Convalida del dispositivo Vocorder in ambienti clinici - Monitoraggio continuo degli individui (Vocorder Clinical Validation-VCV) (VCV)

Progetto dello studio L'ipotesi Nello studio della respirazione, si è scoperto che diversi COV, modelli di COV e relazioni tra i cambiamenti nei modelli di COV sono correlati a diversi tipi di malattie. Pertanto, i cambiamenti nei modelli di COV dell’aria espirata sono correlati a condizioni particolari, misurate da specifici profili COV correlati alla malattia.

Contesto e obiettivi dello studio Questo studio clinico è stato condotto come parte del progetto HORIZON-EIC-2022 PATHFINDER CHALLENGES-01-04 intitolato Vocorder, una nuova tecnologia per l'analisi del respiro. Raccolta di campioni di respiro per l'analisi dei COV (pazienti e gruppo di controllo), i COV potrebbero essere già presenti a un livello base. Lo strumento VOCORDER sarà comunque in grado di risolvere quelle differenze di concentrazione causate da cambiamenti nel metabolismo e di discriminare quelle eventualmente già presenti nell'aria ambientale. Pertanto, l'analizzatore consentirà una misurazione in situ risolta nel tempo di diversi gas (ad esempio, COV), registrando il loro profilo di concentrazione all'interno di singoli respiri con una supervisione minima e quasi nessuna metodologia rigorosa. Tuttavia, in questa fase di validazione verrà applicata una metodologia rigorosa per garantire la validità dell'approccio e la discrezione del metodo.

Le analisi dell'espirato verranno eseguite utilizzando prototipi di analizzatori dell'espirato basati su laser in grado di rilevare contemporaneamente un piccolo numero di gas. Analizzatore automiscelante QCL mid-IR basato su array per il rilevamento di COV con intervallo di misurazione compreso tra 10 e 100 ppb, limite di rilevamento vicino a 1 ppb, risoluzione vicina a 1 ppb e precisione vicina a ± 1 ppb. L'identificazione dei composti si baserà su una libreria spettrale di massa NIST e sul confronto dei loro indici di ritenzione con la libreria di indici ottenuti per gli standard di riferimento. L'analizzatore del respiro iniziale potrà essere testato sia su pazienti sani che su pazienti incubati, poiché il tubo di campionamento può essere collegato direttamente al ventilatore, oltre al suo utilizzo originale.

Questo studio clinico affronterà l'analisi di correlazione tra i profili dei COV del respiro rilevati dall'analizzatore del respiro VOCORDER e i dati medici elettronici raccolti da professionisti medici. Si prevede che i risultati ottenuti saranno essenziali per adattare la tecnologia dell'analisi del respiro nell'analizzatore del respiro VOCORDER verso la diagnosi precoce delle malattie di interesse.

Gli obiettivi principali di questo studio clinico sono i seguenti:

1. Utilizzare il dispositivo sviluppato in ambito clinico e determinarne i parametri operativi (volume respiratorio, numero e frequenza di campionamento clinico).
2. Convalidare le prestazioni del dispositivo e le misurazioni prodotte rispetto ad altre tecnologie pertinenti e/o al metodo di riferimento stabilito.
3. Investigare le potenziali principali correlazioni tra i gas rilevati nell'analisi del respiro e le malattie specifiche scelte per questo studio.

Endpoint primari e secondari

Endpoint primari:

Convalidare l'efficacia del dispositivo VOCORDER nella pratica clinica e promuovere ulteriormente la tecnologia dell'analisi del respiro.

Endpoint secondari:

1. Identificare e definire i parametri operativi della nuova tecnologia di analisi del respiro nella pratica clinica.
2. Confronta le prestazioni e i risultati della tecnologia VOCORDER con il metodo di riferimento GC-MS.
3. Studiare la correlazione tra condizioni preesistenti note e biomarcatori significativi di COV nel respiro esalato per malattie selezionate.
4. Esplora il potenziale dei biomarcatori COV nel respiro espirato per la diagnosi precoce delle malattie, facilitando la diagnosi tempestiva attraverso la correlazione con parametri medici chiave.

