臨床現場における Vocorder デバイスの検証 - 個人の継続的なモニタリング (Vocorder Clinical Validation-VCV) (VCV)

研究デザイン 仮説 ブレスオミクスの研究では、いくつかの VOC、VOC パターン、および VOC パターンの変化間の関係が、さまざまな種類の疾患に関連していることが判明しています。 したがって、特定の疾患に関連する VOC プロファイルによって測定されるように、呼気の VOC パターンの変化は特定の状態と相関します。

研究の背景と目的 この臨床研究は、呼気分析の新技術である Vocorder と題された HORIZON-EIC-2022 PATHFINDER CHALLENGES-01-04 プロジェクトの一環として実施されています。 VOC 分析用の呼気サンプル収集 (患者および対照グループ)、VOC はすでに基礎レベルで存在している可能性があります。 しかし、VOCORDER 機器は、代謝の変化によって引き起こされる濃度差を解決し、環境空気中にすでに存在している可能性のある濃度差を識別することができます。 したがって、この分析装置は、最小限の監視とほとんど厳格な方法論を必要とせずに、さまざまなガス（VOC など）のその場での時間分解測定を可能にし、単一呼吸内の濃度プロファイルを記録します。 ただし、この検証段階では、アプローチの妥当性と方法の目立たなさを保証するために、厳密な方法論が適用されます。

呼気分析は、少数のガスを同時に検出できるレーザーベースの呼気分析装置のプロトタイプを使用して実行されます。 QCL 中赤外アレイベースの自己混合分析装置は、測定範囲が 10 ～ 100 ppb、検出限界が 1 ppb に近く、分解能が 1 ppb に近く、精度が ± 1 ppb に近い、VOC 検出用です。 化合物の同定は、NIST 質量スペクトル ライブラリと、それらの保持指数と参照標準用に得られた指数ライブラリとの比較に依存します。 最初の呼気分析装置は、本来の用途に加えて、サンプリングチューブを人工呼吸器に直接接続できるため、健康な患者でも療養中の患者でも同様に検査することができます。

この臨床研究では、VOCORDER呼気分析装置によって検出された呼気VOCプロファイルと、医療専門家によって収集された電子医療データとの間の相関分析に取り組みます。 得られた結果は、VOCORDER呼気分析装置における呼気分析技術を、対象疾患の早期発見に向けて調整するために不可欠であると期待されています。

この臨床研究の主な目的は次のとおりです。

1. 開発したデバイスを臨床現場で使用し、その動作パラメータ（呼吸量、臨床サンプリングの数、頻度）を決定します。
2. 他の関連技術および/または確立された参照方法と比較して、デバイスのパフォーマンスとその測定結果を検証する。
3. 呼気分析で検出されたガスと、この研究のために選択された特定の疾患との間の潜在的な主な相関関係を調査する。

一次エンドポイントと二次エンドポイント

主要エンドポイント:

臨床現場におけるVOCORDERデバイスの有効性を検証し、呼気分析技術をさらに推進すること。

二次エンドポイント:

1. 臨床現場における呼気分析の新しい技術の操作パラメータを特定し、定義します。
2. VOCORDER テクノロジーのパフォーマンスと結果を GC-MS 基準メソッドと比較します。
3. 選択した疾患について、既知の既存の状態と呼気中の重要な VOC バイオマーカーとの相関関係を調査します。
4. 疾患の早期発見のための呼気中のVOCバイオマーカーの可能性を探求し、主要な医療パラメータとの相関を通じてタイムリーな診断を促進します。

