Algorithmes d'IA dans la prédiction de l'ACS basés sur les propriétés des leucocytes

L'essai clinique AI-ACS est une étude observationnelle monocentrique visant à évaluer les performances diagnostiques des algorithmes d'IA qui utilisent les données des globules blancs (WBC) pour prédire le syndrome coronarien aigu (SCA) chez les patients présentant une douleur thoracique aiguë. Cet essai exploite une intelligence artificielle avancée pour analyser les mesures de haute dimension des propriétés des leucocytes afin d'améliorer la prédiction et la différenciation du SCA des autres causes non cardiaques de douleur thoracique, en comparant ces prédictions aux mesures traditionnelles de troponine cardiaque à haute sensibilité (hs-cTn).

Description technique du protocole d'étude

L'essai AI-ACS utilise une conception cas-témoins prospective et observationnelle menée à l'Université médicale de Graz. Il est structuré en deux phases principales : la formation et les tests des modèles d'IA. Les données WBC sont collectées au moyen de tests sanguins de routine effectués lors de l'admission du patient, à l'aide des analyseurs d'hématologie de la série Sysmex XN. Ces données sont utilisées à intervalles réguliers pour entraîner les algorithmes d’IA, dans le but d’affiner leur précision diagnostique au cours de l’étude.

Procédures d’assurance qualité et de registre

L'essai AI-ACS intègre plusieurs mesures pour garantir la qualité et l'intégrité des données collectées, ainsi que le respect des procédures opérationnelles standard :

Plan de validation des données et d’assurance qualité :

Une surveillance continue sur site et des audits périodiques sont effectués pour garantir le respect du protocole clinique et la conformité réglementaire.

Des procédures de validation des données sont mises en œuvre pour vérifier l'exactitude et la cohérence des données WBC saisies dans la base de données de l'étude. Les contrôles de données automatisés comparent les nouvelles entrées à des règles prédéfinies en termes de plage et de cohérence avec d'autres champs de données.

Vérification des données sources :

La vérification des données sources est effectuée en comparant les données électroniques capturées dans la base de données de l'étude avec les dossiers médicaux originaux et les rapports de laboratoire pour évaluer l'exactitude et l'exhaustivité des données.

Dictionnaire de données:

L'étude utilise un dictionnaire de données détaillé qui comprend des descriptions de chaque variable collectée, y compris la source de la variable (par exemple, données démographiques du patient, résultats de laboratoire), les informations de codage et les plages normales. Ce dictionnaire aide à maintenir la cohérence dans l’interprétation et l’analyse des données.

Procédures opérationnelles standard (SOP) :

Les SOP pour le recrutement des patients, la collecte de données, la gestion des données, l'analyse et la création de rapports sont bien documentées et suivies tout au long de l'étude. Ces procédures comprennent des étapes détaillées pour gérer les événements indésirables et les modifications du protocole d'étude.

Évaluation de la taille de l’échantillon :

L'étude est conçue avec un échantillon de 2 100 participants pour la formation (700 par cohorte) et de 600 pour les tests (300 par cohorte), calculés pour fournir une puissance suffisante pour détecter des différences significatives dans les performances diagnostiques des modèles d'IA par rapport au hs-cTn.

Plan pour les données manquantes :

Les procédures visant à traiter les données manquantes ou incohérentes comprennent des techniques d'imputation et des analyses de sensibilité pour évaluer l'impact des données manquantes sur les résultats de l'étude.

Plan d'analyse statistique :

Le plan d'analyse statistique décrit les méthodes utilisées pour évaluer les performances diagnostiques des modèles d'IA, y compris l'analyse de la courbe des caractéristiques de fonctionnement du récepteur (ROC), les calculs de l'aire sous la courbe (AUC) et les évaluations de sensibilité et de spécificité. Des comparaisons des modèles d'IA avec les mesures hs-cTn seront effectuées à l'aide de modèles de régression logistique ajustés pour les facteurs de confusion potentiels.

Objectifs et hypothèses de l'étude

L'objectif principal de l'essai AI-ACS est de former et de valider des modèles d'IA capables de prédire avec précision l'ACS à partir des données WBC, dépassant potentiellement les performances diagnostiques des tests hs-cTn standard. L'hypothèse est que l'analyse basée sur l'IA des propriétés des leucocytes peut différencier plus précisément les causes de douleur thoracique liées au SCA et celles non liées au SCA, améliorant ainsi la prise de décision clinique et réduisant les interventions médicales inutiles.

En faisant progresser la manière dont nous utilisons les tests sanguins de routine grâce à l'IA, l'essai AI-ACS vise à améliorer l'identification rapide des patients à risque de SCA, transformant ainsi potentiellement la norme de soins en matière de diagnostic cardiovasculaire d'urgence.