白血球の特性に基づく ACS 予測の AI アルゴリズム

AI-ACS臨床試験は、急性胸痛を呈する患者の急性冠症候群（ACS）を予測するために白血球（WBC）データを利用するAIアルゴリズムの診断性能を評価することを目的とした観察的単一施設研究である。 この試験では、高度な人工知能を活用して白血球特性の高次元測定値を分析し、胸痛の他の非心臓原因からのACSの予測と区別を改善し、これらの予測を従来の高感度心筋トロポニン（hs-cTn）測定値と比較します。

研究プロトコルの技術的説明

AI-ACS 試験では、グラーツ医科大学で実施された前向き観察症例対照計画が使用されています。 これは、AI モデルのトレーニングとテストという 2 つの主なフェーズで構成されています。 WBC データは、患者の入院時に Sysmex XN シリーズ血液分析装置を使用して実施されるルーチンの血液検査によって収集されます。 このデータは、研究の過程で診断精度を向上させることを目的として、AI アルゴリズムを定期的にトレーニングするために使用されます。

品質保証と登録手順

AI-ACS トライアルには、収集されたデータの品質と完全性、および標準の操作手順の順守を保証するためのいくつかの対策が組み込まれています。

データ検証と品質保証計画:

臨床プロトコルと規制順守が確実に遵守されていることを確認するために、継続的な現場モニタリングと定期的な監査が実施されます。

データ検証手順は、研究のデータベースに入力された WBC データの正確性と一貫性をチェックするために実施されます。 自動データ チェックでは、範囲と他のデータ フィールドとの一貫性について、新しいエントリを事前定義されたルールと比較します。

ソースデータの検証:

ソースデータの検証は、研究データベースに取得された電子データを元の医療記録および検査報告書と比較して、データの正確性と完全性を評価することによって実行されます。

データディクショナリ:

この研究では、収集された各変数の説明を含む詳細なデータ辞書を利用します。これには、変数のソース (患者の人口統計、検査結果など)、コーディング情報、正常範囲が含まれます。 この辞書は、データの解釈と分析の一貫性を維持するのに役立ちます。

標準作業手順 (SOP):

患者の募集、データ収集、データ管理、分析、報告に関する SOP は十分に文書化されており、研究全体を通じて遵守されます。 これらの手順には、有害事象や研究プロトコールの変更に対処するための詳細な手順が含まれています。

サンプルサイズの評価:

この研究は、トレーニング参加者 2,100 名 (コホートあたり 700 名)、テスト参加者 600 名 (コホートあたり 300 名) のサンプル サイズで設計されており、AI モデルと hs-cTn の診断パフォーマンスの有意差を検出するのに十分な検出力が得られるように計算されています。

欠落データに対する計画:

欠落データまたは矛盾したデータに対処する手順には、研究結果に対する欠落データの影響を評価するための代入技術と感度分析が含まれます。

統計分析計画:

統計分析計画では、受信者動作特性 (ROC) 曲線分析、曲線下面積 (AUC) の計算、感度と特異性の評価など、AI モデルの診断パフォーマンスを評価するために使用される方法の概要が説明されています。 AI モデルと hs-cTn 測定値の比較は、潜在的な交絡因子を調整したロジスティック回帰モデルを使用して行われます。

研究の目的と仮説

AI-ACS 試験の主な目的は、WBC データから ACS を正確に予測できる AI モデルをトレーニングおよび検証することであり、標準的な hs-cTn アッセイの診断性能を超える可能性があります。 この仮説は、AI による WBC 特性の分析により、胸痛の ACS 原因と非 ACS 原因をより正確に区別できるため、臨床上の意思決定が改善され、不必要な医療介入が削減されるというものです。

AI-ACS 試験では、AI を活用した日常的な血液検査の利用方法を進化させることで、ACS のリスクがある患者の迅速な特定を強化し、それによって心血管の緊急診断における標準治療を変革する可能性があります。