Äänentoistolaitteen validointi kliinisissä asetuksissa – yksilöiden jatkuva seuranta (Vocorder Clinical Validation-VCV) (VCV)

Tutkimuksen suunnittelu Hypoteesi Alfhomiikan tutkimuksessa useiden VOC-yhdisteiden, VOC-kuvioiden ja VOC-mallien muutosten välisten suhteiden havaitaan liittyvän erityyppisiin sairauksiin. Siksi muutokset uloshengitetyn ilman VOC-kuvioissa korreloivat tiettyjen tilojen kanssa mitattuna spesifisillä sairauteen liittyvillä VOC-profiileilla.

Tutkimuksen tausta ja tavoitteet Tämä kliininen tutkimus tehdään osana HORIZON-EIC-2022 PATHFINDER CHALLENGES-01-04 -projektia nimeltä Vocorder, uusi teknologia hengitysanalyysien tekemiseen. Hengitysnäytteiden kerääminen VOC-analyysiä varten (potilaat ja kontrolliryhmä), VOC-yhdisteitä saattaa olla jo perustasolla. VOCORDER-instrumentti pystyy kuitenkin ratkaisemaan ne aineenvaihdunnan muutoksista johtuvat pitoisuuserot ja erottelemaan niitä, joita saattaa jo olla ympäristöilmassa. Siten analysaattori mahdollistaa eri kaasujen (esim. VOC-yhdisteiden) in situ aikaresoluution mittaamisen, kirjaamalla niiden pitoisuusprofiilin yksittäisillä hengityksellä minimaalisella valvonnalla ja lähes ilman tiukkaa menetelmää. Tässä validointivaiheessa sovelletaan kuitenkin tiukkaa metodologiaa lähestymistavan validiteetin ja menetelmän huomaamattomuuden varmistamiseksi.

Hengitysanalyysit suoritetaan laserpohjaisilla hengitysanalysaattoreiden prototyypeillä, jotka pystyvät havaitsemaan pienen määrän kaasuja samanaikaisesti. QCL mid-IR Array -pohjainen itsesekoittuva analysaattori VOC-yhdisteiden havaitsemiseen mittausalueella 10-100 ppb, havaitsemisraja lähellä 1 ppb, resoluutio lähellä 1 ppb ja tarkkuus lähellä ± 1 ppb. Yhdisteiden tunnistaminen perustuu NIST-massaspektrikirjastoon ja niiden retentioindeksien vertailuun vertailustandardeille saatujen indeksien kirjastoon. Alkuhengitysanalysaattoria voidaan testata sekä terveillä että inkuboiduilla potilailla, koska näytteenottoletku voidaan liittää suoraan ventilaattoriin alkuperäisen käytön lisäksi.

Tämä kliininen tutkimus käsittelee VOCORDER-hengitysanalysaattorin havaitsemien hengityksen VOC-profiilien ja lääketieteen ammattilaisten keräämien sähköisten lääketieteellisten tietojen välistä korrelaatioanalyysiä. Saatujen tulosten odotetaan olevan olennaisia ​​VOCORDER-hengitysanalysaattorin hengitysanalyysitekniikan räätälöimiseksi kiinnostuksen kohteena olevien sairauksien varhaiseen havaitsemiseen.

Tämän kliinisen tutkimuksen päätavoitteet ovat seuraavat:

1. Käyttää kehitettyä laitetta kliinisessä ympäristössä ja määrittää sen toimintaparametrit (hengitystilavuus, kliinisen näytteenoton määrä ja taajuus).
2. Varmentaa laitteen suorituskykyä ja sen tuotettuja mittauksia verrattuna muihin relevantteihin teknologioihin ja/tai vakiintuneeseen vertailumenetelmään.
3. Tutkia mahdollisia pääkorrelaatioita hengitysanalyysissä havaittujen kaasujen ja tähän tutkimukseen valittujen sairauksien välillä.

Ensisijainen ja toissijainen päätepiste(t)

Ensisijaiset päätepisteet:

Vahvistaa VOCORDER-laitteen tehokkuutta kliinisessä käytännössä ja edistää hengitysanalyysiteknologiaa edelleen.

Toissijaiset päätepisteet:

1. Tunnista ja määrittele uuden hengitysanalyysitekniikan toimintaparametrit kliinisessä käytännössä.
2. Vertaa VOCORDER-tekniikan suorituskykyä ja tuloksia GC-MS-referenssimenetelmään.
3. Tutki tunnettujen sairauksien ja merkittävien VOC-biomarkkereiden välistä korrelaatiota uloshengitetyssä hengityksessä valituissa sairauksissa.
4. Tutki uloshengitetyssä hengityksessä olevien VOC-biomarkkerien potentiaalia sairauksien varhaisessa havaitsemisessa, mikä helpottaa oikea-aikaista diagnoosia korreloimalla keskeisten lääketieteellisten parametrien kanssa.

