Frühe Vorhersage der bronchopulmonalen Dysplasie bei Frühgeborenen mittels klinischer Daten

Hintergrund:

Eine Frühgeburt ist eine Hauptursache für neonatale Morbidität und Mortalität. Bronchopulmonale Dysplasie (BPD) ist eine der häufigsten chronischen Lungenerkrankungen bei Frühgeborenen, insbesondere bei solchen mit sehr niedrigem Gestationsalter oder Geburtsgewicht. BPD erhöht die langfristige Sauerstoffabhängigkeit, die Krankenhausaufenthaltsdauer und respiratorische Komplikationen. Eine frühzeitige Vorhersage von BPD ist entscheidend für die Optimierung des klinischen Managements.

Gestationsalter, Geburtsgewicht, Dauer der mechanischen Beatmung, Sauerstofftherapie, Infektionen und hämodynamische Faktoren sind bekannte Risikofaktoren für BPD. Mehrere klinische Risikomodelle wurden entwickelt, um BPD frühzeitig vorherzusagen, aber ihre klinische Anwendbarkeit ist begrenzt.

Jüngste Fortschritte in künstlicher Intelligenz (KI) und maschinellem Lernen haben Potenzial bei der Analyse klinischer Daten und der Vorhersage von Krankheitsrisiken gezeigt. Große Sprachmodelle (LLMs) wie ChatGPT, Gemini und Claude können komplexe klinische Datensätze interpretieren und Risikovorhersagen generieren. Studien, die ihre Leistung bei der Vorhersage von BPD bei Frühgeborenen bewerten, sind jedoch begrenzt.

Ziel:

Retrospektive Bewertung der Leistung verschiedener LLMs bei der Vorhersage von BPD bei Frühgeborenen (<32 Schwangerschaftswochen oder <1.500 Gramm) unter Verwendung klinischer Daten aus den postnatalen Wochen 1, 2 und 3. Die Studie zielt darauf ab, KI-generierte Vorhersagen mit tatsächlichen klinischen Ergebnissen zu vergleichen.

Studiendesign:

Retrospektive, beobachtende, monozentrische Studie Klinische Daten aus der NICU des Konya City Hospital werden aus Krankenhausakten extrahiert und anonymisiert KI-Modelle (ChatGPT, Gemini, Claude) erhalten standardisierte Datensätze, einschließlich Gestationsalter, Geburtsgewicht, Geschlecht, Atemunterstützung, Sauerstoffbedarf, Dauer der mechanischen Beatmung, Infektionsstatus und andere relevante Parameter KI-Vorhersagen klassifizieren das BPD-Risiko als niedrig, mittel oder hoch mit geschätzten Wahrscheinlichkeitsprozentsätzen

Teilnehmer:

Einschlusskriterien: Frühgeborene <32 Schwangerschaftswochen oder <1.500 Gramm, mit vollständigen klinischen Daten, die während des Studienzeitraums in der NICU betreut wurden Ausschlusskriterien: Säuglinge mit schweren angeborenen Anomalien, unvollständigen klinischen Daten oder frühem postnatalem Tod

Ergebnisse:

Primär: Genauigkeit der KI-Modelle bei der Vorhersage von BPD im Vergleich zu tatsächlichen klinischen Ergebnissen Sekundär: Sensitivität und Spezifität der KI-Vorhersagen, Vergleich der wöchentlichen Vorhersagen, Leistungsvergleich zwischen KI-Modellen

Statistische Analyse:

Deskriptive Statistik (Mittelwert, Standardabweichung, Anzahl, Prozentsätze) Vorhersageleistungsmetriken: Genauigkeit, Sensitivität, Spezifität, ROC-Analyse Vergleich von Modellen und wöchentlichen Vorhersagen mit dem DeLong-Test Statistische Signifikanz: p < 0,05

Setting:

Monozentrisch, krankenhausbasiert, NICU des Konya City Hospital Retrospektive klinische Datenerhebung

Stichprobe:

Zielpopulation: Frühgeborene mit hohem BPD-Risiko (<32 Wochen oder <1.500 Gramm) Stichprobengröße: Mindestens 108 Säuglinge, berechnet mit G-Power-Software (80% Power, 5% Signifikanz, mittlere Effektgröße = 0,3)

KI-Modell-Protokoll:

Standardisierte Prompts für jede postnatale Woche:

Klinische Daten eines Frühgeborenen in der postnatalen [1./2./3.] Woche:

• Gestationsalter: [Wochen + Tage]
• Geburtsgewicht: [Gramm]
• Geschlecht: [männlich/weiblich]
• Pränatale Steroide: [Ja/Nein]
• Surfactant-Therapie: [Anzahl der Dosen]
• Atemunterstützung: [MV/CPAP/HFNC]
• FiO2-Bedarf: [%]
• Sepsis/PDA-Status: [Ja/Nein]

Vorhersage des BPD-Risikos (Niedrig/Mittel/Hoch) und Angabe der Wahrscheinlichkeit (%) für jede Kategorie.

Ethik:

Studie von der institutionellen Ethikkommission genehmigt Daten anonymisiert und Vertraulichkeit gewahrt