Algoritmos de IA en la predicción del SCA basados ​​en las propiedades de los leucocitos

El ensayo clínico AI-ACS es un estudio observacional unicéntrico destinado a evaluar el rendimiento diagnóstico de los algoritmos de IA que utilizan datos de glóbulos blancos (WBC) para predecir el síndrome coronario agudo (SCA) en pacientes que presentan dolor torácico agudo. Este ensayo aprovecha la inteligencia artificial avanzada para analizar mediciones de alta dimensión de las propiedades de los glóbulos blancos para mejorar la predicción y diferenciación del SCA de otras causas no cardíacas de dolor en el pecho, comparando estas predicciones con las mediciones tradicionales de troponina cardíaca de alta sensibilidad (hs-cTn).

Descripción Técnica del Protocolo de Estudio

El ensayo AI-ACS utiliza un diseño observacional prospectivo de casos y controles realizado en la Universidad Médica de Graz. Se estructura en dos fases principales: entrenamiento y prueba de modelos de IA. Los datos de WBC se recopilan mediante análisis de sangre de rutina realizados al momento del ingreso del paciente, utilizando los analizadores de hematología de la serie Sysmex XN. Estos datos se utilizan para entrenar algoritmos de IA a intervalos regulares, con el objetivo de perfeccionar su precisión diagnóstica a lo largo del estudio.

Procedimientos de Registro y Garantía de Calidad

El ensayo AI-ACS incorpora varias medidas para garantizar la calidad y la integridad de los datos recopilados, así como el cumplimiento de los procedimientos operativos estándar:

Plan de Validación de Datos y Aseguramiento de Calidad:

Se realiza un seguimiento continuo in situ y auditorías periódicas para garantizar el cumplimiento del protocolo clínico y el cumplimiento normativo.

Se implementan procedimientos de validación de datos para verificar la precisión y coherencia de los datos de WBC ingresados ​​en la base de datos del estudio. Las verificaciones de datos automatizadas comparan las nuevas entradas con reglas predefinidas para determinar el rango y la coherencia con otros campos de datos.

Verificación de datos de origen:

La verificación de los datos originales se lleva a cabo comparando los datos electrónicos capturados en la base de datos del estudio con registros médicos e informes de laboratorio originales para evaluar la precisión y la integridad de los datos.

Diccionario de datos:

El estudio utiliza un diccionario de datos detallado que incluye descripciones de cada variable recopilada, incluida la fuente de la variable (p. ej., datos demográficos del paciente, resultados de laboratorio), información de codificación y rangos normales. Este diccionario ayuda a mantener la coherencia en la interpretación y el análisis de datos.

Procedimientos operativos estándar (SOP):

Los POE para el reclutamiento de pacientes, la recopilación de datos, la gestión de datos, el análisis y la presentación de informes están bien documentados y se siguen durante todo el estudio. Estos procedimientos incluyen pasos detallados para manejar eventos adversos y cambios en el protocolo del estudio.

Evaluación del tamaño de la muestra:

El estudio está diseñado con un tamaño de muestra de 2100 participantes para capacitación (700 por cohorte) y 600 para pruebas (300 por cohorte), calculado para proporcionar suficiente poder para detectar diferencias significativas en el rendimiento diagnóstico de los modelos de IA versus hs-cTn.

Planifique los datos faltantes:

Los procedimientos para abordar los datos faltantes o inconsistentes incluyen técnicas de imputación y análisis de sensibilidad para evaluar el impacto de los datos faltantes en los resultados del estudio.

Plan de Análisis Estadístico:

El plan de análisis estadístico describe los métodos utilizados para evaluar el rendimiento diagnóstico de los modelos de IA, incluido el análisis de la curva de características operativas del receptor (ROC), los cálculos del área bajo la curva (AUC) y las evaluaciones de sensibilidad y especificidad. Las comparaciones de modelos de IA con mediciones de hs-cTn se realizarán utilizando modelos de regresión logística ajustados a posibles factores de confusión.

Objetivos e hipótesis del estudio.

El objetivo principal del ensayo AI-ACS es entrenar y validar modelos de IA capaces de predecir con precisión el SCA a partir de datos de leucocitos, superando potencialmente el rendimiento diagnóstico de los ensayos estándar de hs-cTn. La hipótesis es que el análisis de las propiedades de los leucocitos impulsado por IA puede diferenciar con mayor precisión entre las causas de dolor torácico SCA y no SCA, mejorando así la toma de decisiones clínicas y reduciendo las intervenciones médicas innecesarias.

Al avanzar en la forma en que utilizamos los análisis de sangre de rutina con IA, el ensayo AI-ACS busca mejorar la identificación rápida de pacientes con riesgo de SCA, transformando así potencialmente el estándar de atención en el diagnóstico cardiovascular de emergencia.