Un método de aprendizaje profundo para evaluar QT en Ribociclib (QT-RIBRATING)

El "aprendizaje profundo" es un método de aprendizaje automático (inteligencia artificial, IA) de rápido crecimiento que está despertando el interés del comité científico en muchos campos médicos. Estos métodos permiten generar coincidencias entre entradas sin procesar (como la señal digital del ECG) y las salidas deseadas (por ejemplo, la medición de QTc). A diferencia de los métodos tradicionales de aprendizaje automático, que requieren la extracción manual de datos estructurados y predefinidos a partir de entradas sin procesar, los métodos de aprendizaje profundo aprenden estas funcionalidades directamente de los datos sin procesar, sin pautas predefinidas. Con la llegada de los macrodatos y el reciente aumento exponencial de la potencia informática, estos métodos pueden producir modelos con un rendimiento excepcional. Los investigadores utilizaron recientemente este tipo de método utilizando redes neuronales artificiales multicapa para crear una aplicación basada en un modelo que transforma directamente los datos digitales sin procesar de los ECG (.xml) en una medida de QTc comparable a las que respetan los más altos estándares en materia de reproducibilidad

El objetivo principal de este ensayo es estudiar el rendimiento de nuestro modelo DL-AI para la medición de QTc (vs. mejores estándares de mediciones de QTc, TCM) aplicadas a la monitorización ECG recomendada después de la prescripción de ribociclib para pacientes con cáncer de mama en la atención clínica de rutina. Los investigadores adquirirán ECG con diversos dispositivos, incluidos dispositivos simplificados (adquisición de una o tres derivaciones, tasa de muestreo de baja frecuencia: 125-500 Htz) para determinar si tendrán el mismo rendimiento que una máquina de adquisición de 12 derivaciones para evaluar el QTc en este entorno.