Un metodo di apprendimento approfondito per valutare il QT su Ribociclib (QT-RIBRATING)

Il "deep-learning" è un metodo in rapida crescita di apprendimento automatico (intelligenza artificiale, AI) che sta suscitando l'interesse del comitato scientifico in molti campi medici. Questi metodi consentono di generare corrispondenze tra input grezzi (come il segnale digitale dall'ECG) e gli output desiderati (ad esempio, la misurazione del QTc). A differenza dei tradizionali metodi di machine learning, che richiedono l'estrazione manuale di dati strutturati e predefiniti da input grezzi, i metodi di deep learning apprendono queste funzionalità direttamente dai dati grezzi, senza linee guida predefinite. Con l'avvento dei big data e il recente aumento esponenziale della potenza di calcolo, questi metodi possono produrre modelli con prestazioni eccezionali. I ricercatori hanno recentemente utilizzato questo tipo di metodo utilizzando reti neurali artificiali multistrato, per creare un'applicazione basata su un modello che trasforma direttamente i dati digitali grezzi degli ECG (.xml) in una misura di QTc paragonabile a quelli che rispettano i più alti standard riguardanti riproducibilità.

Lo scopo principale di questo studio è studiare le prestazioni del nostro modello DL-AI per la misurazione del QTc (vs. best standards of QTc measurements, TCM) applicato al monitoraggio ECG raccomandato dopo la prescrizione di ribociclib per le pazienti affette da carcinoma mammario nelle cure cliniche di routine. Gli investigatori acquisiranno l'ECG con diversi dispositivi, inclusi dispositivi semplificati (acquisizione di una/tre derivazioni, frequenza di campionamento a bassa frequenza: 125-500 Hz) per determinare se saranno ugualmente performanti rispetto alla macchina di acquisizione a 12 derivazioni per valutare il QTc in questa impostazione.