臨床研究の実施要件 実施のための研究センターと倫理委員会の現在の承認状況 研究は三寺病院で実施されます。 三寺総合クリニック、産科・婦人科クリニック、小児病院は、あらゆる年齢層の人々の包括的なケアセンターとしての役割を果たし、一流の医療施設としての地位を確立しています。 45 年間の運営を誇る MITERA は、ギリシャで最も評価の高い私立病院の 1 つとして際立っており、さまざまな医療分野にわたる予防、診断、治療を目的とした幅広い質の高い医療サービスを提供しています。 MITERA には、総合クリニック、MITERA 産科/婦人科クリニック、そしてギリシャで最も総合的な私立小児科クリニックである MITERA 小児病院の 3 つのクリニックがあります。 MITERAクリニックでは、優れた看護ケアとサービスを提供するという質の高い取り組みが行われており、医師、看護師、助産師の専任チームが包括的な管理上および技術的なサポートを受け、年中無休でサービスを提供しています。あらゆる医療上の緊急事態に対処します。

同病院の学術会議はこの臨床研究を承認した。 この研究はMITERA研究チームによって実施されます。 規制状況

1. 一般データ保護規則 (GDPR) の要件
2. 個人データの処理およびかかるデータの自由な移動に関する自然人の保護に関する、2016 年 4 月 27 日の欧州議会および理事会の規則 (EU) 2016/679、および指令 95/46/EC の廃止• WP29 : 匿名化技術に関する意見 05/2014。
3. 治療/標準治療のベストプラクティスに従います。 患者はこれらのベストプラクティスに従って診断されます。
4. 臨床研究に薬物治療が含まれていない場合でも、倫理的および科学的品質を確保するために、Good Clinical Practiceの一般原則が遵守されます。

5. EUnetHTA などの医療技術評価機関のガイドラインで定義されている原則、特に以下が考慮されます。

   • 比較器と比較。 最も適切なコンパレータを選択するための基準。
   • 現在のポリシーとベスト プラクティス ガイドラインの概要。
   • 相対有効性評価のエンドポイント基準: 臨床エンドポイント
6. この研究は、臨床試験の統計原則 (CPMP/ICH/363/96)、ICH トピック E9 に従って計画され、分析されます。
7. AEPD: 個人データの匿名化手順に関する AEPD ガイドラインは、プライバシーとデータ保護を確保するためのフレームワークを提供します。
8. ENISA: 特にデータ仮名化技術に関しては、技術開発を GDPR と整合させるための勧告に従います。
9. 個人データの仮名化のためのハッシュ関数の使用に関する AEPD-EDPS の共同文書は、データ保護戦略の参考として役立ちます。
10. 世界医師協会: ヒトを対象とした医学研究の倫理原則に関するヘルシンキ宣言 インフォームド・コンセントと情報 VOCORDER 内では、担当機関が特定の手順に従い、同意フォームを使用して、有効な同意に必要な最低限の情報要件を遵守することを保証します。フレームワークの上にあります。 VOCORDER 研究への参加はすべての個人にとって完全に自主的なものであり、いかなる影響や罰則も受けることなく研究活動のどの段階からでも撤退する権利があります。 VOCORDER研究の目的、手順、リスクなどを概説した包括的な情報シートが同意書とともに参加者に提供されます。 情報同意フォームのプロトコルと草案テンプレートは、リクエストに応じて取得できます。 これらはデータ管理計画にも追加されます。 適切な科学的トレーニングと資格を持つ医師が情報を提供します。 医療スタッフは、個人からの質問に答え、従うべきプロセス、参加者に何を要求するか、および予想される結果を説明することができます。 潜在的な参加者が情報を完全に理解していることが保証されます。

同意は参加者が自由に行うものとします。 彼らは、いかなる形でも同意をする義務や強制を感じていないことが保証されます。 参加者は、特に以下に示すインフォームドコンセントフォームと情報シートに署名することにより、書面で同意します。 文盲などの理由で書面による同意が得られない場合は、書面以外の同意を正式に文書化し、独立して証言する必要があります。 特にVOCORDERのような長期にわたる試験では、同意は継続的なプロセスです。 責任あるプロジェクトパートナーは、参加者との継続的な対話を促進し、試験に関連するあらゆる異なる/新しい情報を参加者に通知します。

