Tidlig forudsigelse af bronkopulmonal dysplasi hos for tidligt fødte børn ved hjælp af kliniske data

Baggrund:

For tidlig fødsel er en vigtig årsag til neonatal morbiditet og mortalitet. Bronkopulmonal dysplasi (BPD) er en af de mest almindelige kroniske lunge sygdomme hos for tidligt fødte børn, især hos dem med meget lav gestationsalder eller fødselsvægt. BPD øger langsigtet ilt-afhængighed, hospitalsophold og respiratoriske komplikationer. Tidlig forudsigelse af BPD er afgørende for at optimere klinisk håndtering.

Gestationsalder, fødselsvægt, varighed af mekanisk ventilation, iltbehandling, infektioner og hemodynamiske faktorer er kendte risikofaktorer for BPD. Adskillige kliniske risikomodeller er blevet udviklet for at forudsige BPD tidligt, men deres kliniske anvendelighed er begrænset.

Nylige fremskridt inden for kunstig intelligens (AI) og maskinlæring har vist potentiale i at analysere kliniske data og forudsige sygdomsrisiko. Store sprogmodeller (LLM'er) som ChatGPT, Gemini og Claude kan fortolke komplekse kliniske datasæt og generere risikoforudsigelser. Imidlertid er studier, der evaluerer deres præstation i at forudsige BPD hos for tidligt fødte børn, begrænsede.

Formål:

Retrospektivt at evaluere præstationen af forskellige LLM'er i at forudsige BPD hos for tidligt fødte børn (<32 ugers gestationsalder eller <1.500 gram) ved hjælp af kliniske data fra postnatal uge 1, 2 og 3. Studiet sigter mod at sammenligne AI-genererede forudsigelser med faktiske kliniske udfald.

Studiedesign:

Retrospektivt, observationsstudie, enkeltcenterstudie Kliniske data fra neonatalafdelingen på Konya City Hospital vil blive ekstraheret fra hospitalsjournaler og anonymiseret AI-modeller (ChatGPT, Gemini, Claude) vil modtage standardiserede datasæt inklusive gestationsalder, fødselsvægt, køn, respiratorisk støtte, iltbehov, varighed af mekanisk ventilation, infektionsstatus og andre relevante parametre AI-forudsigelser vil klassificere BPD-risiko som lav, medium eller høj med estimerede sandsynlighedsprocenter

Deltagere:

Inklusion: For tidligt fødte børn <32 ugers gestationsalder eller <1.500 gram, med komplette kliniske data, fulgt på neonatalafdelingen i studieperioden Eksklusion: Børn med større medfødte anomali, ukomplette kliniske data eller tidlig postnatal død

Udfald:

Primært: Nøjagtighed af AI-modeller i at forudsige BPD sammenlignet med faktiske kliniske udfald Sekundært: Sensitivitet og specificitet af AI-forudsigelser, sammenligning af ugentlige forudsigelser, præstationssammenligning mellem AI-modeller

Statistisk analyse:

Beskrivende statistik (gennemsnit, SD, antal, procenter) Forudsigelsespræstationsmålinger: nøjagtighed, sensitivitet, specificitet, ROC-analyse Sammenligning af modeller og ugentlige forudsigelser ved brug af DeLong-test Statistisk signifikans: p < 0,05

Ramme:

Enkeltcenter, hospitalsbaseret, Konya City Hospital neonatalafdeling Retrospektiv indsamling af kliniske data

Stikprøve:

Målpopulation: For tidligt fødte børn med høj risiko for BPD (<32 uger eller <1.500 gram) Stikprøvestørrelse: Minimum 108 børn beregnet ved hjælp af G-power software (80% styrke, 5% signifikans, medium effektstørrelse = 0,3)

AI-modelprotokol:

Standardiserede prompts for hver postnatal uge:

Kliniske data for et for tidligt født barn i postnatal [1./2./3.] uge:

• Gestationsalder: [uger + dage]
• Fødselsvægt: [gram]
• Køn: [mand/kvinde]
• Antenatale steroider: [Ja/Nej]
• Surfactant-behandling: [dosisantal]
• Respiratorisk støtte: [MV/CPAP/HFNC]
• FiO2-behov: [%]
• Sepsis/PDA-status: [Ja/Nej]

Forudsig BPD-risiko (Lav/Medium/Høj) og angiv sandsynlighed (%) for hver kategori.

Etik:

Studie godkendt af institutionel etisk komité Data anonymiseret og fortrolighed opretholdt