人工知能ベースのスクリーニング ツールのための卵巣がんと子宮内膜がんの予測因子

方法論:

この調査には 2 つの異なる段階が含まれます

1. 最初の段階では、コホート研究を実施して、各タイプのがんの可能な予測因子を特定します
2. 第 2 段階では、がんの発生を予測するための人工知能モデルに基づくポイント オブ ケア テストの開発と、診断研究方法を使用した新しい参加者の前向きテストを取り上げます。 このツールは、現在の組織病理学の結果と、1 年以内の将来の組織病理学の可能性を予測します。

参加者とデータソース 研究センターでは、婦人科に関連する症状の有無にかかわらず、女性が婦人科および病理学的評価を受け、研究センターの卵巣がんおよび子宮内膜がんが関与していた可能性を除外しました。 データはデジタルで保存され、それに応じて抽出が行われます

変数と結果の測定

1. 人口統計データと健康データ この情報は、年齢、体格指数、慢性疾患、婦人科および産科プロファイル、月経パターン、避妊など、患者の初期評価から取得されます
2. 臨床および検査データには、全血球計算、選択されたがん関連バイオマーカー (がん抗原 125 (Ca-125) など)、リンパ節の関与、関連組織の組織病理学、および臨床または放射線学的データによる転移の徴候が含まれます。
3. がんの種類を決定するために、少なくとも 2 人の病理学者によって評価された最終的な組織病理学の種類と分類。 分類のガイドラインは、世界保健機関の分類に従います

人工知能に基づくスクリーニングツールの開発

1. 研究者が開発します

   - ユーザーが各予測因子に応答する情報ベースのモデル

   - ユーザーが予測用にキャプチャした画像を提供する画像ベースのモデル

   - ユーザーがキャプチャした画像と各予測因子の情報を組み合わせることができる混合ベースのモデル

2. 提案モデル

   - 回帰係数から導出されたスコアリングベース

   - 決定木

   - ランダムフォレスト

   - 人工ニューラルネットワーク

   • 畳み込みニューラル ネットワーク
3. モデルの選択

1. 分割データのスクリーニング パフォーマンス (またはクロス検証手法を使用)

2. 対数損失または尤度の評価

   タイムライン

   1. 研究の最初の段階では、参加者ごとに時変評価が行われますが、少なくとも参加者はベースラインですべての要因と結果の評価を受けます。 医師の提案に従って、ベースライン評価から1年以内に評価を繰り返します。

   2. 2 番目の研究では、前向きスクリーニングが適用されます。 人工知能ベースのスクリーニング ツールは、診断のゴールド スタンダードと同時に使用されます。

   バイアスの可能性特に信頼性の結果の解釈における手続き上のバイアスは、複数の病理学者が関与することによって処理されます。 病理学者とスクリーナーは、新しく開発されたスクリーニングツールによって提供される以前の結果の傾向を減らすために、スクリーニングを個別に実行します。

   サンプルサイズ

   1. 研究の最初の段階では、

a. 女性のすべてのがんのうち、両方のがんの有病率は 5% を占めた b. ５％に設定されたタイプＩエラー ｃ． 1サンプル比率式を使用した有病率の絶対誤差1％、推定サンプルサイズは1825人の参加者です。

2. 診断研究に続いて、新しいスクリーニングツールモデルは、ゴールドスタンダードとして組織病理学に対して非劣性のパフォーマンスを示すと述べています。

a.新しいスクリーニングツールが 85% の感度を持ち、組織病理学の感度が 90% であると仮定すると、感度値の予想される差は 5% です。クロスオーバーテストが行​​われ、スクリーニング介入の均等な割り当てが作成されます c. ５％に設定された試験のタイプ１エラー ｄ． 前向きスクリーニングツールの合計サンプルサイズの 80% に設定された研究の検出力は 1080 人の参加者になります

データの定量化と離散化 いくつかの臨床情報は、ボディマス指数などの確立されたガイドラインに従って分類されます。

提案された統計分析

1. 記述統計と二変量解析
2. ベースラインからイベントまでのタイムラインに従って cox 回帰が実行されます。
3. サブグループ分析は、特に特定の人口統計学的および併存疾患で行われます。

第 2 段階では、分析によって

1. 感度
2. 特異性
3. 正確さ
4. 精度
5. 選択した数の処理が必要なモデルがアプリケーションにデプロイされます。