Tekoälyyn perustuva perifeeristen verisolujen multimodaalinen parametri (MMPBC) ennustaa kriittisesti sairaiden lasten selviytymisriskin

YK:n lastenrahaston (UNICEF) määritelmän mukaan lapsilla tarkoitetaan 0–18-vuotiaita henkilöitä. Kriittisesti sairaita lapsia ovat PICU:n tai NICU:n hoidossa olevat vakavat sairaudet, jotka vaativat erityishoitoa. Nämä sairaudet voivat vaarantaa lapsen hengen. Tutkimukset ovat raportoineet, että kansainvälinen PICU-kuolleisuus kehittyneissä maissa on 2–3 prosenttia; Viime vuosina PICU:n sairaalakuolleisuus Kiinassa on ollut 4,7–6,8 prosenttia. Kriittisesti sairaiden lasten selviytymisriskin arviointi on aina ollut huomion kohteena. Perinteisiä arviointimenetelmiä ovat fysiologiset indikaattorit, pisteytystyökalut, sairauden vakavuus ja diagnoosiaika, jotka voivat jossain määrin auttaa lääkäreitä päätöksenteossa, mutta niiden ennakointikyky on rajallinen ja vaikea heijastaa kattavasti lapsen fysiologista tilaa ja taudin etenemistä.

Teknologian ja yhteiskunnallisen kehityksen myötä verisoluanalyysi kehittyy kohti erittäin integroitua useiden soluanalyysitekniikoiden alustaa, joka tarjoaa tarkempia tuloksia, kattavampia parametreja ja nopeamman havaitsemisen. Soluanalyysisovellukset keskittyvät yhä enemmän epänormaalien näytteiden, mukaan lukien retikulosyyttien, tumallisten punasolujen ja epäkypsien granulosyyttien, tunnistamiseen ja hälytysominaisuuksiin. Vuonna 2009 Mindray Group kehitti yhteistyössä National Key Laboratory of Fine Chemicals -laboratorion kanssa uuden nukleiinihappoihin kohdistetun fluoresoivan väriaineen, joka täyttää verisoluanalyysin vaatimukset (patentoitu fluoresoiva väriaine voitti National Science and Technology Progressin toisen palkinnon). Tämä läpimurtoteknologia voitti kansainväliset henkisen omaisuuden esteet ja kehitti ensimmäisen huippuluokan verisoluanalysaattorin, BC-6800:n, jonka toiminnot havaitsevat tumallisia punasoluja ja retikulosyyttejä. Laitetta on menestyksekkäästi mainostettu yli 90 %:ssa Kiinan korkea-asteen sairaaloista. Samalla kun tämä verisoluanalysaattori havaitsee rutiininomaisia ​​verisolusuhteita, se itse asiassa tuottaa suuren määrän multimodaalista tietoa solujen jakautumisominaisuuksista, mukaan lukien solujen jakautumisen leveydestä ja epänormaaleista solusuhteista. Näitä multimodaalisia tietoja ei kuitenkaan toistaiseksi ole täysin hyödynnetty kliinisessä käytännössä.

Multimodaalisten solutietojen alustava tutkiminen on osoittanut sen valtavan arvon tartuntatautien ennustamisessa, diagnosoinnissa ja ennustamisessa pienissä populaatioissa. Tämän tutkimuksen tarkoituksena on kerätä takautuvasti kliinisiä tietoja ja verisolujen multimodaalista dataa NICU- ja PICU-sairaalahoidossa olevilta lapsilta useissa keskuksissa eri puolilla Kiinaa, perustaa kansallinen monikeskuksen verisolujen multimodaalinen tietokanta, jossa on vähintään 100 000 ihmistä, ja käyttää tekoälyteknologia, jolla saavutetaan tarkka, toistettavissa oleva ja puolueeton tunnistaminen ja luokittelu solumorfologian ja rakenteellisen jakautumisen erojen perusteella. Löytökohorttiin rakennetaan tehokas ennustemalli kriittisesti sairaiden lasten selviytymisriskin ennustamiseksi; mallin suorituskyky validoidaan validointikohortissa sen sovellettavuuden arvioimiseksi Kiinan kriittisesti sairaiden lasten väestössä. Tämä tutkimus tarjoaa vankkaa näyttöä näyttöön perustuvasta lääketieteestä, joka perustuu monikeskustutkimuksiin ja tarjoaa mahdollisia uusia tarkastustekniikoita kriittisesti sairaiden lasten eloonjäämisriskin ennustamiseen, avustavan päätöksenteon tukena kliinikoille, parantaen kriittisesti sairaiden lasten eloonjäämisastetta, ja tarkkuuslääketieteen kehittämisen edistäminen.