Vaatimukset kliinisen tutkimuksen suorittamiselle Tutkimuskeskus eettisten toimikuntien toteuttamiselle ja nykyinen hyväksyntästatus Tutkimus suoritetaan MITERA-sairaalassa. MITERAn yleisklinikka, äitiys-/gynekologian klinikka ja lastensairaala on vakiinnuttanut asemansa johtavana terveydenhuollon laitoksena, joka toimii kokonaisvaltaisena hoitokeskuksena kaiken ikäisille henkilöille. 45 toimintavuotensa ansiosta MITERA erottuu joukosta yksi Kreikan arvostetuimmista yksityissairaaloista, ja se tarjoaa laajan valikoiman korkealaatuisia terveyspalveluja ennaltaehkäisyyn, diagnosointiin ja hoitoon eri lääketieteen aloilla. MITERAssa on kolme klinikkaa: yleisklinikka, MITERA-äitiys-/gynekologinen klinikka ja Kreikan kattavin yksityinen lastenklinikka, MITERA-lastensairaala. Sitoutuminen poikkeuksellisen sairaanhoidon ja palvelujen tarjoamiseen on korkealaatuista MITERA Clinicsissa, jossa lääkäreiden, sairaanhoitajien ja kätilöiden tiimi on käytettävissä ympäri vuorokauden, vuoden jokaisena päivänä. ottaa yhteyttä mihin tahansa lääketieteelliseen hätätilanteeseen.

Sairaalan tieteellinen neuvosto on hyväksynyt kliinisen tutkimuksen. Tutkimuksen suorittaa MITERA-tutkimusryhmä. Sääntelytila

1. Yleisen tietosuoja-asetuksen (GDPR) vaatimukset
2. Euroopan parlamentin ja neuvoston asetus (EU) 2016/679, annettu 27 päivänä huhtikuuta 2016, luonnollisten henkilöiden suojelusta henkilötietojen käsittelyssä ja tällaisten tietojen vapaasta liikkuvuudesta sekä direktiivin 95/46/EY kumoamisesta• WP29 : Lausunto 05/2014 anonymisointitekniikoista.
3. Hoidon parhaita käytäntöjä/hoidon tasoa noudatetaan. Potilaat diagnosoidaan näiden parhaiden käytäntöjen mukaisesti.
4. Vaikka kliininen tutkimus ei sisällä lääkehoitoja, noudatetaan hyvän kliinisen käytännön yleisiä periaatteita eettisen ja tieteellisen laadun varmistamiseksi.

5. Terveysteknologian arviointivirastojen, kuten EUnetHTA:n, ohjeissa määritellyt periaatteet otetaan huomioon, erityisesti seuraavat:

   • Vertailut ja vertailut. Sopivimman vertailuaineen valintaperusteet.
   • Yhteenveto nykyisistä toimintatavoista ja parhaiden käytäntöjen ohjeista.
   • Suhteellisen tehokkuuden arvioinnin päätepistekriteerit: kliiniset päätepisteet
6. Tutkimus suunnitellaan ja analysoidaan kliinisten tutkimusten tilastoperiaatteiden (CPMP/ICH/363/96), ICH Topic E9 mukaisesti.
7. AEPD: AEPD:n ohjeet henkilötietojen anonymisointimenettelyistä tarjoavat puitteet yksityisyyden ja tietosuojan varmistamiselle.
8. ENISA: Noudatetaan suosituksia teknologian kehityksen yhdenmukaistamiseksi GDPR:n kanssa, erityisesti koskien tietojen pseudonymisointitekniikoita.
9. AEPD:n ja EDPS:n yhteinen asiakirja hajautustoimintojen käytöstä henkilötietojen pseudonyymisoinnissa toimii viitteenä tietosuojastrategioissa.
10. Maailman lääkäriliitto: Helsingin julistus ihmisiin osallistuvan lääketieteellisen tutkimuksen eettisistä periaatteista. Tietoinen suostumus ja tiedot VOCORDER:n sisällä vastuussa oleva laitos noudattaa erityisiä menettelytapoja ja käyttää suostumuslomaketta varmistaen, että voimassa olevaa suostumusta koskevat vähimmäistietovaatimukset täyttyvät. puitteiden yläpuolella. VOCORDER-tutkimukseen osallistuminen on kaikille henkilöille täysin vapaaehtoista, ja hänellä on oikeus vetäytyä mistä tahansa tutkimustoiminnan vaiheesta ilman seurauksia tai seuraamuksia. Osallistujille toimitetaan suostumuslomakkeen mukana kattava tietolomake, jossa esitetään VOCORDER-tutkimuksen tarkoitus, menettely, riskit jne.. Tietojen suostumuslomakkeiden protokolla ja mallipohjat voidaan hakea pyynnöstä. Ne lisätään myös tiedonhallintasuunnitelmaan. Asianmukaisen tieteellisen koulutuksen ja pätevyyden omaavat lääkärit antavat tiedot. Lääketieteellinen henkilökunta osaa vastata yksilöiden esittämiin kysymyksiin ja selittää noudatettavan prosessin, mitä osallistujalta pyydetään ja odotetut tulokset. Varmistetaan, että mahdolliset osallistujat ovat ymmärtäneet tiedot täysin.

