Entwicklung eines landesweiten Registers zur Verfolgung klinischer Längsschnittergebnisse von Hornhautoperationen und -erkrankungen

Hintergrund. Überblick über Augenerkrankungen und globale Statistiken Hornhauterkrankungen sind die fünfthäufigste Erblindungsursache weltweit, und etwa 4,5 Millionen Menschen leiden unter einer mittelschweren bis schweren Sehbeeinträchtigung als Folge des Verlusts der Hornhautklarheit. Im Vergleich zu anderen Hauptursachen für Blindheit betrifft Hornhauterkrankung vor allem eine jüngere Bevölkerung und hat daher eine längere, an die Behinderung angepasste Lebensjahre. Aufgrund einer Reihe von Problemen, darunter sozioökonomische und politische Faktoren, unterzieht sich nur einer von 70 Menschen mit Hornhautblindheit letztendlich einer Hornhauttransplantation. Infolgedessen werden in den USA pro Jahr etwa 50.000 Keratoplastik-Eingriffe durchgeführt.

Verfolgung der Langzeitergebnisse nach einer Hornhauttransplantation In den Vereinigten Staaten gibt es derzeit kein Register oder eine Datenbank, die die Längsschnittergebnisse von Spendern oder Empfängern nach einer Hornhauttransplantation verfolgt. Für andere Organtransplantationen, einschließlich Nieren-, Leber-, Herz-, Lungen- und Bauchspeicheldrüsentransplantationen, gibt es ein etabliertes Register, obwohl Hornhauttransplantationen zu den häufigsten Transplantationen in den USA gehören. Australien ist eines der wenigen Länder, das seit 1985 über ein etabliertes Hornhauttransplantatregister verfügt, das unschätzbare Erkenntnisse zur Bestimmung positiver und negativer prognostischer Faktoren liefert, die das Überleben von Hornhauttransplantaten beeinflussen. Um die besten Ergebnisse für den Patienten zu erzielen, sollte die klinische Praxis idealerweise auf die Auswahl der besten Art der Operation zugeschnitten sein (d. h. durchdringende Keratoplastik [PKP], endotheliale Keratoplastik [EK], anteriore lamelläre Keratoplastik [ALK] oder künstliche Hornhaut) für jeden einzelnen Patienten, basierend auf realen Ergebnisdaten.

Entwicklung und Nutzung künstlicher Intelligenz für Hornhauterkrankungen. Maschinelles Lernen, das bei der Entwicklung künstlicher Intelligenzsysteme für medizinische Anwendungen eine immer wichtigere Rolle spielt, ist ein leistungsstarkes Mittel zur Verarbeitung sehr großer Datensätze. Verschiedene Algorithmen können viele Werte effizienter und genauer erfassen als Menschen. Bildgebende Studien sind besonders umfangreich und eignen sich daher gut für maschinelles Lernen.

Eine genaue KI/ML-gestützte Algorithmusbewertung verschiedener bildgebender Untersuchungen könnte die Präzision von körperlichen Untersuchungen verbessern und die Patientenergebnisse durch eine frühere und genauere Erkennung von Anomalien und eine bessere Vorhersage zukünftiger Ergebnisse verbessern. Darüber hinaus bietet die KI/ML-gestützte Fernerfassung von Patientendaten erhebliche potenzielle Vorteile für Patienten, Anbieter und das gesamte Gesundheitssystem bei der Überwachung von Krankheiten, Ergebnissen von Operationen oder Behandlungen. Durch die Überwachung zu Hause oder in der Gemeinde können gesunde Patienten Zeit und Geld sparen, wenn sie häufig zur Klinik fahren müssen. Bei erkannten Problemen können potenzielle Augenerkrankungen oder postoperative Komplikationen früher erkannt werden, bevor sie schwerwiegender werden und einen Eingriff oder eine Operation erfordern, was sowohl die Patientenergebnisse verbessert als auch Ressourcen des Gesundheitssystems spart.