Requisiti per la conduzione dello studio clinico Centro di ricerca per l'attuazione e lo stato attuale di approvazione dei Comitati Etici Lo studio sarà condotto presso l'Ospedale MITERA. La clinica generale, la clinica maternità/ginecologica e l'ospedale pediatrico MITERA si sono affermate come una struttura sanitaria leader, fungendo da centro di assistenza completo per persone di tutte le età. Con 45 anni di attività, MITERA si distingue come uno degli ospedali privati ​​più stimati della Grecia, offrendo una vasta gamma di servizi sanitari di alta qualità mirati alla prevenzione, diagnosi e trattamento in vari campi medici. MITERA ospita tre cliniche: la Clinica Generale, la Clinica Maternità/Ginecologica MITERA e la clinica pediatrica privata più completa in Grecia, l'Ospedale Pediatrico MITERA. L'impegno nel fornire cure e servizi infermieristici eccezionali è di alta qualità presso le Cliniche MITERA, dove un team dedicato di medici, infermieri e ostetriche, supportato da un supporto amministrativo e tecnico completo, è disponibile 24 ore su 24, tutti i giorni dell'anno, per affrontare qualsiasi emergenza medica.

Il Consiglio Scientifico dell'ospedale ha autorizzato lo studio clinico. Lo studio sarà condotto dal gruppo di ricerca MITERA. Stato normativo

1. I requisiti del Regolamento generale sulla protezione dei dati (GDPR)
2. Regolamento (UE) 2016/679 del Parlamento Europeo e del Consiglio del 27 aprile 2016 sulla protezione delle persone fisiche con riguardo al trattamento dei dati personali, nonché sulla libera circolazione di tali dati e che abroga la direttiva 95/46/CE• WP29 : Parere 05/2014 sulle tecniche di anonimizzazione.
3. Verranno seguite le migliori pratiche di trattamenti/standard di cura. I pazienti verranno diagnosticati secondo queste migliori pratiche.
4. Anche se lo studio clinico non prevede trattamenti farmacologici, verranno seguiti i principi generali di Buona Pratica Clinica per garantire la qualità etica e scientifica.

5. Verranno presi in considerazione i principi definiti nelle linee guida delle agenzie di Health Technology Assessment, come EUnetHTA, in particolare i seguenti:

   • Comparatori e confronti. Criteri per la scelta del(i) comparatore(i) più appropriato(i).
   • Sintesi delle politiche attuali e linee guida sulle migliori pratiche.
   • Criteri degli endpoint per la valutazione dell'efficacia relativa: endpoint clinici
6. Lo studio sarà progettato e analizzato in conformità con i Principi statistici per le sperimentazioni cliniche (CPMP/ICH/363/96), Argomento ICH E9
7. AEPD: le linee guida AEPD sulle procedure di anonimizzazione dei dati personali forniranno un quadro per garantire la privacy e la protezione dei dati.
8. ENISA: Verranno seguite raccomandazioni per allineare gli sviluppi tecnologici al GDPR, in particolare per quanto riguarda le tecniche di pseudonimizzazione dei dati.
9. Il documento congiunto AEPD-EDPS sull’utilizzo delle funzioni hash per la pseudonimizzazione dei dati personali fungerà da riferimento per le strategie di protezione dei dati.
10. Associazione medica mondiale: Dichiarazione di Helsinki sui principi etici per la ricerca medica che coinvolge soggetti umani Consenso informato e informazione All'interno di VOCORDER, l'istituzione responsabile segue procedure specifiche e utilizza il modulo di consenso, garantendo il rispetto dei requisiti minimi di informazione per un consenso valido come delineato nella quadri di cui sopra. La partecipazione alla ricerca VOCORDER sarà del tutto volontaria per tutti i soggetti, con diritto di recedere da qualsiasi fase delle attività di ricerca senza incorrere in alcuna ripercussione o sanzione. Una scheda informativa completa che descrive lo scopo, la procedura, i rischi, ecc. della ricerca VOCORDER sarà fornita ai partecipanti insieme al modulo di consenso. Su richiesta è possibile recuperare un protocollo e una bozza di modelli per i moduli di consenso informativo. Verranno inoltre aggiunti nel Piano di gestione dei dati. I medici con formazione e qualificazione scientifica adeguata forniranno le informazioni. Il personale medico sarà in grado di rispondere alle domande poste dai soggetti e spiegare il processo da seguire, cosa viene richiesto al partecipante e i risultati attesi. Verrà garantito che i potenziali partecipanti abbiano compreso appieno le informazioni.