Osallistujat antavat suostumuksen vapaasti. Taataan, että he eivät koe olevansa velvollisia tai pakotettuja millään tavalla antamaan suostumusta. Osallistujat antavat suostumuksensa kirjallisesti, erityisesti allekirjoittamalla alla olevan tietoisen suostumuslomakkeen ja tiedotteet. Jos suostumusta ei voida antaa kirjallisesti esimerkiksi lukutaidottomuuden vuoksi, ei-kirjallinen suostumus on dokumentoitava virallisesti ja todistettava riippumattomasti. Suostumus on jatkuva prosessi, etenkin VOCORDERin kaltaisissa pitkäaikaisissa kokeissa. Vastuulliset projektikumppanit edistävät jatkuvaa vuoropuhelua osallistujien kanssa ja tiedottavat heille kaikesta erilaisesta/uudesta kokeeseen liittyvästä.

Eettisen komitean hyväksyntä Eettisten menettelyjen valvonnan tehostamiseksi koko projektin elinkaaren ajan VOCORDERin IEC perustetaan. Tällä komitealla tulee olemaan hallitseva rooli lainsäädännössä määrätyn eettisen periaatteen noudattamisen varmistamisessa hankkeen kaikissa vaiheissa protokollan kehittämisestä tulosten julkaisemiseen. Lisäksi komitea tekee yhteistyötä kuuden osallistuvan maan paikallisten eettisten toimikuntien kanssa käsitelläkseen mahdollisia osallistujien valituksia tutkimuksen aikana. IEC:n tehtävänä on tarvittaessa koota ja toimittaa turvallisuus- ja väliraportit asianomaisille kansallisille eettisille toimikunnille.

Yhteyshenkilöiden nimeäminen eettisiä ja oikeudellisia asioita varten Kukin VOCORDERiin osallistuva kumppani nimeää oman toimintansa ja kansallisen sääntelykehyksensä mukaisesti tietosuojavastaavan (DPO) ja/tai yhteyshenkilön, joka vastaa oikeudellisiin ja eettisiin kysymyksiin liittyvistä huolenaiheista. hankkeen tutkimustoimintaa.

Seuranta ja raportointi Eettisten riskien seurannasta raportoidaan säännöllisesti projektikokousten aikana. Eettisen kyselylomakkeen laatimista ja jakamista sisäisesti tekniseen kehittämiseen osallistuville kumppaneille harkitaan eettisten vaatimusten mukaisuuden varmistamiseksi. IEC on vastuussa hankkeen kumppanien esittämien kysymysten käsittelemisestä kaikissa tapauksissa ja tekee yhteistyötä kunkin tahon määrittelemien oikeudellisten ja eettisten asioiden edustajan kanssa. VOCORDER arvioi tuloksiaan projektin toteuttamisen kaikissa vaiheissa näiden vaatimusten perusteella varmistaakseen kattavan kattavuuden.

Kliinisen tutkimuksen vaiheet

Kliininen tutkimus on prospektiivinen kohorttitutkimus, ja se suoritetaan kahdessa vaiheessa:

• 1. vaihe: perusvaihe (lokakuu 2024–elokuu 2025)
• 2. vaihe: Validointivaihe – VOCORDED-teknologian validointi (touko-joulukuu 2026)

Kliinisen tutkimuksen vaiheet

Kliininen tutkimus on prospektiivinen kohorttitutkimus, ja se suoritetaan kahdessa vaiheessa:

• 1. vaihe: perusvaihe (lokakuu 2024–elokuu 2025)
• 2. vaihe: Validointivaihe - VOCORDED-teknologian validointi (touko-joulukuu 2026) Perusvaihe Tämän vaiheen toteuttamista pidetään tarpeellisena valmistetun teknologian perustoimintaparametrien määrittelemiseksi, jotta voidaan siirtyä laitteen lopulliseen validointiin kliininen ala. Yllä oleva tavoite saavutetaan tekoälymekanismin (WP.4) panoksella ja hengitysanalysaattorin suunnittelussa mukana olevien teknologisten tutkimusryhmien raakatietojen analysoinnilla. Tässä vaiheessa potilaat ja terveet kontrollit otetaan mukaan ja syntyneiden kaasujen mittaukset analysoidaan GC-MS-referenssimenetelmällä.

Validointivaihe (VOCORDER-validointivaihe) Tässä vaiheessa VOCORDER-teknologia käy läpi kliinisen arvioinnin sekä potilaiden että terveiden vapaaehtoisten toimesta. Analyysissä mitataan osallistujien päästämät kaasut käyttäen vertailuna sekä standardireferenssimenetelmää että VOCORDER-tekniikkaa.