倫理委員会による承認 プロジェクトのライフサイクル全体にわたる倫理手順の監視を強化するために、VOCORDER の IEC が設立されます。 この委員会は、プロトコルの開発から調査結果の公表に至るプロジェクトのすべての段階において、法律で規定された倫理原則の遵守を確保する上で主要な役割を果たします。 さらに、委員会は参加6か国の地域倫理委員会と協力して、研究中に生じた参加者の苦情に対処する予定です。 IECは、必要に応じて安全性報告書と中間報告書を編集し、関連する国内倫理委員会に提出する任務を負う。

倫理的および法的問題に関する連絡窓口の任命 それぞれの活動および国の規制枠組みに従って、VOCORDER に関与する各パートナーは、データ保護責任者 (DPO) を任命するか、データ保護責任者 (DPO) に関連する法的および倫理的問題に対処する責任のある連絡担当者を任命します。プロジェクトの研究活動。

モニタリングと報告 プロジェクト会議中に倫理リスクのモニタリングに関する定期的な報告が提供されます。 倫理要件との整合性を確保するために、社内で倫理アンケートを作成し、技術進歩に関与するパートナーに配布することが検討されています。 IEC は、あらゆる場合にプロジェクトのパートナーから提起された質問に対処する責任を負い、各組織によって定義された法的および倫理的事項のそれぞれの代表者と協力します。 VOCORDER は、プロジェクト実施のすべての段階でこれらの要件に照らして結果を評価し、包括的な対応を保証します。

臨床研究の段階

この臨床研究は前向きコホート研究であり、次の 2 段階で実施されます。

• 第1フェーズ：ベースラインフェーズ（2024年10月～2025年8月）
• 第 2 フェーズ: 検証フェーズ - VOCORDED テクノロジーの検証 (2026 年 5 月～12 月)

臨床研究の段階

この臨床研究は前向きコホート研究であり、次の 2 段階で実施されます。

• 第1フェーズ：ベースラインフェーズ（2024年10月～2025年8月）
• 第 2 フェーズ: 検証フェーズ - VOCORDED 技術検証 (2026 年 5 月から 12 月) ベースライン フェーズ このフェーズの実施は、製造された技術の基本的な動作パラメータを定義し、デバイスの最終検証に移行できるようにするために必要であると考えられます。臨床分野。 上記の目的は、人工知能メカニズム (WP.4) の貢献と、呼気分析装置の設計に関与した技術研究チームの生データの分析によって達成されます。 この段階では、患者と健康な対照者が登録され、生成されたガスの測定値が GC-MS 基準メソッドを使用して分析されます。

検証段階 (VOCORDER 検証段階) この段階では、VOCORDER テクノロジーは患者と健康なボランティアの両方による臨床評価を受けます。 分析には、標準基準法とVOCORDERテクノロジーの両方を比較のために利用して、参加者が放出するガスを測定することが含まれます。

病気

以下の病気について調査します。

1. 肺癌
2. 胃がんと結腸がん
3. 乳癌
4. 腎不全
5. 感染症 - 肺炎 (市中感染および病院感染) これらの疾患の選択は、ETH チームによる既存の文献のレビュー (タスク 2.1) と、その後の特定のガスバイオマーカーを検出する VOCORDER の機能に合わせた結果の適応に基づいて行われました。選択された疾患の早期診断 (タスク 2.2)。

患者と健康な対照集団 健康な対照 調査対象の疾患に罹患していない20歳から75歳までの男女の少なくとも120人の健康な対照が、患者と同時に研究に参加するために選択されます。 少なくとも 2 ～ 3 個の呼気サンプルが、異なる日の同じ時間に各見込み対照から採取されることが予想されます。 同じ健康な対照者が研究の両方の段階に参加し、得られた呼気サンプルは両方の方法を使用して分析されます。

健康なボランティアは、病院スタッフまたは別の理由で入院している患者から選ばれます。 前向き対照者は、MITERA の VOCORDER チームから研究について詳細な説明を受けた後、人口統計および病歴データを含むアンケートに記入します。 アンケートはプロジェクトチームによって分析され、研究に参加できると判断された場合には、同意書に署名が行われます。