Il consenso sarà prestato liberamente dai partecipanti. Sarà garantito che gli stessi non si sentano obbligati o costretti in alcun modo a prestare il consenso. I partecipanti acconsentiranno per iscritto, in particolare firmando il modulo di consenso informato e le schede informative presentate di seguito. Se il consenso non può essere dato per iscritto, ad esempio a causa dell'analfabetismo, il consenso non scritto deve essere formalmente documentato e testimoniato in modo indipendente. Il consenso è un processo continuo, soprattutto negli studi a lungo termine come quello di VOCORDER. I partner responsabili del progetto favoriranno un dialogo continuo con i partecipanti e li informeranno di qualsiasi cosa diversa/nuova relativa alla sperimentazione.

Approvazione da parte del Comitato Etico Per migliorare il controllo delle procedure etiche durante tutto il ciclo di vita del progetto, sarà istituito un IEC di VOCORDER. Questo comitato svolgerà un ruolo dominante nel garantire il rispetto del principio etico prescritto dalla legislazione in tutte le fasi del progetto, dallo sviluppo del protocollo alla pubblicazione dei risultati. Inoltre, il comitato collaborerà con i comitati etici locali nei sei paesi partecipanti per affrontare eventuali reclami dei partecipanti sollevati durante lo studio. L’IEC avrà il compito di compilare e presentare rapporti di sicurezza e provvisori ai competenti comitati etici nazionali, quando necessario.

Nomina di punti di contatto per questioni etiche e legali In conformità con le rispettive attività e il quadro normativo nazionale, ciascun partner coinvolto in VOCORDER nominerà un responsabile della protezione dei dati (DPO) e/o designerà una persona di contatto responsabile di affrontare le questioni legali ed etiche relative a le attività di ricerca del progetto.

Monitoraggio e reporting Verranno forniti rapporti regolari sul monitoraggio del rischio etico durante le riunioni del progetto. È allo studio la formulazione e la distribuzione di un questionario etico internamente ai partner coinvolti nell'avanzamento tecnico per garantire l'allineamento con i requisiti etici. L'IEC sarà responsabile di affrontare qualsiasi questione sollevata dai partner del progetto in tutte le istanze e collaborerà con il rispettivo rappresentante delle questioni legali ed etiche definite da ciascuna entità. VOCORDER valuterà i propri risultati in tutte le fasi dell'implementazione del progetto rispetto a questi requisiti per garantire una copertura completa.

Fasi dello studio clinico

Lo studio clinico è uno studio prospettico di coorte e sarà condotto in due fasi:

• 1a Fase: Fase di base (ottobre 2024-agosto 2025)
• 2° Fase: Fase di Validazione – Validazione della tecnologia VOCORDED (Maggio-Dicembre 2026)

Fasi dello studio clinico

Lo studio clinico è uno studio prospettico di coorte e sarà condotto in due fasi:

• 1a Fase: Fase di base (ottobre 2024-agosto 2025)
• 2° Fase: Fase di Validazione - Validazione della tecnologia VOCORDED (maggio-dicembre 2026) Fase Baseline L'implementazione di questa fase è ritenuta necessaria per definire i parametri operativi fondamentali della tecnologia prodotta al fine di consentire il passaggio alla validazione finale del dispositivo in ambito campo clinico. L'obiettivo di cui sopra sarà raggiunto con il contributo del meccanismo di intelligenza artificiale (WP.4) e l'analisi dei dati grezzi dei gruppi di ricerca tecnologica coinvolti nella progettazione dell'analizzatore del respiro. In questa fase vengono arruolati pazienti e controlli sani e le misurazioni dei gas prodotti vengono analizzate utilizzando il metodo di riferimento GC-MS.

Fase di validazione (fase di validazione VOCORDER) Durante questa fase, la tecnologia VOCORDER viene sottoposta a valutazione clinica sia da pazienti che da volontari sani. L'analisi prevede la misurazione dei gas emessi dai partecipanti, utilizzando sia il metodo di riferimento standard che la tecnologia VOCORDER per il confronto.