Sairaudet

Seuraavat sairaudet tutkitaan:

1. Keuhkosyöpä
2. Maha- ja paksusuolensyöpä
3. Rintasyöpä
4. Munuaisten vajaatoiminta
5. Infektiot - Keuhkokuume (yhteisöstä ja sairaalasta hankittu) Näiden sairauksien valinta perustui ETH-tiimin tarkastelemaan olemassa olevaa kirjallisuutta (tehtävä 2.1) ja sen jälkeen tehtyyn löydösten mukauttamiseen vastaamaan VOCORDERin kykyjä havaita tiettyjä kaasun biomarkkereita. valittujen sairauksien varhainen diagnosointi (tehtävä 2.2) .

Potilaat & Terve kontrollipopulaatio Terveet kontrollit Tutkimukseen valitaan samanaikaisesti potilaiden kanssa vähintään 120 tervettä kontrollia molemmista sukupuolista, iältään 20-75 vuotta, jotka eivät kärsi tutkittavista sairauksista. Jokaisesta mahdollisesta kontrollista odotetaan otettavan vähintään 2-3 hengitysnäytettä eri päivinä samaan aikaan vuorokaudesta. Samat terveet kontrollit osallistuvat tutkimuksen molempiin vaiheisiin ja saadut hengitysnäytteet analysoidaan molemmilla menetelmillä.

Terveet vapaaehtoiset valitaan joko sairaalan henkilökunnan joukosta tai muusta syystä sairaalaan otettujen potilaiden joukosta. Mahdolliset kontrollit täyttävät kyselylomakkeen demografisilla ja lääketieteellisillä tiedoilla saatuaan MITERAN VOCORDER-tiimin tiedot tutkimuksesta yksityiskohtaisesti. Projektiryhmä analysoi kyselylomakkeen ja jos todetaan, että henkilö voi osallistua tutkimukseen, osallistuja allekirjoittaa suostumuslomakkeen.

Potilaspopulaatio Perusvaihe

Potilaat: yhteensä 175 potilasta, 35 kustakin sairaudesta, iältään 18-75 vuotta molemmista sukupuolista, valittuna seuraavien mukaanottokriteerien mukaan:

1. Yli 18-vuotiaat potilaat molemmista sukupuolista
2. Heidän on kyettävä kommunikoimaan ja ymmärtämään MITERAN henkilöstön heille antamat tiedot.
3. Kärsii tutkittavasta taudista.
4. Sairauden tulee olla mahdollisimman varhaisessa vaiheessa, eli potilaiden hoitoa ei saa olla vielä aloitettu.

5. Potilailla ei saa olla muita vakavia rinnakkaissairauksia, jotka vaikuttavat johdettuihin mittauksiin. Potilaat valitaan yhteistyössä tutkittavien sairauksien hoidosta ja/tai sairaalahoidosta vastaavien kliinikon kanssa.

   Kriteerit 1, 2 ja 3 ovat pakollisia tutkimukseen ilmoittautumiselle. Potilaiden osallistumista varten tutkimukseen tulee projektitiimin saatavilla olla erityisiä tautia koskevia asiakirjoja seuraavasti:

   Syövän diagnoosia varten on dokumentoitava seuraavat asiat:

   • Syövän tyyppi perustuu histopatologisiin löydöksiin ja spesifisiin indikaattoreihin.
   • Taudin vaihe perustuu radiologisiin ja hematologisiin tutkimuksiin.

   Infektioiden - keuhkokuumediagnoosi on määritettävä seuraavasti:

   • Keuhkokuumediagnoosi perustuu rintakehän -X löydöksiin, kliiniseen oireyhtymään ja tulehdusindikaattoreiden tilaan (päivä 1).
   • Patogeenin laboratoriomääritys aiheutti kliinisen oireyhtymän (jos se on mahdollista eristää kliinisistä näytteistä)
   • Sairauden kliininen vakavuus perustuu CURB 65/SMART COP -pisteisiin potilailla, joilla on yhteisöstä tai terveydestä saatu keuhkokuume, ja Apache II teho-osastolla sairaalahoidossa oleville potilaille.

   Munuaisten vajaatoiminnassa tarvitaan:

   • Kroonisen munuaissairauden dokumentaatio
   • Taudin vaiheen määrittäminen CFR-lukujen mukaan.
   • Hemodialyysihoito Poissulkemiskriteerit
   • Allekirjoitetun suostumuksen puute
   • Yhteistyön puute mistä tahansa syystä
   • Vaatimuksia koskevien suositusten noudattamatta jättäminen ennen hengitysnäytteenottoa
   • Kyvyttömyys tarjota luotettavaa hengitysnäytettä
   • Mikä tahansa hoito, erityinen ruokavalio, leikkaus tai muu toimenpide, joka on aloitettu hengityksen VOC-näytteiden oton välillä.

   Kun projektista vastaava MITERA-tiimi on tiedottanut potilaalle ja hän on suostunut osallistumaan tutkimukseen, hänen on luettava ja allekirjoitettava asiaankuuluva suostumuslomake. Tutkimukseen osallistuville potilaille täytetään vastaavat kyselylomakkeet kontrollien (tiedonkeruulomakkeet) kanssa.

