICU eller NICU og lider af alvorlige sygdomme, der kræver særlig behandling. Disse sygdomme kan bringe barnets liv i fare. Undersøgelser har rapporteret, at den internationale PICU-dødelighed i udviklede lande er 2% til 3%; i de seneste år er dødeligheden på hospitaler for PICU i Kina 4,7 % til 6,8 %. Vurderingen af ​​overlevelsesrisikoen for kritisk syge børn har altid været i fokus. Traditionelle vurderingsmetoder omfatter fysiologiske indikatorer, scoringsværktøjer, sygdoms sværhedsgrad og diagnosticeringstid, som kan hjælpe læger med at træffe beslutninger i et vist omfang, men deres forudsigelsesevne er begrænset og vanskelig at afspejle barnets fysiologiske status og sygdomsprogression.

Med udviklingen af ​​teknologi og sociale fremskridt udvikler blodcelleanalyse sig mod en meget integreret platform af multicelleanalyseteknologier, der giver mere nøjagtige resultater, mere omfattende parametre og hurtigere detektion. Celleanalyseapplikationer fokuserer i stigende grad på identifikations- og alarmfunktionerne af unormale prøver, herunder retikulocytter, røde blodlegemer med kerne og umodne granulocytter. I 2009 udviklede Mindray Group i samarbejde med National Key Laboratory of Fine Chemicals et nyt nukleinsyremålrettet fluorescerende farvestof, der opfylder kravene til blodcelleanalyse (det patenterede fluorescerende farvestof vandt National Science and Technology Progress Second Prize). Denne banebrydende teknologi overvandt internationale barrierer for intellektuel ejendom og udviklede den første avancerede blodcelleanalysator, BC-6800, med funktioner til at detektere røde blodlegemer og retikulocytter. Enheden er med succes blevet forfremmet til over 90 % af tertiære hospitaler i Kina. Mens den registrerer rutinemæssige blodcelleforhold, genererer denne blodcelleanalysator faktisk en stor mængde multimodale data om cellefordelingskarakteristika, herunder cellefordelingsbredde og unormale celleforhold. Indtil videre er disse multimodale data dog ikke blevet udnyttet fuldt ud i klinisk praksis.

Foreløbig udforskning af multimodale celledata har vist dens enorme værdi i at forudsige, diagnosticere og prognosticere infektionssygdomme i små populationer. Denne undersøgelse har til formål retrospektivt at indsamle kliniske data og blodcelle multimodale data fra NICU og PICU hospitalsindlagte børn i flere centre over hele Kina, at etablere en national multi-center blodcelle multimodal database med ikke mindre end 100.000 mennesker, og at bruge kunstig intelligens teknologi til at opnå nøjagtig, repeterbar og upartisk identifikation og klassificering baseret på forskelle i cellemorfologi og strukturel fordeling. En højtydende forudsigelsesmodel vil blive konstrueret i opdagelseskohorten for at forudsige overlevelsesrisikoen for kritisk syge børn; modellens ydeevne vil blive valideret i valideringskohorten for at evaluere dens anvendelighed i den kinesiske befolkning af kritisk syge børn. Denne undersøgelse vil give solid evidens for evidensbaseret medicin baseret på multicenter kohorteundersøgelser og tilbyde potentielle nye inspektionsteknologier til at forudsige overlevelsesrisikoen for kritisk syge børn, give hjælpebeslutningsstøtte til klinikere, forbedre overlevelsesraten for kritisk syge børn, og fremme udviklingen af ​​præcisionsmedicin.