Malattie

Verranno studiate le seguenti malattie:

1. Cancro ai polmoni
2. Cancro gastrico e del colon
3. Tumore al seno
4. Insufficienza renale
5. Infezioni - Polmonite (acquisita in comunità e in ospedale) La selezione di queste malattie si è basata sulla revisione della letteratura esistente da parte del team dell'ETH (compito 2.1) e sul successivo adattamento dei risultati per allinearli alle capacità di VOCORDER di rilevare biomarcatori di gas specifici per il diagnosi precoce di malattie selezionate (compito 2.2) .

Pazienti e popolazione sana di controllo Controlli sani Almeno 120 controlli sani di entrambi i sessi, di età compresa tra 20 e 75 anni, che non soffrono delle malattie in esame saranno selezionati per la partecipazione allo studio contemporaneamente ai pazienti. Si prevede che vengano prelevati almeno 2-3 campioni di respiro da ciascun controllo potenziale in giorni diversi alla stessa ora del giorno. Gli stessi controlli sani parteciperanno ad entrambe le fasi dello studio e i campioni di respiro ottenuti verranno analizzati utilizzando entrambi i metodi.

I volontari sani vengono selezionati tra il personale ospedaliero o tra pazienti ricoverati in ospedale per altro motivo. I futuri controlli compileranno un questionario con dati demografici e anamnestici dopo essere stati informati in dettaglio sullo studio dal team VOCORDER di MITERA. Il questionario verrà analizzato dal team di progetto e, se si conclude che la persona può partecipare allo studio, il partecipante firmerà un modulo di consenso.

Popolazione di pazienti Fase basale

Pazienti: un totale di 175 pazienti, 35 per ciascuna malattia, di età compresa tra 18 e 75 anni di entrambi i sessi, selezionati secondo i seguenti criteri di inclusione:

1. Pazienti> 18 anni di entrambi i sessi
2. Devono essere in grado di comunicare e comprendere le informazioni fornite loro dal personale MITERA.
3. Soffre della malattia oggetto dell'indagine.
4. La malattia deve essere allo stadio più precoce possibile, vale a dire che i pazienti non devono ancora aver iniziato il trattamento.

5. I pazienti non dovrebbero avere altre comorbidità gravi che influenzino le misurazioni derivate. I pazienti saranno selezionati in collaborazione con i medici responsabili del trattamento e/o del ricovero dei pazienti affetti dalle patologie oggetto di studio.

   I criteri 1, 2 e 3 sono obbligatori per l'arruolamento nello studio. Per l’arruolamento dei pazienti nello studio la documentazione specifica della malattia dovrebbe essere a disposizione del team di progetto come segue:

   Per la diagnosi di cancro è necessario documentare quanto segue:

   • Il tipo di cancro si basa sui risultati istopatologici e sui risultati degli indicatori specifici.
   • Lo stadio della malattia si basa sugli esami radiologici ed ematologici.

   Per le infezioni - diagnosi di polmonite è necessario accertare quanto segue:

   • La diagnosi di polmonite si basa sui risultati dell'X torace, sulla sindrome clinica e sullo stato degli indicatori infiammatori (giorno 1).
   • La determinazione di laboratorio dell'agente patogeno ha causato la sindrome clinica (se è possibile isolarlo da campioni clinici)
   • La gravità clinica della malattia basata sul punteggio CURB 65/SMART COP rispettivamente per i pazienti con polmonite comunitaria o acquisita in ambito sanitario e sul punteggio Apache II per i pazienti ospedalizzati in terapia intensiva.

   Per l'insufficienza renale è necessario:

   • Documentazione della malattia renale cronica
   • Determinazione dello stadio della malattia in base ai tassi CFR.
   • Trattamento emodialitico Criteri di esclusione
   • Mancanza di consenso firmato
   • Mancanza di collaborazione per qualsiasi motivo
   • Mancato rispetto delle raccomandazioni sui requisiti prima della procedura di campionamento del respiro
   • Impossibilità di fornire un campione affidabile del respiro
   • Qualsiasi trattamento, dieta specifica, intervento chirurgico o altro intervento iniziato tra il prelievo di campioni per i COV dell'espirato.

   Una volta che il paziente è stato informato dal team MITERA responsabile del progetto e ha accettato di partecipare allo studio, dovrà leggere e firmare il relativo modulo di consenso alla partecipazione. Questionari simili con i controlli (moduli di raccolta dati) saranno completati per i pazienti partecipanti allo studio.