   Näytteenotto: Jokaiselta potilaalta otetaan vähintään kaksi hengitysnäytettä (kukin 1 litra) samanlaisissa olosuhteissa ja analysoidaan (esim. eri päivinä, mutta samaan aikaan päivästä). Hengitysnäytteet analysoidaan tässä vaiheessa vertailumenetelmällä. Viimeisessä vaiheessa ne tallennetaan ja analysoidaan VOCORDER-menetelmällä. Hengitysnäytteen ottotapa on vertailumenetelmää noudattavien suositusten mukainen.

   Validointivaihe Potilaat: Kliinisen tutkimuksen viimeiseen vaiheeseen osallistuu 100 potilasta, 20 kustakin sairaudesta. Potilaat valitaan yllä olevien kriteerien mukaisesti kuten perusvaiheessa.

   Näytteenotto: Hengitysnäytteet analysoidaan käyttämällä molempia menetelmiä. Jokaiselta potilaalta otetaan vähintään kaksi hengitysnäytettä samanlaisissa olosuhteissa ja analysoidaan (esim. eri päivinä, mutta samaan aikaan päivästä). Hengitysnäytteen ottotapa on referenssimenetelmän ja VOCORDER-kohtaisten teknisten vaatimusten mukainen suositusten mukainen.

   Taulukko 1 Kliinisten vaiheiden kuvaus Kliiniset vaiheet PERUSVAIHEEN VALIDATION VAIHE Potilaat ja terve kontrollipopulaatio Potilaat Ryhmä 1 Terveet kontrollit Potilaat Ryhmä 2 Terveet kontrollit Populaation koko (ei) 175 120 (vähintään) 100 120 Hengitysanalyysien metodologia SESI-MS ja GC-MS-referenssimenetelmä SESI-MS ja GC-MS-referenssimenetelmä SESI-MS ja GC-MS-referenssimenetelmä SESI-MS- ja GC-MS-referenssimenetelmä Vocorder-tekniikka Vocorder-tekniikka

   Hengitysanalyysin metodologia Alkuvaiheen aikana massaspektrometrian vertailumenetelmää käytetään potilaiden ja terveiden vapaaehtoisten uloshengitysanalyysiin. Hengitysnäytteet kerätään 1 litran kaasunäytepusseihin ja lähetetään ETH Zürichin hengitysanalyysilaboratorioon offline - analyysiä varten .

   Seuraavassa validointivaiheessa kliiniset näytteet analysoidaan molemmilla menetelmillä, VOCORDER-tekniikalla ja massaspektrometrian vertailumenetelmällä tulosten luotettavan vertailun ja validoinnin varmistamiseksi.

   Sairaudet ja tiedonkeruu (AIDEAS, MITERA) Lisäksi erilaisten terveystilojen riskitekijöiden laaja arviointi paljastaa monimutkaisen vuorovaikutuksen geneettisen alttiuden, ympäristöaltistuksen, elämäntapavalintojen ja taustalla olevien terveystilojen välillä. Keuhkosyövän ensisijainen riskitekijä on kiistatta tupakansavu, ja noin 85 % keuhkosyöpätapauksista johtuu suoraan tupakoinnista, mukaan lukien passiivinen savulle altistuminen (CDC, 2021). Radonille altistuminen, työperäinen altistuminen aineille, kuten asbestille, tietyille metalleille ja dieselpakokaasuille, sekä ilmansaasteet lisäävät riskiä, ​​samoin kuin suvussa on ollut keuhkosyöpää (American Cancer Society, 2021).

   Rintasyövän monitekijäinen etiologia sisältää hormonaalisia tekijöitä, kuten varhaiset kuukautiset, myöhäiset vaihdevuodet ja hormonikorvaushoito yhdistettynä elämäntapatekijöihin, kuten alkoholinkäyttöön, fyysiseen toimintaan ja liikalihavuuteen. Geneettisillä tekijöillä on merkittävä rooli, ja BRCA1- ja BRCA2-geenien mutaatiot lisäävät merkittävästi riskiä. Lisäksi lisääntymishistoria, mukaan lukien ensimmäisen synnytyksen ja imetyksen ikä, vaikuttavat riskiprofiileihin (National Breast Cancer Foundation, 2021).

   Mahasyövän riski liittyy monimutkaisesti ruokavalioon, Helicobacter pylori -infektioon, tupakointiin ja sukuhistoriaan. Kansainvälinen syöväntutkimuslaitos (IARC) tunnustaa H. pylorin luokan I syöpää aiheuttavaksi mahasyövän aiheuttajaksi. Lisäksi ruokavalio, joka sisältää runsaasti savustettuja ruokia, suolattua kalaa ja lihaa sekä marinoituja vihanneksia, liittyy korkeampiin mahasyövän määrään, erityisesti Itä-Aasian kaltaisilla alueilla, joissa nämä ruoat ovat ravinnon perustarpeita (World Cancer Research Fund, 2020).

