Prädiktoren für Eierstockkrebs und Endometriumkrebs für auf künstlicher Intelligenz basierende Screening-Tools

Methodik:

Diese Studie umfasst zwei verschiedene Phasen

1. In der ersten Phase wird eine Kohortenstudie durchgeführt, um die möglichen Prädiktoren für jede Krebsart zu identifizieren
2. Die zweite Phase umfasst die Entwicklung von Point-of-Care-Tests auf der Grundlage eines Modells künstlicher Intelligenz zur Vorhersage des Auftretens von Krebs und prospektiver Tests der neuen Teilnehmer unter Verwendung einer diagnostischen Studienmethode. Die Tools werden das aktuelle histopathologische Ergebnis und mögliche zukünftige histopathologische Untersuchungen innerhalb eines Jahres vorhersagen.

Teilnehmer und Datenquelle Im Studienzentrum wurden Frauen mit oder ohne gynäkologieassoziierten Symptomen gynäkologischen und pathologischen Untersuchungen unterzogen, um Eierstock- und Endometriumkarzinome in unserem Studienzentrum auszuschließen. Die Daten werden digital gespeichert und die Extraktion erfolgt entsprechend

Variablen und Ergebnismessung

1. Demografische Daten und Gesundheitsdaten Diese Informationen stammen aus der Erstbewertung der Patientinnen, einschließlich Alter, Body-Mass-Index, chronische Krankheiten, gynäkologisches und geburtshilfliches Profil, Menstruationsmuster und Empfängnisverhütung
2. Zu den klinischen und Labordaten gehören ein vollständiges Blutbild, ausgewählte krebsassoziierte Biomarker (z. B. Krebsantigen 125 (Ca-125)), Lymphknotenbefall, Histopathologie relevanter Gewebe und Anzeichen von Metastasen durch klinische oder radiologische Daten
3. Ergebnis endgültiger histopathologischer Typ und Klassifizierung, bewertet von mindestens zwei Pathologen, um die Art des Krebses zu bestimmen. Die Einstufungsrichtlinien folgen der Einstufung der Weltgesundheitsorganisation

Entwicklung von auf künstlicher Intelligenz basierenden Screening-Tools

1. Der Forscher wird sich entwickeln

   - ein informationsbasiertes Modell, bei dem der Benutzer eine Antwort auf jeden Prädiktor bereitstellt

   - ein bildbasiertes Modell, bei dem der Benutzer ein aufgenommenes Bild zur Vorhersage bereitstellt

   - ein gemischtes Modell, bei dem der Benutzer erfasste Bilder und Informationen für jeden Prädiktor kombinieren kann

2. Vorgeschlagenes Modell

   - Scoring-basiert aus dem Regressionskoeffizienten abgeleitet

   - Entscheidungsbaum

   - Zufälliger Wald

   - künstliche neuronale Netz

   • Faltungsneuronales Netzwerk
3. Auswahl des Modells

1. Screening-Leistung bei Split-Daten (oder Kreuzvalidierungstechnik)

2. Auswertung von Log-Verlust oder Wahrscheinlichkeit

   Zeitleiste

   1. Für die erste Phase der Studie wird es für jeden Teilnehmer eine zeitabhängige Bewertung geben, jedoch werden zumindest die Teilnehmer zu Studienbeginn einer Bewertung aller Faktoren und Ergebnisse unterzogen. Eine wiederholte Bewertung, wie vom Arzt vorgeschlagen, wird innerhalb eines Jahres nach der Ausgangsbewertung durchgeführt.

   2. Die zweite Studie wendet ein prospektives Screening an. Das auf künstlicher Intelligenz basierende Screening-Tool wird gleichzeitig mit dem Goldstandard der Diagnose verwendet.

   Mögliche verfahrensbedingte Verzerrungen, insbesondere bei der Interpretation von Zuverlässigkeitsergebnissen, werden durch die Einbeziehung mehrerer Pathologen behandelt. Der Pathologe und der Screener führen das Screening unabhängig voneinander durch, um die Tendenz früherer Ergebnisse zu verringern, die von den neu entwickelten Screening-Tools geliefert werden.

   Stichprobengröße

   1. Die erste Phase der Forschung geht davon aus

a. Die Prävalenz beider Krebsarten unter allen Krebsarten bei Frauen betrug 5 % b. Fehler 1. Art auf 5 % gesetzt c. absoluter Fehler der Prävalenz 1 % unter Verwendung der Ein-Stichproben-Proportionsformel, die geschätzte Stichprobengröße beträgt 1825 Teilnehmer.

2. Nach der diagnostischen Studie stellen wir fest, dass das neue Screening-Tool-Modell die Nichtunterlegenheitsleistung gegenüber der Histopathologie als Goldstandard zeigen wird, vorausgesetzt, dies

a. der erwartete Unterschied im Sensitivitätswert beträgt 5 % unter der Annahme, dass die neuen Screening-Instrumente eine Sensitivität von 85 % besitzen und die Sensitivität der Histopathologie 90 % beträgt b. Es werden Cross-Over-Tests durchgeführt, wodurch eine gleichmäßige Verteilung der Screening-Interventionen erreicht wird. c. Fehler 1. Art der Studie auf 5 % gesetzt d. Die Stärke der Studie, die auf 80 % festgelegt ist, beträgt für das prospektive Screening-Tool insgesamt 1080 Teilnehmer

Datenquantifizierung und Diskretisierung Verschiedene klinische Informationen werden gemäß der etablierten Richtlinie klassifiziert, z. B. Body-Mass-Index.

Vorgeschlagene statistische Analyse

1. Deskriptive Statistik und bivariate Analyse
2. Eine Cox-Regression wird nach der Baseline-to-Event-Timeline durchgeführt
3. Es wird eine Untergruppenanalyse durchgeführt, insbesondere in Bezug auf bestimmte demografische Merkmale und Begleiterkrankungen.

Was die zweite Phase betrifft, wird die Analyse die identifizieren

1. Empfindlichkeit
2. Spezifität
3. Richtigkeit
4. Präzision
5. Die Anzahl Needed to Treat ausgewählter Modelle wird in einer Anwendung bereitgestellt.