   Campionamento: vengono prelevati almeno due campioni di respiro (1 L ciascuno) da ciascun paziente in condizioni simili e analizzati (ad esempio in giorni diversi ma alla stessa ora del giorno). I campioni di respiro verranno analizzati in questa fase utilizzando il metodo di riferimento. Nella fase finale verranno archiviati e analizzati utilizzando il metodo VOCORDER. Il metodo di prelievo del campione dell'espirato sarà conforme alle raccomandazioni che seguono il metodo di riferimento.

   Fase di validazione Pazienti: La fase finale dello studio clinico coinvolgerà 100 pazienti, 20 per ciascuna patologia. I pazienti saranno selezionati secondo i criteri sopra indicati come nella fase basale.

   Campionamento: i campioni di respiro verranno analizzati utilizzando entrambe le metodologie. Vengono prelevati almeno due campioni di respiro da ciascun paziente in condizioni simili e analizzati (ad esempio in giorni diversi ma alla stessa ora del giorno). Il metodo di prelievo del campione dell'espirato sarà conforme alle raccomandazioni che seguono il metodo di riferimento e i requisiti tecnici specifici di VOCORDER.

   Tabella 1 Descrizione delle fasi cliniche Fasi cliniche FASE BASELINE FASE DI VALIDAZIONE Pazienti e popolazione sana di controllo Pazienti Gruppo 1 Controlli sani Pazienti Gruppo 2 Controlli sani Dimensioni della popolazione (No) 175 120 (almeno) 100 120 Metodologia delle analisi del respiro SESI-MS e Metodo di riferimento GC-MS Metodo di riferimento SESI-MS e GC-MS Metodo di riferimento SESI-MS e GC-MS Metodo di riferimento SESI-MS e GC-MS metodo Tecnologia Vocorder Tecnologia Vocorder

   Metodologia di analisi del respiro Durante la fase basale iniziale, il metodo di riferimento della spettrometria di massa sarà utilizzato per analizzare il respiro esalato di pazienti e volontari sani. I campioni dell'alito vengono raccolti in sacche per il campionamento del gas da 1 litro e verranno inviati al laboratorio di analisi dell'espirato dell'ETH di Zurigo per l'analisi offline.

   Nella successiva fase di validazione, i campioni clinici vengono analizzati utilizzando entrambi i metodi, la tecnica VOCORDER e il metodo di riferimento della spettrometria di massa per garantire un solido confronto e validazione dei risultati.

   Malattie e raccolta dati (AIDEAS, MITERA) Inoltre, una valutazione approfondita dei fattori di rischio per varie condizioni di salute rivela una complessa interazione tra predisposizione genetica, esposizioni ambientali, scelte di vita e condizioni di salute sottostanti. Per il cancro ai polmoni, indiscutibilmente, il principale fattore di rischio rimane il fumo di tabacco, con circa l’85% dei casi di cancro ai polmoni direttamente attribuibili al fumo, inclusa l’esposizione al fumo passivo (CDC, 2021). L’esposizione al radon, le esposizioni professionali a sostanze come l’amianto, alcuni metalli e gli scarichi diesel, nonché l’inquinamento atmosferico, contribuiscono ulteriormente al rischio, insieme a una storia familiare di cancro ai polmoni (American Cancer Society, 2021).

   L’eziologia multifattoriale del cancro al seno coinvolge fattori ormonali come il menarca precoce, la menopausa tardiva e la terapia ormonale sostitutiva, combinati con fattori legati allo stile di vita come il consumo di alcol, l’inattività fisica e l’obesità. I fattori genetici svolgono un ruolo significativo, con le mutazioni nei geni BRCA1 e BRCA2 che aumentano notevolmente il rischio. Inoltre, la storia riproduttiva, compresa l’età al primo parto e l’allattamento al seno, influenza i profili di rischio (National Breast Cancer Foundation, 2021).