   Krooninen munuaissairaus (CKD) ja munuaisten vajaatoiminta johtuvat sellaisista sairauksista kuin diabetes ja verenpainetauti, jotka ovat vastuussa jopa kahdesta kolmasosasta tapauksista. Muita riskitekijöitä ovat suvussa munuaissairaus, yli 60-vuotiaat ja etninen alkuperä, ja afrikkalaiset amerikkalaiset, intiaanit ja aasialaisamerikkalaiset ovat suuremmassa riskissä. Tulehduskipulääkkeiden krooninen käyttö ja altistuminen kontrastiväreille kuvantamisessa aiheuttavat myös riskejä (National Kidney Foundation, 2021).

   Infektioihin, kuten keuhkokuumeeseen, vaikuttaa yksilön immuunijärjestelmä, ja hyvin nuoret, vanhukset ja immuunipuutteiset yksilöt ovat erityisen alttiita. Ympäristötekijät, kuten ilmanlaatu, tupakointi ja altistuminen hengitysteitä ärsyttäville aineille, ovat tärkeitä, samoin kuin krooniset hengityselinten sairaudet, kuten astma ja krooninen obstruktiivinen keuhkosairaus (COPD). Kausi-influenssa voi altistaa yksilöt bakteeriperäiselle keuhkokuumeelle, mikä kuvaa virus- ja bakteeri-infektioiden välistä yhteyttä (CDC, 2021). Näiden riskitekijöiden ymmärtäminen on ratkaisevan tärkeää ennaltaehkäisevien strategioiden, varhaisten havaitsemismenetelmien ja kansanterveyspolitiikan muotoilun kannalta näiden sairauksien vaikutusten lieventämiseksi.

   Yhteenvetona voidaan todeta, että kattava kyselymme integroi laajan kirjon demografisia tietoja ja sairaushistorian yksityiskohtia, jotta voit arvioida osallistujan terveysprofiilin perusteellisesti. Demografiset tiedot, kuten ikä, sukupuoli, rotu/etninen tausta, tulot, koulutustaso, ammatti, siviilisääty ja maantieteellinen sijainti, tarjoavat taustan yksittäisille terveydentilalle. Lääketieteellinen historia, mukaan lukien paino, pituus, BMI, tupakointitottumukset, alkoholin kulutus, ruokailutottumukset, fyysinen aktiivisuus, liitännäissairaudet ja yksityiskohtaiset tiedot kroonisista sairauksista, infektioista, lääkkeiden käytöstä, leikkauksista ja sairaalahoidoista tarjoavat syvemmän käsityksen jokaisesta osallistujan terveysriskejä. Lisäksi arvioimme psykologisia tekijöitä, kuten masennusta ja ahdistusta, sekä ympäristö- ja elämäntapavaikutuksia, kuten työperäisiä altistuksia, geneettisiä taipumuksia, unirytmiä ja stressitasoja. Näiden tietojen avulla voimme tunnistaa korrelaatioita ja malleja, jotka voivat vaikuttaa sairauksien esiintyvyyteen ja tuloksiin sekä hengitysanalyyseistä havaittuihin VOC-pitoisuuksiin. Lisäksi näiden sairauksien tuottamien molekyylien pitoisuudet voivat vaihdella johtuen endogeenisista prosesseista, kuten vuorokausirytmistä tai koehenkilön terveydentilasta tai muista ulkoisista tekijöistä, kuten lääkityksestä, kosmeettisten valmisteiden käytöstä tai liikunnasta. Näitä tekijöitä seurataan mahdollisuuksien mukaan.

   Kliinisen tiedon kerääminen ja lataaminen. MITEPA-projektitiimi kerää tiedot ja tallentaa ne tietokoneistettuun työkansioon sairaalassa. Kansio on vain MITERA-projektitiimin käytettävissä. Potilastiedot anonymisoidaan ja syötetään erityisesti kehitettyyn tietokantaan, joka jaetaan muiden kumppanien – valtuutettujen käyttäjien – kanssa. Tietokanta sisältää myös tulokset molemmilla menetelmillä.

   Tietosuojan varmistaminen. Tutkimukseen osallistuvien potilaiden henkilötietojen suoja varmistetaan Kreikan lainsäädännön, asiaa koskevan eurooppalaisen GDPR:n ja MITERA-sairaalamääräysten puitteissa.

   Tilastollisen analyysin suunnittelu ja näytteen koon laskenta (ICCS) VOCORDER-projektin tarpeiden mukaisesti tehtävässä 4.2 tarjotaan tilastollinen analyysi hengitysnäytteiden korkearesoluutioisista spektreistä. Tässä analyysissä hyödynnetään useita eri tekniikoiden tekoälytekniikoita näyteluokkien erottamiseksi toisistaan ​​terveyteen liittyvien piilevien ominaisuuksien perusteella, ja lisäksi tämä automatisoitu prosessi tunnistaa korrelaatiot ja riippuvuudet valittujen sairausparametrien, yksittäisten biomarkkerialueiden ja kuvaajien välillä tallennetuista tiedoista. .