Ziele. Primär: Einrichtung des ersten landesweiten Hornhautregisters in den Vereinigten Staaten, das Informationen zum Krankheitszustand, Informationen zu Spendergewebe, Empfängerdaten, chirurgischen Eingriffen und langfristigen klinischen Ergebnissen enthält. Letztendlich wird uns diese prospektive Datenerfassung ermöglichen, prognostische Faktoren für eine erfolgreiche Hornhauttransplantation zu bestimmen und einen Algorithmus zu entwickeln, der die klinische Praxis auf der Grundlage realer Ergebnisse steuert.

Sekundär: Sammeln und Erstellen einer Datenbank mit nicht identifizierten Bildgebungsstudien (einschließlich, aber nicht beschränkt auf optische Kohärenztopographie (OCT), konfokale In-vivo-Biomikroskopie, spiegelnde Biomikroskopie und Hornhauttopographie), um letztendlich diagnostische und auf künstlicher Intelligenz (KI) basierende Diagnosen zu entwickeln Prognosealgorithmen für Prävalenz, Verlauf und Operationsergebnisse von Hornhauterkrankungen.

Studiendesign. Design Prospektiv und beobachtend.

Studiengröße Die anfängliche Rekrutierung von Studienteilnehmern wird in verschiedenen US-Zentren durchgeführt. Alle teilnahmeberechtigten Probanden werden rekrutiert und eingewilligte Probanden werden in der Anfangsphase der Studie eingeschrieben.

Datenerfassung In den USA ansässige Hornhautchirurgen erhalten Hornhautbilder vor und nach der Hornhauttransplantation. Diese anonymisierten Bilder werden zusammen mit den klinischen Informationen (Spender- und Empfängermerkmale, chirurgische Informationen und anschließende Längsschnittergebnisse) in das Register eingetragen.

Datenelemente für das Hornhauttransplantationsregister Für Probanden, die sich einer Hornhauttransplantation unterziehen, werden die folgenden Elemente gesammelt und in eine sichere elektronische Datenbank eingegeben. Die Bilddatenquelle für diese Studie sind Kopien von Hornhauttopographie-OCT-, Spiegelbiomikroskopie- und konfokalen In-vivo-Biomikroskopiebildern, die während der routinemäßigen klinischen Versorgung erstellt wurden. Das Register erhält Kopien von Bildern in jedem Format, einschließlich elektronischer Datenübertragungen und CDs. OCT-Bilder von verschiedenen Anbietern und Pflegestandorten können in Qualität und Detailgenauigkeit variieren. Der Abstraktionsprozess ordnet Daten einem einzigen zusammenhängenden Datenschema zu.

Datenquellen Alle OCT- und Hornhauttopographiebilder werden anonymisiert und enthalten keine Gesundheitsinformationen des Probanden. Zur Analyse werden nur die Rohbilder gesammelt und OCT-Bilder werden mit dem Ziel zusammengestellt, ein Online-Register zu erstellen.

Datenerfassung und -speicherung. OCT-Bilder werden von Gesundheitsdienstleistern über eine sichere, verschlüsselte Bildanforderungsplattform übermittelt, wobei bei Bedarf eine Nachverfolgung durch das Personal erfolgt. Die Bilddokumentation wird auf die Server der Studie hochgeladen und von allen Probandendaten und geschützten Gesundheitsinformationen (PHI) befreit.

Datenabstraktion Studienpersonal mit Erfahrung in der Beurteilung von OCT-Bildern überprüft alle eingereichten Bilder, um Muster zu erkennen. Diese Muster werden schließlich verwendet, um KI/ML-Algorithmen für die Erfassung von Messdaten zu trainieren.

Datensicherheit Diese Studie entspricht den Sicherheitsstandards des Health Insurance Portability and Accountability Act (HIPAA). Darüber hinaus verfügt das Studienteam über umfassende Sicherheitsrichtlinien, darunter Risikomanagementstrategien, Protokolle zur Reaktion auf Vorfälle, Zugangskontrollen, Verschlüsselungsstandards und Schulungen des Studienpersonals, um alle eingereichten Probandenbilder zu schützen.

