KI-unterstützte Stadieneinteilung und Behandlungsentscheidung für das hepatozelluläre Karzinom

1. Studienbeschreibung

   Kurzzusammenfassung: Die präzise Behandlung des primären hepatozellulären Karzinoms (HCC) hängt stark von einer genauen Krankheitsstadienerfassung (CNLC, TNM, BCLC) und einer wissenschaftlichen Therapieentscheidung ab, was die Integration sowohl von Bildgebungs- als auch von klinischen Basisdaten erfordert. Diese Studie rekrutiert prospektiv HCC-Patienten und klinische Ärzte verschiedener Krankenhausstufen, um den klinischen Nutzen eines selbstentwickelten künstlichen Intelligenz (KI)-Modells bei der Unterstützung einer mehrdimensionalen Gesamtbeurteilung und Therapieentscheidung zu bewerten. Unter Verwendung eines Multi-Rater Multi-Case (MRMC)-Crossover-ausgeglichenen Designs vergleicht die Studie die Genauigkeit der klinischen Bewertungen, die von Ärzten unter „nicht unterstützten (ohne KI)“ versus „KI-unterstützten“ Bedingungen durchgeführt werden. Ein besonderer Fokus liegt darauf, zu untersuchen, ob KI die umfassenden Beurteilungsfähigkeiten von Ärzten in Primär-/Sekundärversorgungskrankenhäusern signifikant verbessern kann, wodurch prospektiv die diagnostische und therapeutische Heterogenität über verschiedene institutionelle Ebenen hinweg verringert werden könnte.

   Goldstandard (Referenzstandard): Der Referenzstandard (Ground Truth) für alle prospektiv eingeschlossenen Fälle wird von einem unabhängigen Expertengremium bestehend aus 3 autoritativen Experten festgelegt. Das Gremium bestimmt die endgültigen Standardantworten für die vier Klassifizierungsaufgaben durch verblindete unabhängige Bewertung und gemeinsame Diskussion (Abstimmungssystem) unter Einbeziehung vollständiger prospektiver Bildgebungsdaten, klinischer Basisdaten, des Konsenses eines multidisziplinären Teams (MDT) sowie endgültiger pathologischer oder klinischer Nachuntersuchungsergebnisse.

2. Eignungskriterien

2.1 Bewertereignung:

1. Oberärzte in Krankenhäusern der Maximalversorgung (Tertiärversorgung): Angestellt in der Abteilung für hepato-pankreato-biliäre Chirurgie, Onkologie oder verwandten Abteilungen in Krankenhäusern der Klasse III Grad A (Tertiärversorgung), mit dem Berufstitel eines Facharztes oder höher.
2. Assistenzärzte in Krankenhäusern der Maximalversorgung (Tertiärversorgung): Angestellt in verwandten Abteilungen in Krankenhäusern der Klasse III Grad A (Tertiärversorgung), mit dem Berufstitel eines Assistenzarztes.
3. Ärzte in Primär-/Sekundärversorgungskrankenhäusern: Klinische Ärzte, angestellt in Kreiskrankenhäusern oder Allgemeinkrankenhäusern der Klasse II.
4. Einwilligung nach Aufklärung: Muss freiwillig der Teilnahme an der Bewertung zustimmen und das Einwilligungsformular nach Aufklärung unterzeichnen.

2.2 Patienten-/Falleignung:

Einschlusskriterien:

1. Alter > 18 Jahre.
2. Patienten, die prospektiv mit Verdacht auf oder neu diagnostiziertem primärem hepatozellulärem Karzinom (HCC) vorstellig werden, das später durch Pathologie bestätigt wird oder den China Leberkrebs (CNLC)-Richtlinien entspricht.
3. Vollständige klinische Basisdaten, die während der prospektiven Einschlussphase erhoben wurden, einschließlich vollständiger Anamnese der aktuellen/vergangenen Erkrankung, ECOG PS-Score, umfassender Labortests (Leberfunktion, Gerinnung, Tumormarker wie AFP etc.) und Basis-Abdomen-Kontrastmittel-CT.
4. Patienten (oder ihre gesetzlichen Vertreter) müssen eine schriftliche Einwilligungserklärung für die Verwendung ihrer klinischen Daten in dieser Studie erteilen.

Ausschlusskriterien:

1. Patienten mit sekundärem (metastatischem) Leberkrebs oder gleichzeitig schweren Malignomen anderer Systeme.
2. Patienten, die die erforderlichen Basis-Bildgebungs- oder Labortests nicht abschließen, was eine genaue Stadienberechnung verhindert (z.B. fehlende Daten für den Child-Pugh-Score).
3. Patienten, die vor Einschluss bereits antitumorale Therapien gegen Leberkrebs erhalten haben.

3. Studiendesign

Interventionsmodell: Crossover-Zuteilung Verblindung: Einfachblind. Die teilnehmenden Bewerter sind gegenüber den Goldstandard-Antworten der Fälle und den Bewertungsergebnissen anderer teilnehmender Ärzte verblindet.

Arme und Interventionen:

Fallset-Aufteilung: 108 prospektiv und konsekutiv eingeschlossene geeignete HCC-Fälle werden gebündelt und zufällig in Datenset A (54 Fälle) und Datenset B (54 Fälle) aufgeteilt. Es wird sichergestellt, dass zwischen den beiden Sets keine statistisch signifikanten Unterschiede hinsichtlich Tumorlast, Leberfunktionseinstufung und Stadienverteilung bestehen.