   Onnistuneen suunnittelun ja kliinisten näytteiden analysoinnin kannalta on välttämätöntä tutkia viimeisimpiä lähestymistapoja. Taulukossa 2 on yhteenveto raportoiduista haihtuvista orgaanisista yhdisteistä (VOC:t) VOCORDERin sairauksille. VOC-yhdisteitä voidaan käyttää VOCORDERin sairauksien havaitsemiseen tilastollisen analyysin perusteella käyttämällä monenlaisia ​​koneoppimisalgoritmeja (eli valvomattomia, valvottuja, puolivalvottuja ja XAI). Tämän osion seuraavissa kappaleissa on tietoa nykyisestä uusimmasta koneoppimisen lähestymistavasta. Kirjallisuudessa kuvattuja lähestymistapoja käytetään ennakkotietona VOCORDER-projektin koneoppimismallien suunnittelussa kliinisten näytteiden onnistuneen keräämisen jälkeen.

   Taulukko 2 Uloshengityksen haihtuvat orgaaniset yhdisteet VOCORDER-sairauksiin. Ilmoitetut sairaudet Haihtuvat orgaaniset yhdisteet Keuhkosyöpä Isopropanoli Asetoni Pentaani Bentseeni Maha- ja paksusuolensyöpä Propaaniasetamidi Isopreeni 1,3-Propaanidioli Etyleeni Metyyli Isobutyyli Ketoni Etikkahappo m- Toluyylialdehydi 1,2,5 Trimetyyli Kanseriini (Breasetyylibentseeni2-S) Syklopentanoni-etyleenikarbonaatti 3-metoksi-1,2-propaanidioli 3-metyylipyridiini fenoli tetrametyylisilaani munuaisten vajaatoiminta sykloheksanoli 3-hydroksi-2-butanoni 3-metyylibutanaalidimeeri isopreenin infektiot metyyli-propaanitrihanidi-proseumonidiyyli-apiolonidiyyli-apiiolonidioli 2-Coloropyridine Valvomattomat tekoälymallit Valvomaton tekoälyn pääkomponenttianalyysi (PCA) on tutkittu ratkaisuna syövän havaitsemiseen hengitysnäytteistä. Maiti ym.:n työssä käsitellään tapaustutkimusta, jossa 63 vapaaehtoista koostui terveistä ja ei-terveistä näytteistä, joiden joukossa on munuaissyöpää, virtsarakkosyöpää ja eturauhassyöpää sairastavia potilaita. Heidän tiedonkeruunsa perustui laservapaaseen laajakaistaiseen keski-infrapuna-Fourier-muunnosspektroskopiaan syöpäherkkien metaboliittikaasujen (eli etyylivinyyliketoni, asetaldehydi, metyylibutyraatti jne.) havaitsemiseksi. Heidän analyysinsa, jota ohjatut menetelmät tukevat, osoitti, että näitä menetelmiä voidaan käyttää syövän havaitsemiseen. Lisätutkimusta kuitenkin tarvitaan.

   Samanlaista tutkimusta on sovellettu Aslam et al. Tässä tapauksessa he tutkivat varhaisen vaiheen mahasyövän diagnoosia ohjaamattoman syvän oppimisen perusteella. He ehdottavat innovatiivista menetelmää piirteiden erottamiseen, joka perustuu pinottuun harvaan automaattiseen kooderiin erottelevien piirteiden poimimiseksi leimaamattomista hengitysnäytteiden tiedoista. Heidän tulokset osoittavat, että syvälle pinotut harvat autoenkooderin hermoverkot pystyvät saavuttamaan 98,7 prosentin kokonaistarkkuuden edistyneen mahasyövän luokittelussa ja 97,3 prosentin tarkkuuden varhaisessa mahasyövän havaitsemisessa hengitysanalyysin avulla.

   Alkhalifah et al. tutki syövän havaitsemista VOC-analyysin avulla ja analysoi 74 kliinistä hengitysnäytettä osallistujien kaasukromatografian massaspektrometrialla. He ehdottavat valvomatonta klusterointitekniikkaa nimeltä VOCCluster VOC-yhdisteiden massaspektrien yhtäläisyyksien mittaamiseen. Heidän työnsä johti siihen, että VOCCluster-lähestymistapa saavutti parempia tuloksia verrattuna huippuluokan algoritmeihin, kuten DBSCAN ja OPTICS.