Vorgeschlagene Algorithmusentwicklung. Beschreibung der vorgeschlagenen Methode des maschinellen Lernens Der Algorithmus hat die Möglichkeit, der vielseitigste aller automatisierten OCT-Bildklassifizierer und Datensammler zu sein. Wenn genügend Daten vorhanden sind, kann es auch am genauesten sein. Der Algorithmus wird anhand verschiedener OCT-Daten aus dieser Studie trainiert und optimiert.

Datenmanagement. Aufbewahrung von Bildern Bilder und Dokumente im Zusammenhang mit der Studie werden für den von den zuständigen nationalen oder lokalen Gesundheitsbehörden vorgeschriebenen Zeitraum aufbewahrt, je nachdem, welcher Zeitraum länger ist. Nach diesem Zeitraum können die Dokumente vorbehaltlich der örtlichen Vorschriften vernichtet werden.

Richtlinien zur Datenqualitätssicherung Das Studienteam stellt die Genauigkeit der aus OCT-Bildern abstrahierten Daten durch eine Reihe von Maßnahmen sicher, bei denen sowohl Technologie als auch menschliches Fachwissen zum Einsatz kommen. Die Bilderfassungsplattform ist darauf ausgelegt, Unregelmäßigkeiten und Bilder mit geringer Zuverlässigkeit anhand konservativer Schwellenwerte zu kennzeichnen.

Das Studienteam durchläuft ein Schulungsprogramm und muss strenge Datenqualitätstests bestehen, bevor es die volle Verantwortung für das bildgebende Screening übernimmt. Alle Bilder werden von mindestens zwei Prüfern überprüft und schwierige Szenarien, die nicht in den Standardverfahren beschrieben werden, werden gemäß den Richtlinien an einen leitenden Teamleiter weitergeleitet. Verfahren zum Dokumentieren, Überprüfen und Lernen aus Eskalationen schaffen Feedbackschleifen, die die betriebliche Effektivität verbessern und menschliche Fehler reduzieren.

Das Studienteam führt Protokolle aller Datentransformationen und führt regelmäßige interne Datenqualitätsprüfungen durch. Die Datenqualität wird während des gesamten Einreichungs- und Begutachtungsprozesses kontinuierlich überwacht und analysiert.

Zugriff auf die Registrierung. Rollenbasierte Zugriffskontrolle (RBAC) RBAC wird implementiert, um unterschiedliche Zugriffsebenen basierend auf der Rolle des Benutzers zu definieren. Die Rollen sind klar definiert und entsprechen spezifischen Verantwortlichkeiten und Berechtigungen.

Authentifizierung Es werden starke Authentifizierungsmechanismen, einschließlich Zwei-Faktor-Authentifizierung (2FA), vorhanden sein, um sicherzustellen, dass nur autorisierte Benutzer auf das Imaging-Register zugreifen können. Es kommt ein Autorisierungsworkflow zum Einsatz, bei dem Benutzerzugriffsanfragen vom Studienpersonal überprüft und genehmigt werden, bevor der Zugriff gewährt wird. Das Studienpersonal überprüft und verwaltet regelmäßig Benutzerkonten und stellt sicher, dass nur aktive Benutzer mit legitimen Zugriffsanforderungen über Konten im Register verfügen.

Gewährung/Widerruf des Zugriffs Zugriffsrechte und -berechtigungen für Benutzer werden basierend auf Rollen und Verantwortlichkeiten geteilt und den Benutzern werden die geringsten Berechtigungen gewährt, die für die Ausführung ihrer Aufgaben erforderlich sind. Der Widerruf von Zugriffsrechten wird vereinfacht, wenn Benutzer ihre Rolle ändern oder keinen Zugriff mehr benötigen. Das Studienteam wird Protokollierungsmechanismen implementieren, um Benutzeraktivitäten und Zugriffsversuche aufzuzeichnen. Das Studienteam überprüft die Protokolle, um verdächtige oder nicht autorisierte Aktivitäten zu erkennen und zu untersuchen.

