Predizione Precoce della Displasia Broncopolmonare nei Neonati Prematuri Utilizzando Dati Clinici

Antefatto:

Il parto prematuro è una delle principali cause di morbilità e mortalità neonatale. La displasia broncopolmonare (DBP) è una delle malattie polmonari croniche più comuni nei neonati pretermine, in particolare in quelli con età gestazionale o peso alla nascita molto bassi. La DBP aumenta la dipendenza a lungo termine dall'ossigeno, la durata della degenza ospedaliera e le complicanze respiratorie. La previsione precoce della DBP è cruciale per ottimizzare la gestione clinica.

L'età gestazionale, il peso alla nascita, la durata della ventilazione meccanica, la terapia con ossigeno, le infezioni e i fattori emodinamici sono noti fattori di rischio per la DBP. Sono stati sviluppati diversi modelli di rischio clinico per prevedere la DBP precocemente, ma la loro applicabilità clinica è limitata.

I recenti progressi nell'intelligenza artificiale (IA) e nel machine learning hanno dimostrato potenzialità nell'analizzare i dati clinici e nel prevedere il rischio di malattia. I modelli linguistici di grandi dimensioni (LLM) come ChatGPT, Gemini e Claude possono interpretare complessi dataset clinici e generare previsioni di rischio. Tuttavia, gli studi che valutano le loro prestazioni nella previsione della DBP nei neonati pretermine sono limitati.

Obiettivo:

Valutare retrospettivamente le prestazioni di diversi LLM nel prevedere la DBP nei neonati pretermine (<32 settimane di gestazione o <1.500 grammi) utilizzando dati clinici dalle settimane postnatali 1, 2 e 3. Lo studio mira a confrontare le previsioni generate dall'IA con gli esiti clinici effettivi.

Disegno dello studio:

Studio retrospettivo, osservazionale, monocentrico I dati clinici dalla TIN dell'Ospedale Civile di Konya saranno estratti dalle cartelle cliniche e anonimizzati I modelli di IA (ChatGPT, Gemini, Claude) riceveranno dataset standardizzati inclusi età gestazionale, peso alla nascita, sesso, supporto respiratorio, fabbisogno di ossigeno, durata della ventilazione meccanica, stato infettivo e altri parametri rilevanti Le previsioni dell'IA classificheranno il rischio di DBP come basso, medio o alto con percentuali di probabilità stimate

Partecipanti:

Inclusione: Neonati pretermine <32 settimane di gestazione o <1.500 grammi, con dati clinici completi, seguiti in TIN durante il periodo di studio Esclusione: Neonati con importanti anomalie congenite, dati clinici incompleti o morte postnatale precoce

Esiti:

Primario: Accuratezza dei modelli di IA nel prevedere la DBP rispetto agli esiti clinici effettivi Secondari: Sensibilità e specificità delle previsioni dell'IA, confronto delle previsioni settimanali, confronto delle prestazioni tra i modelli di IA

Analisi statistica:

Statistiche descrittive (media, DS, conteggi, percentuali) Metriche di prestazione della previsione: accuratezza, sensibilità, specificità, analisi ROC Confronto dei modelli e delle previsioni settimanali utilizzando il test di DeLong Significatività statistica: p < 0,05

Ambiente:

Monocentrico, ospedaliero, TIN dell'Ospedale Civile di Konya Raccolta dati clinici retrospettiva

Campione:

Popolazione target: Neonati pretermine ad alto rischio per DBP (<32 settimane o <1.500 grammi) Dimensione del campione: Minimo 108 neonati calcolato utilizzando il software G-power (potenza 80%, significatività 5%, dimensione dell'effetto medio = 0,3)

Protocollo del modello di IA:

Prompt standardizzati per ogni settimana postnatale:

Dati clinici di un neonato pretermine alla [1ª/2ª/3ª] settimana postnatale:

• Età gestazionale: [settimane + giorni]
• Peso alla nascita: [grammi]
• Sesso: [maschio/femmina]
• Steroidi antenatali: [Sì/No]
• Terapia con surfattante: [conteggio dosi]
• Supporto respiratorio: [VM/CPAP/HFNC]
• Fabbisogno di FiO2: [%]
• Stato sepsi/PDA: [Sì/No]

Prevedere il rischio di DBP (Basso/Medio/Alto) e fornire la probabilità (%) per ciascuna categoria.

Etica:

Studio approvato dal comitato etico istituzionale Dati anonimizzati e riservatezza mantenuta