Algoritmi AI nella previsione dell'ACS basati sulle proprietà dei leucociti

Lo studio clinico AI-ACS è uno studio osservazionale monocentrico volto a valutare le prestazioni diagnostiche degli algoritmi AI che utilizzano i dati dei globuli bianchi (WBC) per prevedere la sindrome coronarica acuta (ACS) in pazienti che presentano dolore toracico acuto. Questo studio sfrutta l’intelligenza artificiale avanzata per analizzare misurazioni ad alta dimensione delle proprietà dei globuli bianchi per migliorare la previsione e la differenziazione dell’ACS da altre cause non cardiache di dolore toracico, confrontando queste previsioni con le tradizionali misurazioni della troponina cardiaca ad alta sensibilità (hs-cTn).

Descrizione Tecnica del Protocollo di Studio

Lo studio AI-ACS utilizza un disegno caso-controllo prospettico osservazionale condotto presso l’Università di Medicina di Graz. È strutturato in due fasi principali: training e testing dei modelli AI. I dati WBC vengono raccolti tramite esami del sangue di routine eseguiti al momento del ricovero del paziente, utilizzando gli analizzatori ematologici della serie Sysmex XN. Questi dati vengono utilizzati per addestrare gli algoritmi di intelligenza artificiale a intervalli regolari, con l’obiettivo di affinare la loro accuratezza diagnostica nel corso dello studio.

Procedure di controllo qualità e registro

Lo studio AI-ACS incorpora diverse misure per garantire la qualità e l'integrità dei dati raccolti, nonché l'aderenza alle procedure operative standard:

Piano di convalida dei dati e di garanzia della qualità:

Vengono condotti un monitoraggio continuo in loco e audit periodici per garantire l'aderenza al protocollo clinico e la conformità normativa.

Vengono implementate procedure di convalida dei dati per verificare l'accuratezza e la coerenza dei dati WBC immessi nel database dello studio. I controlli automatizzati dei dati confrontano le nuove voci con regole predefinite per intervallo e coerenza con altri campi dati.

Verifica dei dati di origine:

La verifica dei dati alla fonte viene effettuata confrontando i dati elettronici acquisiti nel database dello studio con le cartelle cliniche originali e i rapporti di laboratorio per valutare l'accuratezza e la completezza dei dati.

Dizionario dei dati:

Lo studio utilizza un dizionario di dati dettagliato che include le descrizioni di ciascuna variabile raccolta, inclusa la fonte della variabile (ad esempio, dati demografici del paziente, risultati di laboratorio), informazioni sulla codifica e intervalli normali. Questo dizionario aiuta a mantenere la coerenza nell'interpretazione e nell'analisi dei dati.

Procedure operative standard (SOP):

Le SOP per il reclutamento dei pazienti, la raccolta dei dati, la gestione dei dati, l'analisi e la reportistica sono ben documentate e seguite durante lo studio. Queste procedure includono passaggi dettagliati per la gestione degli eventi avversi e modifiche al protocollo dello studio.

Valutazione della dimensione del campione:

Lo studio è progettato con una dimensione del campione di 2100 partecipanti per la formazione (700 per coorte) e 600 per i test (300 per coorte), calcolata per fornire potenza sufficiente per rilevare differenze significative nelle prestazioni diagnostiche dei modelli AI rispetto a hs-cTn.

Piano per i dati mancanti:

Le procedure per affrontare i dati mancanti o incoerenti includono tecniche di imputazione e analisi di sensibilità per valutare l'impatto dei dati mancanti sui risultati dello studio.

Piano di analisi statistica:

Il piano di analisi statistica delinea i metodi utilizzati per valutare le prestazioni diagnostiche dei modelli AI, inclusa l'analisi della curva ROC (Receiver Operating Characteristic), i calcoli dell'area sotto la curva (AUC) e le valutazioni di sensibilità e specificità. I confronti dei modelli AI con le misurazioni hs-cTn saranno condotti utilizzando modelli di regressione logistica aggiustati per potenziali confondenti.

Obiettivi e ipotesi dello studio

Lo scopo principale dello studio AI-ACS è addestrare e convalidare modelli AI in grado di prevedere con precisione l'ACS dai dati WBC, superando potenzialmente le prestazioni diagnostiche dei test hs-cTn standard. L’ipotesi è che l’analisi basata sull’intelligenza artificiale delle proprietà dei globuli bianchi possa differenziare in modo più accurato tra cause di dolore toracico ACS e non-ACS, migliorando così il processo decisionale clinico e riducendo interventi medici non necessari.

Migliorando il modo in cui utilizziamo gli esami del sangue di routine con l’IA, lo studio AI-ACS cerca di migliorare la rapida identificazione dei pazienti a rischio di SCA, trasformando così potenzialmente lo standard di cura nella diagnosi cardiovascolare di emergenza.