KI-Algorithmen zur Vorhersage von ACS basierend auf Leukozyteneigenschaften

Bei der klinischen AI-ACS-Studie handelt es sich um eine beobachtende, monozentrische Studie, die darauf abzielt, die diagnostische Leistung von KI-Algorithmen zu bewerten, die Daten weißer Blutkörperchen (WBC) nutzen, um das akute Koronarsyndrom (ACS) bei Patienten mit akuten Brustschmerzen vorherzusagen. Diese Studie nutzt fortschrittliche künstliche Intelligenz, um hochdimensionale Messungen der WBC-Eigenschaften zu analysieren, um die Vorhersage und Unterscheidung von ACS von anderen nicht kardialen Ursachen von Brustschmerzen zu verbessern, und vergleicht diese Vorhersagen mit herkömmlichen hochempfindlichen Messungen des kardialen Troponins (hs-cTn).

Technische Beschreibung des Studienprotokolls

Die AI-ACS-Studie verwendet ein prospektives, beobachtendes Fall-Kontroll-Design, das an der Medizinischen Universität Graz durchgeführt wurde. Es ist in zwei Hauptphasen gegliedert: Training und Testen von KI-Modellen. WBC-Daten werden durch routinemäßige Bluttests erfasst, die bei der Patientenaufnahme mit den Hämatologieanalysatoren der Sysmex XN-Serie durchgeführt werden. Mithilfe dieser Daten werden KI-Algorithmen in regelmäßigen Abständen trainiert, um deren diagnostische Genauigkeit im Laufe der Studie zu verfeinern.

Qualitätssicherungs- und Registrierungsverfahren

Der AI-ACS-Test umfasst mehrere Maßnahmen, um die Qualität und Integrität der gesammelten Daten sowie die Einhaltung von Standardarbeitsanweisungen sicherzustellen:

Datenvalidierungs- und Qualitätssicherungsplan:

Es werden kontinuierliche Vor-Ort-Überwachungen und regelmäßige Audits durchgeführt, um die Einhaltung des klinischen Protokolls und die Einhaltung gesetzlicher Vorschriften sicherzustellen.

Es werden Datenvalidierungsverfahren implementiert, um die Genauigkeit und Konsistenz der in die Datenbank der Studie eingegebenen WBC-Daten zu überprüfen. Automatisierte Datenprüfungen vergleichen neue Einträge anhand vordefinierter Regeln auf Reichweite und Konsistenz mit anderen Datenfeldern.

Überprüfung der Quelldaten:

Die Überprüfung der Quelldaten erfolgt durch den Vergleich der in der Studiendatenbank erfassten elektronischen Daten mit Original-Krankenakten und Laborberichten, um die Richtigkeit und Vollständigkeit der Daten zu beurteilen.

Datenwörterbuch:

Die Studie nutzt ein detailliertes Datenwörterbuch, das Beschreibungen jeder erfassten Variablen enthält, einschließlich der Quelle der Variablen (z. B. Patientendaten, Laborergebnisse), Kodierungsinformationen und Normalbereiche. Dieses Wörterbuch trägt dazu bei, die Konsistenz bei der Dateninterpretation und -analyse aufrechtzuerhalten.

Standardarbeitsanweisungen (SOPs):

SOPs für Patientenrekrutierung, Datenerfassung, Datenverwaltung, Analyse und Berichterstattung sind gut dokumentiert und werden während der gesamten Studie befolgt. Diese Verfahren umfassen detaillierte Schritte zum Umgang mit unerwünschten Ereignissen und Änderungen im Studienprotokoll.

Beurteilung der Stichprobengröße:

Die Studie ist auf eine Stichprobengröße von 2.100 Teilnehmern für die Schulung (700 pro Kohorte) und 600 für Tests (300 pro Kohorte) ausgelegt und soll eine ausreichende Aussagekraft bieten, um signifikante Unterschiede in der diagnostischen Leistung der KI-Modelle im Vergleich zu hs-cTn zu erkennen.

Plan für fehlende Daten:

Verfahren zur Behebung fehlender oder inkonsistenter Daten umfassen Imputationstechniken und Sensitivitätsanalysen zur Bewertung der Auswirkungen fehlender Daten auf Studienergebnisse.

Statistischer Analyseplan:

Der statistische Analyseplan beschreibt die Methoden zur Bewertung der Diagnoseleistung der KI-Modelle, einschließlich der Analyse der Receiver Operating Characteristic (ROC)-Kurve, der Berechnung der Fläche unter der Kurve (AUC) sowie der Sensitivitäts- und Spezifitätsbewertung. Vergleiche von KI-Modellen mit hs-cTn-Messungen werden unter Verwendung logistischer Regressionsmodelle durchgeführt, die um potenzielle Störfaktoren angepasst sind.

Studienziele und Hypothesen

Das Hauptziel der AI-ACS-Studie besteht darin, KI-Modelle zu trainieren und zu validieren, die in der Lage sind, ACS aus WBC-Daten genau vorherzusagen und möglicherweise die diagnostische Leistung von Standard-hs-cTn-Assays zu übertreffen. Die Hypothese ist, dass die KI-gesteuerte Analyse der WBC-Eigenschaften genauer zwischen ACS- und Nicht-ACS-Ursachen für Brustschmerzen unterscheiden kann, wodurch die klinische Entscheidungsfindung verbessert und unnötige medizinische Eingriffe reduziert werden.

Durch die Weiterentwicklung der Nutzung routinemäßiger Bluttests mit KI soll die AI-ACS-Studie die schnelle Identifizierung von Patienten mit ACS-Risiko verbessern und so möglicherweise den Behandlungsstandard in der kardiovaskulären Notfalldiagnose verändern.