   Valvotut ja puolivalvotut tekoälymallit Valvottua koneoppimista voidaan käyttää myös syövän havaitsemiseen. Begum et ai. tutkii leukemian tunnistamista syövän biomarkkereiden perusteella. Analyysiaan he harkitsivat Naive Bayes- (NB), K-Lähimpien naapureiden (KNN) ja Support Vector Machines (SVM) -algoritmeja ohjattua oppimista varten. Heidän kokeilunsa suoritettiin muuttamalla harjoitussarjan kokoa (eli käytettiin 20, 33 ja 48 näytteen junaa) ja 33 näytettä testikokoa varten. Kaikissa tapauksissa SVM-algoritmien pisteet olivat parempia kuin muut algoritmit, mutta kirjoittajat päättelivät, että tulevat tutkimukset ovat tarpeen.

   Zhou et ai. tutki keuhkosyövän havaitsemista 236 hengitysnäytteestä (176 tervettä ja 60 potilasta) käyttämällä ohjattua oppimista. Jokainen näyte koostuu 308 ominaisuudesta, jotka on erotettu kromatogrammista, kun taas niiden kokeellinen kokoonpano perustui gradientin tehostuspäätöspuun algoritmiin. Näitä parametreja käyttämällä ne saavuttivat 85 %:n tarkkuuden arvioituna 6-kertaisella ristiinvalidaatiolla. Tilastollisen bootstrap-analyysin perusteella 72 % näytteistä on merkitty "luottamuksellisiksi" 93 %:n tarkkuudella luotettavista näytteistä ristiinvalidaatiossa.

   Lopuksi puolivalvottua koneoppimista on sovellettu tehokkaasti keuhkoihin liittyvien sairauksien, kuten SARS-CoV-2:n, havaitsemiseen. Lisäksi Shi et al.:n työssä ehdotetaan puolivalvottua syväsiirto-oppimismenetelmää keuhkosyöpään viittaavien keuhkokyhmyjen havaitsemiseksi. Nämä tutkimukset osoittavat, että hengitysanalyysiin perustuvien sairauksien havaitsemiseen on mahdollista käyttää sekä ohjattuja että puoliohjattuja oppimismenetelmiä. Kaikki edellä mainitut työt kuitenkin päättelivät, että lisätutkimusta tarvitaan näiden teknologioiden parantamiseksi ja toimivan ratkaisun aikaansaamiseksi, jota voidaan käyttää lääketieteellisessä hoidossa.

   VOCORDERin tilastollisen analyysin suunnittelu VOCORDER-projektin tavoitteena on kehittää laite useiden hengitykseen liittyvien sairauksien havaitsemiseen. Näiden sairauksien havaitsemisen ja luokittelun mahdollistamiseksi hankkeessa tutkitaan useita malleja, mukaan lukien valvotut, valvomattomat ja puolivalvotut lähestymistavat. Lisäksi VOCORDER-projektissa hyödynnetään selitettävää tekoälyteknologiaa, jolla pyritään maksimoimaan lopullisten mallien tarkkuus. Tässä vaiheessa on ennenaikaista esittää yksityiskohtaisia ​​tilastollisia analyyseja mittausten puuttumisen vuoksi.

   Kirjallisuuden mukaan yksi toteuttamiskelpoinen strategia sisältää kehittyneiden luokitustekniikoiden, kuten SVM:n, K-NN:n, NB:n tai päätöspuiden, käyttämisen taudin havaitsemisen tutkimiseksi. Uusi lähestymistapa sisältää kehittyneitä tekoälymalleja, kuten LSTM- tai CNN-pohjaisia ​​malleja. Selittäviä tekoälymenetelmiä sovelletaan paitsi sairauden todennäköisyyden arvioimiseen, myös tekoälymallin päätelmien perustelujen selvittämiseen.

   Otoskoon laskenta VOCORDERin projektissa, joka pyrkii rakentamaan puolueettomia koneoppimismalleja eri sairauksien diagnosoimiseksi, olemme laskeneet huolellisesti tarvittavan otoskoon tiukkoja tilastollisia kriteerejä noudattaen. Erillisten kahden luokan ongelmien analysoimiseksi, kuten terveiden yksilöiden ja tietystä sairaudesta kärsivien erottamiseksi toisistaan, tavoitteenamme on saavuttaa vähintään 90 prosentin herkkyys ja spesifisyys. Tämä tavoite edellyttää vähintään 35 koehenkilöä luokkaa kohden, mikä tukee tutkimusta 95 prosentin luottamustasolla ja 10 prosentin virhemarginaalilla. Vaikka tämä marginaali ylittää tyypillisesti suositellun 5 % sairauksiin liittyvälle tutkimukselle, se toimii alustavana standardinamme. Kun tutkimukseemme sisällytettiin neljä erillistä sairautta, vaatimus kohoaa vähintään 35 koehenkilöön kussakin sairauskategoriassa. Lisäksi terveiden osallistujien ryhmän on oltava huomattavasti suurempi, jotta otettaisiin huomioon sairauksien esiintyvyyden demografiset erot, kuten rintasyövän korkeampi esiintyvyys naisten keskuudessa. Tämä strateginen otoskoon määritys on avainasemassa puolueettomien ja tehokkaiden koneoppimismallien menestyksekkäässä kehittämisessä.