AI-algoritmit ACS:n ennustamisessa leukosyyttien ominaisuuksien perusteella

AI-ACS:n kliininen tutkimus on havainnollinen, yhden keskuksen tutkimus, jonka tarkoituksena on arvioida sellaisten tekoälyalgoritmien diagnostista suorituskykyä, jotka käyttävät valkosolutietoja (WBC) ennustamaan akuuttia sepelvaltimotautioireyhtymää (ACS) potilailla, joilla on akuuttia rintakipua. Tässä kokeessa hyödynnetään kehittynyttä tekoälyä analysoimaan valkosolujen ominaisuuksien suurulotteisia mittauksia parantaakseen ACS:n ennustamista ja erottamista muista ei-sydänperäisistä rintakipujen syistä vertaamalla näitä ennusteita perinteisiin korkean herkkyyden sydämen troponiinin (hs-cTn) mittauksiin.

Tutkimuspöytäkirjan tekninen kuvaus

AI-ACS-kokeessa käytetään Grazin lääketieteellisessä yliopistossa suoritettua tulevaa, havainnollistavaa tapauskontrollisuunnitelmaa. Se on jaettu kahteen päävaiheeseen: AI-mallien koulutus ja testaus. WBC-tiedot kerätään rutiininomaisilla verikokeilla, jotka suoritetaan potilaan saapumisen yhteydessä käyttämällä Sysmex XN -sarjan hematologisia analysaattoreita. Näitä tietoja käytetään AI-algoritmien kouluttamiseen säännöllisin väliajoin, jotta niiden diagnostista tarkkuutta pyritään parantamaan tutkimuksen aikana.

Laadunvarmistus ja rekisterimenettelyt

AI-ACS-kokeilu sisältää useita toimenpiteitä, joilla varmistetaan kerättyjen tietojen laatu ja eheys sekä standardien toimintatapojen noudattaminen:

Tietojen validointi- ja laadunvarmistussuunnitelma:

Jatkuvaa paikan päällä tapahtuvaa seurantaa ja säännöllisiä auditointeja tehdään kliinisen protokollan ja säännösten noudattamisen varmistamiseksi.

Tutkimuksen tietokantaan syötettyjen WBC-tietojen tarkkuuden ja johdonmukaisuuden tarkistamiseksi toteutetaan tietojen validointimenettelyjä. Automaattiset tietojen tarkistukset vertaavat uusia merkintöjä ennalta määritettyihin sääntöihin alueen ja johdonmukaisuuden osalta muiden tietokenttien kanssa.

Lähdetietojen vahvistus:

Lähdetietojen varmennus suoritetaan vertaamalla tutkimustietokantaan tallennettuja sähköisiä tietoja alkuperäisiin potilastietoihin ja laboratorioraportteihin tietojen tarkkuuden ja täydellisyyden arvioimiseksi.

Datasanakirja:

Tutkimuksessa käytetään yksityiskohtaista tietosanakirjaa, joka sisältää kuvaukset jokaisesta kerätystä muuttujasta, mukaan lukien muuttujan lähde (esim. potilasdemografia, laboratoriotulokset), koodaustiedot ja normaalit vaihteluvälit. Tämä sanakirja auttaa säilyttämään johdonmukaisuuden tietojen tulkinnassa ja analysoinnissa.

Vakiotoimintamenettelyt (SOP:t):

Potilaiden rekrytointia, tiedonkeruuta, tiedonhallintaa, analysointia ja raportointia koskevat SOP-ohjeet ovat hyvin dokumentoituja ja niitä noudatetaan koko tutkimuksen ajan. Nämä toimenpiteet sisältävät yksityiskohtaiset vaiheet haittatapahtumien ja tutkimusprotokollan muutosten käsittelemiseksi.

Näytteen koon arviointi:

Tutkimus on suunniteltu siten, että otoskoko on 2 100 osallistujaa koulutusta varten (700 kohorttia kohden) ja 600 osallistujaa testaukseen (300 kohorttia kohden), joiden on laskettu tarjoavan riittävästi tehoa havaitsemaan merkittäviä eroja AI-mallien diagnostisessa suorituskyvyssä verrattuna hs-cTn: ään.

Suunnitelma puuttuvien tietojen varalta:

Menettelyt puuttuvien tai epäjohdonmukaisten tietojen käsittelemiseksi sisältävät imputointitekniikat ja herkkyysanalyysit puuttuvien tietojen vaikutuksen arvioimiseksi tutkimustuloksiin.

Tilastollinen analyysisuunnitelma:

Tilastollinen analyysisuunnitelma hahmottelee tekoälymallien diagnostisen suorituskyvyn arvioinnissa käytetyt menetelmät, mukaan lukien vastaanottimen toimintaominaisuuksien (ROC) käyräanalyysi, käyrän alla oleva pinta-ala (AUC) sekä herkkyys- ja spesifisyyden arvioinnit. Tekoälymallien vertailut hs-cTn-mittauksiin tehdään käyttämällä mahdollisia hämmennystä mukautettuja logistisia regressiomalleja.

Tutkimuksen tavoitteet ja hypoteesit

AI-ACS-kokeen ensisijainen tavoite on kouluttaa ja validoida tekoälymalleja, jotka pystyvät ennustamaan tarkasti ACS:n WBC-tiedoista, mikä mahdollisesti ylittää tavallisten hs-cTn-määritysten diagnostisen suorituskyvyn. Hypoteesi on, että tekoälyn ohjaama valkosolujen ominaisuuksien analyysi voi tarkemmin erottaa ACS:n ja ei-ACS:n rintakipujen syyt, mikä parantaa kliinistä päätöksentekoa ja vähentää tarpeettomia lääketieteellisiä toimenpiteitä.

Edistämällä rutiininomaisten verikokeiden käyttöä tekoälyn kanssa AI-ACS-kokeessa pyritään tehostamaan ACS-riskissä olevien potilaiden nopeaa tunnistamista, mikä mahdollisesti muuttaa hoidon tasoa sydän- ja verisuonisairauksien hätädiagnoosissa.