Auf Anfrage kann Prüfern bestimmter Regulierungsbehörden (z. B. CMS, FDA usw.) oder anderer Drittinstitutionen zu Prüfungszwecken vorübergehender Zugriff auf das Register gewährt werden.

Meldung von Vorfällen Sicherheitsvorfälle oder Verstöße im Zusammenhang mit unbefugtem Zugriff werden umgehend behandelt, um die Auswirkungen von Sicherheitsvorfällen abzumildern und ein erneutes Auftreten zu verhindern.

Entzug von Bilddaten Der Hauptforscher oder IRB hat jederzeit das Recht, Bilddaten aus medizinischen, sicherheitstechnischen oder administrativen Gründen zu entfernen. Es werden geeignete Verfahren befolgt, um die sichere Entfernung jedes Bildes aus der Studie zu gewährleisten.

Bilddeidentifizierung.

Um den sicheren und ethischen Umgang mit OCT-Daten zu gewährleisten, wird ein umfassender Bilddeidentifizierungsprozess implementiert. Dieser Prozess zielt darauf ab, identifizierbare Informationen aus jedem Bild und den zugehörigen Metadaten systematisch zu entfernen oder zu ändern und gleichzeitig den klinischen und wissenschaftlichen Wert der Bilder zu bewahren. Die folgenden Schritte beschreiben die wichtigsten Aspekte dieses Anonymisierungsprozesses:

Direkte Identifikatoren entfernen

• Alle direkten Identifikatoren, die zum Zweck der individuellen Identifizierung verwendet werden, wie z. B. Probandennamen, Krankenakten- und Zugangsnummern sowie Geburtsdaten, werden gründlich gesucht und aus den Pixeldaten jedes Bildes entfernt.
• Gleichzeitig werden diese direkten Identifikatoren auch aus den Bildmetadaten gesucht und entfernt, mit Ausnahme der Krankenaktennummer, die über eine kryptografische Hashing-Funktion irreversibel umgewandelt wird.

Anonymisierung auf Pixelebene

● Bei Bedarf werden bestimmte Bildbereiche, die identifizierbare Merkmale enthalten, wie z. B. Gesichtsdetails oder einzigartige Markierungen, entweder maskiert oder unscharf gemacht. Solche Regionen, denen diagnostische Merkmale fehlen, werden maskiert, während Regionen mit diagnostischen Merkmalen einer Unschärfe unterliegen.

Qualitätskontrolle

• Es werden strenge Qualitätsprüfungen durchgeführt, um sicherzustellen, dass der Anonymisierungsprozess den klinischen Wert der Bilder nicht beeinträchtigt.
• Geschulte Fachkräfte überprüfen eine Teilmenge der nicht identifizierten Bilder, um sicherzustellen, dass wichtige diagnostische Merkmale korrekt erhalten bleiben.

Verschlüsselung

• Sowohl das Originalbild als auch das anonymisierte Bild werden verschlüsselt, um ihre Sicherheit während der Speicherung und Übertragung zu gewährleisten.
• Alle Daten werden in einer sicheren Umgebung mit kontrolliertem Zugriff gespeichert und unterliegen den gesetzlichen Anforderungen und den Best Practices der Branche.

Dokumentation

• Es wird eine detaillierte Aufzeichnung des Anonymisierungsprozesses geführt, einschließlich einer umfassenden Darstellung der durchgeführten Schritte, des beteiligten Personals und aller aufgetretenen Herausforderungen.
• Dieses Dokument dient als wesentlicher Prüfpfad, bietet Transparenz und hilft beim Nachweis der Einhaltung der Datenschutzbestimmungen.