   Il rischio di cancro gastrico è strettamente connesso alla dieta, all’infezione da Helicobacter pylori, al fumo e alla storia familiare. L'Agenzia Internazionale per la Ricerca sul Cancro (IARC) riconosce l'H. pylori come cancerogeno di classe I per il cancro gastrico. Inoltre, una dieta ricca di cibi affumicati, pesce e carne salati e verdure in salamoia è associata a tassi più elevati di cancro gastrico, soprattutto in regioni come l’Asia orientale dove questi alimenti sono gli alimenti di base della dieta (World Cancer Research Fund, 2020).

   La malattia renale cronica (IRC) e l’insufficienza renale derivano da condizioni come il diabete e l’ipertensione, che sono responsabili fino a due terzi dei casi. Altri fattori di rischio includono una storia familiare di malattie renali, età superiore a 60 anni ed etnia, con afroamericani, nativi americani e asiatici americani a maggior rischio. Anche l’uso cronico di FANS e l’esposizione a coloranti di contrasto nell’imaging comportano rischi (National Kidney Foundation, 2021).

   Infezioni come la polmonite sono influenzate dallo stato immunitario di un individuo, essendo particolarmente sensibili i soggetti molto giovani, gli anziani e gli individui immunocompromessi. Fattori ambientali come la qualità dell’aria, il fumo e l’esposizione a sostanze irritanti respiratorie sono essenziali, così come lo sono le malattie respiratorie croniche come l’asma e la broncopneumopatia cronica ostruttiva (BPCO). L’influenza stagionale può predisporre gli individui alla polmonite batterica, illustrando l’interrelazione tra infezioni virali e batteriche (CDC, 2021). Comprendere questi fattori di rischio è fondamentale per lo sviluppo di strategie preventive, metodi di diagnosi precoce e la formulazione di politiche di sanità pubblica volte a mitigare l’impatto di queste malattie.

   In conclusione, il nostro questionario completo integrerà un ampio spettro di informazioni demografiche e dettagli sull'anamnesi per valutare accuratamente il profilo di salute del partecipante. Dati demografici quali età, sesso, razza/etnia, reddito, livello di istruzione, occupazione, stato civile e posizione geografica offriranno uno sfondo contestuale per gli stati di salute individuali. Gli input dell'anamnesi, inclusi peso, altezza, indice di massa corporea, abitudine al fumo, consumo di alcol, abitudini alimentari, livelli di attività fisica, comorbilità e un registro dettagliato di malattie croniche, infezioni, uso di farmaci, interventi chirurgici e ricoveri, forniranno una visione più approfondita di ciascuno rischi per la salute del partecipante. Inoltre, valuteremo fattori psicologici come depressione e ansia, nonché influenze ambientali e di stile di vita come esposizioni professionali, predisposizioni genetiche, modelli di sonno e livelli di stress. Questi dati ci consentiranno di identificare correlazioni e modelli che potrebbero contribuire alla prevalenza e agli esiti della malattia, nonché alle concentrazioni di COV rilevate dalle analisi del respiro. Inoltre, le concentrazioni di molecole prodotte da queste malattie potrebbero variare a causa di processi endogeni come il ritmo circadiano o lo stato di salute dei soggetti o a causa di ulteriori fattori esterni come farmaci, uso di prodotti cosmetici o esercizio fisico. Questi fattori saranno, ove possibile, monitorati.

   Raccolta e caricamento dei dati clinici. I dati verranno raccolti dal team del progetto MITEPA e archiviati in una cartella di lavoro computerizzata all'interno dell'ospedale. La cartella è accessibile solo al team del progetto MITERA. I dati relativi al paziente verranno poi resi anonimi e inseriti in un database appositamente sviluppato e condiviso con gli altri partner - utenti autorizzati. Il database include anche i risultati utilizzando entrambe le metodologie.

   Garantire la protezione dei dati. La protezione dei dati personali dei pazienti partecipanti allo studio sarà garantita nel quadro della legislazione greca, del relativo GDPR europeo e dei regolamenti ospedalieri MITERA.

   Pianificazione dell'analisi statistica e calcolo della dimensione del campione (ICCS) In base alle esigenze del progetto VOCORDER, nell'attività 4.2 verrà fornita un'analisi statistica dagli spettri ad alta risoluzione dei dati dei campioni di respiro. Questa analisi utilizzerà diverse tecniche di intelligenza artificiale di diverse tecnologie per differenziare tra classi di campioni in termini di proprietà latenti correlate alla salute, inoltre, questo processo automatizzato identificherà correlazioni e dipendenze tra i parametri delle malattie selezionate, le singole bande di biomarcatori e i descrittori dai dati registrati .