Bewertergruppierung: Insgesamt werden 12 prospektiv rekrutierte klinische Ärzte eingeschlossen, bestehend aus 4 in der Gruppe der Oberärzte der Maximalversorgung, 4 in der Gruppe der Assistenzärzte der Maximalversorgung und 4 in der Gruppe der Primär-/Sekundärversorgung. Sie werden basierend auf stratifizierter Randomisierung in zwei Bewertungsgruppen eingeteilt:

Gruppe A (6 Bewerter): 2 Oberärzte der Maximalversorgung, 2 Assistenzärzte der Maximalversorgung, 2 Primär-/Sekundärversorgung.

Gruppe B (6 Bewerter): 2 Oberärzte der Maximalversorgung, 2 Assistenzärzte der Maximalversorgung, 2 Primär-/Sekundärversorgung.

Arm 1 - Gruppe A Bewerter:

Phase 1 Intervention (Kontrolle): Unabhängige Bewertung von Set A (54 Fälle) unter Kombination klinischer Texte und Bildgebungsdaten, Aufzeichnung der 4 Klassifizierungsergebnisse, ohne KI-Unterstützung.

Phase 2 Intervention (Experimentell): Bewertung von Set B (54 Fälle). Das System präsentiert die 4 Vorhersageergebnisse des KI-Modells und verwandte Evidenz; Ärzte treffen das endgültige Urteil nach umfassender Berücksichtigung.

Arm 2 - Gruppe B Bewerter:

Phase 1 Intervention (Kontrolle): Unabhängige Bewertung von Set B (54 Fälle) unter Kombination klinischer Texte und Bildgebungsdaten, Aufzeichnung der 4 Klassifizierungsergebnisse, ohne KI-Unterstützung.

Phase 2 Intervention (Experimentell): Bewertung von Set A (54 Fälle). Ärzte treffen das endgültige Urteil nach Berücksichtigung der Ergebnisse des KI-Modells.

4. Endpunkte

Primärer Endpunkt:

Verbesserung der Gesamtgenauigkeit: Die Differenz in der durchschnittlichen Genauigkeit über die 4 Klassifizierungsaufgaben hinweg zwischen KI-unterstützter Bewertung (Experimentalgruppe) und unabhängiger Bewertung (Kontrollgruppe).

Sekundäre Endpunkte:

Homogenisierungseffekt: Bewertung, ob die Differenz in der klinischen Bewertungsgenauigkeit zwischen Ärzten der Primär-/Sekundärversorgungsgruppe und den Gruppen der Maximalversorgung unter KI-Unterstützung signifikant reduziert wird.

Bewertungseffizienz: Vergleich der durchschnittlichen Bewertungszeit pro Fall zwischen Ärzten mit und ohne KI-Unterstützung.

Inter-Rater-Übereinstimmung: Vergleich der Konsistenz der Bewertungsergebnisse unter Ärzten (z.B. unter Verwendung von Kappa-Statistiken), mit und ohne KI-Unterstützung.

5. Statistikplan & Stichprobengröße

Begründung der Stichprobengröße:

Die Stichprobenberechnung für diese Studie basiert auf der erwarteten Veränderung der Gesamtdurchschnittsgenauigkeit über alle Ebenen der prospektiv rekrutierten Ärzte hinweg. Es wird geschätzt, dass die Gesamtdurchschnittsgenauigkeit ohne KI-Unterstützung 0,60 beträgt und mit KI-Unterstützung 0,70.

Setzt man das Signifikanzniveau für einen zweiseitigen Test auf 0,05 (entsprechend einem Z-Wert von etwa 1,96) und die statistische Power auf 0,80 (entsprechend einem Z-Wert von etwa 0,84), wurde die Stichprobengröße unter Verwendung der Standardstatistikmethode zum Vergleich zweier unabhängiger Proportionen bestimmt. Unter der Annahme, dass kein Clustering-Effekt durch mehrfache Fallbewertungen desselben Arztes resultiert, zeigt diese Berechnung, dass jede Interventionsgruppe mindestens 353 unabhängige Bewertungen benötigt.

Power-Verifikation:

In der tatsächlichen Konfiguration dieser Studie gibt es insgesamt 12 Ärzte.

Gesamtzahl unabhängiger Bewertungen für die Kontrollgruppe (ohne KI) = Gruppe A (6 Bewerter) x Set A (54 Fälle) + Gruppe B (6 Bewerter) x Set B (54 Fälle) = 648 unabhängige Bewertungen.

Gesamtzahl unabhängiger Bewertungen für die Experimentalgruppe (mit KI) ebenfalls = 648 unabhängige Bewertungen.

Da 648 Bewertungen größer sind als die erforderliche Basis von 353 Bewertungen, besitzt die aktuelle Konfiguration von Fällen und Ärzten bereits ausreichende statistische Power. Diese Stichprobengröße bietet einen konservativen Spielraum (etwa das 1,8-fache der Basisvoraussetzung), um angemessen für etwaige Clustering-Effekte (Intra-Klassen-Korrelation) zu berücksichtigen, die durch mehrfache Fallbewertungen desselben Arztes in diesem MRMC-Design resultieren könnten.