IA-Modell für akute Blinddarmentzündung im CT

Entwicklung von Informationen des Anhangmodells

- In dieser Studie wurde ein vorab trainiertes Blinddarminformationsmodell (IA) verwendet, das auf einem vollautomatischen Diagnoserahmen basiert, um drei Klassen mit Wahrscheinlichkeits- und Merkmalskartierung vorherzusagen: Nicht-Blinddarmentzündung, einfache Blinddarmentzündung und komplizierte Blinddarmentzündung.

Die Pipeline der Einbettungsparameter des IA-Modells, die aus dem 3D-CT-Bild von 7.147 Patienten gelernt wurden, bestand aus einem zweistufigen binären Algorithmus, der mit dem Transferlernen mit drei 3D-CNN-Modellen verbunden war: DenseNet, EfficientNet und ResNet.

- Ein zweistufiger binärer Algorithmus für Transferlernen wurde angewendet, um inhärente Muster aus den 3D-Bildern von drei echten Klassen zu lernen, so wie es ein Kliniker bei der Entscheidung über die Behandlung einer Blinddarmentzündung tut. Im ersten Schritt der Pipeline wurde ein Klassifizierungsmodell der Stufe 1 entwickelt, um Nicht-Appendizitis von Blinddarmentzündung zu unterscheiden. Im zweiten Schritt der Pipeline identifizierte das Klassifizierungsmodell der Stufe 2 einfache und komplizierte Blinddarmentzündungen anhand der übertragenen Daten mit den in Stufe 1 erlernten trainierbaren Parametern.

Derzeit wurde das endgültige IA-Modell extern anhand eines noch nie dagewesenen Datensatzes einer externen Einrichtung mit umfassenden Zulassungskriterien für Patienten validiert, die die Notaufnahme mit Bauchschmerzen aufsuchten und sich aufgrund des klinischen Verdachts auf eine akute Blinddarmentzündung einer Bauch-Becken-CT unterzogen.

Intervention Dies ist eine Vergleichsstudie zwischen menschlichen und IA-Modellen für die negative Appendektomierate (NAR) bei nicht-, einfacher und komplizierter Blinddarmentzündung eines prospektiven randomisierten Datensatzes, der aus CT-Scans von Patienten gesammelt wurde, die die Notaufnahme mit akutem Abdomen aufsuchten Schmerz. Die Teilnehmer am Kontrollarm waren zehn Nichtradiologen.

Das IA-Modell darf den präoperativen Entscheidungsprozess von Klinikern in der laufenden klinischen Praxis hinsichtlich der rechtlichen und ethischen Aspekte der Befragung der diagnostischen Rahmenbedingungen des IA-Modells zur mathematischen Begründung eines Ergebnisses im Hinblick auf den Schutz menschlicher Probanden nicht behindern.

Unter Berücksichtigung des minimalen Risikos für menschliche Probanden und der ethischen und rechtlichen Aspekte künstlicher Intelligenz werden im Studiendesign nach Abschluss der Behandlung einer Blinddarmentzündung mit oder ohne pathologischer Bestätigung strikt CT-Bilder Nicht-Radiologen und IA-Modellen zugewiesen.

Datenzuordnung und Leistungsbewertung

- Um das IA-Modell gleichermaßen mit Menschen und Nicht-Radiologen vergleichen zu können, sollte die Interpretationsbedingung für einen Nicht-Radiologen alle folgenden Kriterien erfüllen: Nur CT-Bilder ohne Variablen wie Alter, Geschlecht und Laborwerte sollten zufällig zugewiesen werden; Die Zugehörigkeit des Nichtradiologen und des Patienten zum CT-Bild sollte nicht identisch sein; Das Zuordnungsverhältnis für Nicht-Appendizitis, einfache und komplizierte Appendizitis, das dem Nicht-Radiologen zugewiesen wird, sollte verblindet sein. und der Bereich des CT-Bildes zur Interpretation sollte mit dem Bereich des ROI für den Blinddarm identisch sein, der durch automatische Lokalisierung des IA-Modells generiert wird. Um die diagnostische Leistung beim Menschen zu bewerten, wurden von einem Nichtradiologen vier Testpunkte wie folgt aufgestellt: (1) Visualisierung des Blinddarms; (2) Ausschluss einer Blinddarmentzündung; (3) Komplikationen; und (4) Diagnose von CT-Bildern.

Die primären und sekundären Ergebnisse wurden anhand der Ergebnisse der vier Fragen an die Teilnehmer und der diagnostischen Leistung des IA-Modells im selben Datensatz bewertet.

Ethische Erklärung Gemäß dem „Leitfaden zur Nutzung von Gesundheitsdaten“ und dem „Leitfaden zum Umgang mit Pseudonym-Informationen“ der Kommission zum Schutz personenbezogener Daten des Ministeriums für Gesundheit und Soziales wurde die Datenexfiltration mit Sicherheitsgarantie des Datenarchivs mit Genehmigung des durchgeführt Data Review Board bei teilnehmenden Institutionen. Das Central Institutional Review Board (IRB) und die IRBs aller teilnehmenden Institutionen haben diese Studie genehmigt.

Stichprobengröße und statistische Methoden Die vorherige Studie der Forscher, die die externe Validierung des IA-Modells durch Datenexfiltration externer Institutionen abschloss, zeigte einen NAR von 12,4 % im externen Datensatz. Der Standardreferenzwert für Nicht-Radiologen für NAR wird mit 10,5 % ± 5 % angegeben. Daher sollte der akzeptable NAR-Unterschied zwischen dem IA-Modell und Nicht-Radiologen für die klinische Anwendung weniger als 10,0 % der Nicht-Minderwertigkeitsmarge betragen.

Die Stichprobengröße für den randomisierten kontrollierten Datensatz für eine einzelne Institution betrug 263 unter der Annahme eines Konfidenzintervalls von 95 %, einer statistischen Aussagekraft von 90 %, einem zweiseitigen α = 0,05, einem Signifikanzniveau = 0,05 und einer Effektgröße = 0,2 beim Z-Test . An dieser Studie waren zwei externe Institutionen beteiligt. Aufgrund der Datenheterogenität, Normalisierung und regionalen Prävalenzunterschiede zwischen den beiden externen Institutionen wurde die Stichprobengröße für jede Institution berechnet. Unter der Annahme von 263 Patienten pro Einrichtung und einem Follow-up-Verlust von 10 % betrug die Gesamtstichprobengröße daher 568.