   Per un approccio progettuale e un’analisi di successo dei campioni clinici è necessario indagare gli approcci all’avanguardia. La tabella 2 riassume i Composti Organici Volatili (COV) segnalati per le malattie del VOCORDER. I COV possono essere utilizzati per rilevare le malattie del VOCORDER sulla base dell'analisi statistica utilizzando diversi tipi di algoritmi di apprendimento automatico (ad esempio, non supervisionato, supervisionato, semi-supervisionato e XAI). I paragrafi successivi di questa sezione forniscono informazioni sugli attuali approcci all'avanguardia del machine learning. Gli approcci descritti in letteratura verranno utilizzati come conoscenza preliminare per la progettazione dei modelli di apprendimento automatico per il progetto VOCORDER dopo la raccolta riuscita dei campioni clinici.

   Tabella 2 Composti organici volatili dell'espirato espirato per le malattie VOCORDER. Malattie segnalate Composti organici volatili Cancro ai polmoni Isopropanolo Acetone Pentano Benzene Cancro gastrico e del colon Propanal Acetamide Isoprene 1,3-propandiolo Etilene Metil Isobutil chetone Acido acetico m-toluil aldeide 1,2,5 Trimetilbenzene Cancro al seno (S)-1,2-propandiolo Ciclopentanone Etilene Carbonato 3-metossi-1,2-propandiolo 3-metilpiridina fenolo tetrametilsilano Insufficienza renale cicloesanolo 3-idrossi-2-butanone 3-metilbutanale Dimero di isoprene Infezioni-polmonite Metanolo Acetaldeide Propiolonitrile 2-cloropiridina Modelli di IA non supervisionata Analisi dei componenti principali dell'IA non supervisionata (PCA) è stato studiato come soluzione per il rilevamento del cancro da campioni di respiro. Nel lavoro di Maiti et al., viene discusso un caso di studio di 63 volontari composto da campioni sani e non sani, tra cui pazienti con cancro al rene, cancro alla vescica e cancro alla prostata. La raccolta dei dati si è basata sulla spettroscopia a trasformata di Fourier nel medio infrarosso a banda larga senza laser per il rilevamento di gas metaboliti sensibili al cancro (ad esempio etilvinilchetone, acetaldeide, metil butirrato, ecc.). La loro analisi, supportata da metodi supervisionati, ha indicato che queste metodologie possono essere utilizzate per il rilevamento del cancro. Tuttavia, sono necessarie ulteriori ricerche.

   Una ricerca simile è stata applicata nel lavoro di Aslam et al. In questo caso hanno studiato la diagnosi del cancro gastrico in stadio iniziale sulla base del deep learning non supervisionato. Propongono un metodo innovativo per l'estrazione delle caratteristiche basato su un autocodificatore sparso impilato per estrarre caratteristiche discriminative da dati senza etichetta di campioni di respiro. I loro risultati indicano che le reti neurali sparse con autocodificatori deep-stacked sono in grado di raggiungere un'accuratezza complessiva del 98,7% per la classificazione avanzata del cancro gastrico e del 97,3% per il rilevamento precoce del cancro gastrico utilizzando l'analisi del respiro.

   Lo studio di Alkhalifah et al. hanno studiato il rilevamento del cancro attraverso l'analisi dei COV, analizzando 74 campioni di respiro clinico utilizzando la spettrometria di massa gascromatografica dei partecipanti. Propongono una tecnica di clustering non supervisionata denominata VOCCluster per misurare le somiglianze degli spettri di massa dei COV. Il loro lavoro ha portato l'approccio VOCCluster a ottenere punteggi migliori rispetto ad algoritmi all'avanguardia come DBSCAN e OPTICS.

   Modelli di intelligenza artificiale supervisionata e semi-supervisionata L'apprendimento automatico basato sulla supervisione può essere utilizzato anche per il rilevamento del cancro. Begum et al. studia l'identificazione della leucemia sulla base di biomarcatori del cancro. Per la loro analisi, hanno considerato gli algoritmi Naive Bayes (NB), K-Nearest Neighbours (KNN) e Support Vector Machines (SVM) per l'apprendimento supervisionato. La loro sperimentazione è stata eseguita modificando la dimensione del set di addestramento (ovvero, la dimensione del treno utilizzato di 20, 33 e 48 campioni) e 33 campioni per la dimensione del test. In tutti i casi, i punteggi dell’algoritmo SVM erano migliori rispetto agli altri algoritmi, tuttavia gli autori hanno concluso che sono necessari studi futuri.

