Munasarjasyövän ja kohdun limakalvon syövän ennustajat tekoälyyn perustuville seulontatyökaluille

Metodologia :

Tämä tutkimus käsittää kaksi eri vaihetta

1. Ensimmäisessä vaiheessa tehdään kohorttitutkimus kunkin syöpätyypin mahdollisten ennustajien tunnistamiseksi
2. Toisessa vaiheessa kehitetään tekoälymalliin perustuvaa hoitopistetestausta syövän esiintymisen ennustamiseksi ja uusien osallistujien mahdolliset testaukset diagnostisella tutkimusmenetelmällä. Työkalut ennustavat nykyisen histopatologian tuloksen ja mahdollisen tulevan histopatologian vuoden sisällä.

Osallistujat ja tietolähde Tutkimuskeskuksessa oli mukana naisille, joilla oli gynekologiaan liittyviä oireita tai ei niitä, gynekologiset ja patologiset arvioinnit munasarja- ja kohdun limakalvosyövän poissulkemiseksi. Tiedot tallennetaan digitaalisesti ja poiminta tehdään sen mukaisesti

Muuttujat ja tulosmittaus

1. Väestötiedot ja terveystiedot nämä tiedot saadaan potilaiden alustavasta arvioinnista, mukaan lukien ikä, painoindeksi, krooniset sairaudet, gynekologinen ja synnytysprofiili, kuukautiskierto ja ehkäisy
2. Kliiniset ja laboratoriotiedot sisältävät täydellisen verenkuvan, valitun syöpään liittyvän biomarkkerin (esimerkiksi Cancer Antigen 125 (Ca-125)), imusolmukkeiden osallistumisen, asiaankuuluvien kudosten histopatologian ja etäpesäkkeiden merkit kliinisten tai radiologisten tietojen perusteella
3. Lopullisen histopatologisen tyypin ja luokituksen on arvioinut vähintään kaksi patologia syövän tyypin määrittämiseksi. Luokitteluohjeet noudattavat Maailman terveysjärjestön luokittelua

Tekoälypohjaisten seulontatyökalujen kehittäminen

1. Tutkija kehittää

   - tietoon perustuva malli, jossa käyttäjä antaa vastauksen jokaiseen ennustajaan

   - kuvapohjainen malli, jossa käyttäjä antaa kaapatun kuvan ennustamista varten

   - Sekapohjainen malli, jossa käyttäjä voi yhdistää kaapattuja kuvia ja tietoja kullekin ennustajalle

2. ehdotettu malli

   - pisteytysperusteinen, joka on johdettu regressiokertoimesta

   - päätöspuu

   - satunnainen metsä

   - keinotekoinen neuroverkko

   • konvoluutiohermoverkko
3. Mallin valinta

1. Jaetun datan tehokkuuden seulonta (tai ristiintarkistustekniikkaa)

2. log-häviön tai todennäköisyyden arviointi

   Aikajana

   1. Tutkimuksen ensimmäisessä vaiheessa jokaiselle osallistujalle tehdään ajallisesti vaihteleva arviointi, mutta ainakin osallistujat läpikäyvät lähtötilanteen arvioinnin kaikista tekijöistä ja tuloksista. Toistuva arviointi lääkärin ehdotuksen mukaisesti tehdään vuoden kuluessa perusarvioinnista.

   2. Toisessa tutkimuksessa sovelletaan prospektiivista seulontaa. Tekoälyyn perustuvaa seulontatyökalua käytetään samanaikaisesti diagnoosin kultastandardin kanssa.

   Mahdollista poikkeavaa menettelytapaharhaa erityisesti luotettavuuden tulosten tulkinnassa käsitellään useiden patologien avulla. Patologi ja seulontatyöntekijä suorittavat seulonnan itsenäisesti vähentääkseen uusien seulontatyökalujen tuottamien aikaisempien tulosten taipumusta.

   Otoskoko

   1. Tutkimuksen ensimmäisessä vaiheessa oletetaan, että

a. Molempien syöpien esiintyvyys kaikista naisten syövistä oli 5 % b. Tyypin I virhe asetettu 5 %:iin c. esiintyvyyden absoluuttinen virhe 1 % yhden otoksen suhdekaavaa käyttäen, arvioitu otoskoko on 1825 osallistujaa.

2. Diagnostisen tutkimuksen jälkeen toteamme, että uusi seulontatyökalumalli osoittaa, että se ei ole huonompi kuin histopatologia kulta-standardina olettaen, että

a. herkkyysarvon odotettu ero on 5 % olettaen, että uusilla seulontatyökaluilla on 85 % herkkyys ja histopatologian herkkyys on 90 % b. cross-over testaus tehdään, mikä luo tasavertaisen jaon seulontainterventioille c. Tutkimuksen tyypin 1 virhe asetettu 5 %:ksi d. Tutkimuksen teho on asetettu 80 %:ksi, mahdollisen seulontatyökalun kokonaisotoskoko on 1080 osallistujaa

Tietojen kvantifiointi ja diskretisointi useat kliiniset tiedot luokitellaan vakiintuneiden ohjeiden mukaan, esimerkiksi painoindeksi.

Ehdotettu tilastollinen analyysi

1. Kuvaava tilasto- ja kaksimuuttujaanalyysi
2. Cox-regressio suoritetaan lähtötilanteen ja tapahtuman välisen aikajanan mukaisesti
3. Alaryhmäanalyysi tehdään erityisesti tiettyjen demografisten ja liitännäissairauksien osalta.

kuin toisessa vaiheessa, analyysi tunnistaa

1. herkkyys
2. spesifisyyttä
3. tarkkuus
4. tarkkuutta
5. Valittujen mallien hoitoon tarvittava määrä otetaan käyttöön sovelluksessa.