   Zhou et al. hanno studiato il rilevamento del cancro al polmone da 236 campioni di respiro (176 sani e 60 pazienti) utilizzando l'apprendimento supervisionato. Ogni campione è composto da 308 caratteristiche estratte dal cromatogramma, mentre la loro configurazione sperimentale era basata sull'algoritmo degli alberi decisionali del gradient boost. Utilizzando questi parametri, hanno raggiunto una precisione dell'85% valutata con una convalida incrociata di 6 volte. Sulla base dell'analisi bootstrap statistica, il 72% dei campioni campionati è contrassegnato come "fiducioso" con un'accuratezza del 93% dei campioni sicuri nella convalida incrociata.

   Infine, l’apprendimento automatico semi-supervisionato è stato applicato in modo efficace nel rilevamento di malattie polmonari come la SARS-CoV-2. Inoltre, nel lavoro di Shi et al viene proposto un approccio di apprendimento con trasferimento profondo semi-supervisionato per il rilevamento di noduli polmonari che indicano il cancro del polmone. Questi studi dimostrano la fattibilità dell'utilizzo di metodi di apprendimento sia supervisionati che semi-supervisionati per l'individuazione di malattie basate sull'analisi del respiro. Tuttavia, tutti i lavori sopra menzionati hanno concluso che sono necessarie ulteriori ricerche per migliorare queste tecnologie e fornire una soluzione funzionante che possa essere utilizzata per le cure mediche.

   La pianificazione dell'analisi statistica di VOCORDER Il progetto VOCORDER mira a sviluppare un dispositivo per la rilevazione di diverse malattie legate al respiro. Per consentire l’individuazione e la classificazione di queste malattie, il progetto esplorerà una serie di modelli, compresi approcci supervisionati, non supervisionati e semi-supervisionati. Inoltre, il progetto VOCORDER utilizzerà la tecnologia dell’intelligenza artificiale spiegabile per cercare di massimizzare la precisione dei modelli finali. In questa fase è prematuro dettagliare analisi statistiche specifiche a causa dell’assenza di misurazioni.

   Secondo la letteratura, una strategia praticabile prevede l’impiego di tecniche di classificazione avanzate come SVM, K-NN, NB o Decision Trees per esplorare il rilevamento delle malattie. Un nuovo approccio include modelli avanzati di intelligenza artificiale, come i modelli basati su LSTM o CNN. Verranno inoltre applicati metodi di intelligenza artificiale spiegabile non solo per valutare la probabilità di una malattia, ma per chiarire la logica alla base delle conclusioni del modello di intelligenza artificiale.

   Calcolo della dimensione del campione Nello sforzo del progetto VOCORDER di costruire modelli imparziali di apprendimento automatico per diagnosticare varie malattie, abbiamo calcolato meticolosamente la dimensione del campione richiesta, aderendo a rigorosi criteri statistici. Per analizzare problemi separati di due classi, come la distinzione tra individui sani e quelli affetti da una malattia specifica, il nostro obiettivo è raggiungere una sensibilità e una specificità pari ad almeno il 90%. Questa ambizione richiede un minimo di 35 soggetti per classe, sostenendo lo studio con un livello di confidenza del 95% e un margine di errore fissato al 10%. Sebbene questo margine superi il 5% generalmente raccomandato per la ricerca correlata alle malattie, funge da nostro standard preliminare. Con l'inclusione di quattro malattie distinte nel nostro studio, il requisito sale a un minimo di 35 soggetti per ciascuna categoria di malattia. Inoltre, per riflettere le disparità demografiche nell’insorgenza della malattia, come la maggiore prevalenza del cancro al seno tra le donne, il gruppo di partecipanti sani deve essere significativamente più ampio. Questa determinazione strategica della dimensione del campione è fondamentale per lo sviluppo di successo di modelli di machine learning imparziali ed efficaci.