患者集団 ベースライン段階

患者: 以下の包含基準に従って選択された、男女問わず年齢 18 ～ 75 歳の、各疾患に 35 人の合計 175 人の患者:

1. 男女とも18歳以上の患者
2. MITERAスタッフから与えられる情報を理解し、コミュニケーションがとれる必要があります。
3. 研究中の病気に苦しんでいます。
4. 病気は可能な限り初期の段階にある必要があります。つまり、患者はまだ治療を開始していない必要があります。

5. 患者には、導出された測定値に影響を与える他の重篤な併存疾患があってはなりません。 患者は、調査対象の疾患を持つ患者の治療および/または入院を担当する臨床医と協力して選択されます。

   研究への登録には基準 1、2、および 3 が必須です。 研究に患者を登録するには、プロジェクト チームが以下の疾患に関する特定の文書を利用できるようにする必要があります。

   がんの診断には次のことを文書化する必要があります。

   • がんの種類は、病理組織学的所見と特定の指標の結果に基づいて決定されます。
   • 病気の段階は放射線検査と血液検査に基づいて決定されます。

   感染症 - 肺炎の診断は、以下のことを判断するために必要です。

   • 胸部-X所見、臨床症候群および炎症指標の状態に基づく肺炎の診断（1日目）。
   • 臨床症候群を引き起こした病原体の研究室での決定（臨床検体から分離可能な場合）
   • 疾患の臨床重症度は、市中肺炎または健康上肺炎の患者についてはそれぞれ CURB 65/SMART COP スコアに基づき、ICU の入院患者については Apache II に基づいています。

   腎不全には次のことが必要です。

   • 慢性腎臓病の文書化
   • CFR率に基づく疾患段階の決定。
   • 血液透析治療の除外基準
   • 署名された同意の欠如
   • 何らかの理由による協力の欠如
   • 呼気サンプリング手順前の要件に関する推奨事項に従わなかった場合
   • 信頼できる呼気サンプルを提供できない
   • 呼気VOCのサンプルを取得する間に開始された治療、特定の食事療法、手術、またはその他の介入。

   患者がプロジェクトを担当するMITERAチームから通知を受け、研究に参加することに同意したら、参加に関連する同意書を読んで署名する必要があります。 研究に参加する患者に対しても、対照と同様のアンケート（データ収集フォーム）が記入されます。

   サンプリング: 同様の条件下で各患者から少なくとも 2 つの呼気サンプル (各 1 L) が採取され、分析されます (例: 異なる日の同じ時間帯)。 この段階では、参照方法を使用して呼気サンプルが分析されます。 最終段階では、VOCORDER メソッドを使用して保存および分析されます。 呼気サンプルの採取方法は、参考方法に続いて推奨事項に従います。

   検証段階 患者: 臨床研究の最終段階では、各疾患につき 20 人の患者、合計 100 人の患者が参加します。 患者はベースライン段階と同様に上記の基準に従って選択されます。

   サンプリング: 呼気サンプルは両方の方法を使用して分析されます。 同様の条件下で各患者から少なくとも 2 つの呼気サンプルが採取され、分析されます (例: 異なる日の同じ時間帯)。 呼気サンプルの採取方法は、参照方法とVOCORDER固有の技術要件に従う推奨事項に従います。

   表 1 臨床段階の説明 臨床段階 ベースライン段階 検証段階 患者と健康な対照集団 患者グループ 1 健康な対照患者 グループ 2 健康な対照集団 集団のサイズ (人数) 175 120 (少なくとも) 100 120 呼気分析の方法 SESI-MS およびGC-MS 参照メソッド SESI-MS および GC-MS 参照メソッド SESI-MS および GC-MS 参照メソッド SESI-MS およびGC-MS基準法 ボコーダー技術 ボコーダー技術

   呼気分析の方法論 最初のベースライン段階では、質量分析の参照方法を使用して、患者および健康なボランティアの呼気を分析します。 呼気サンプルは 1 L のガスサンプリングバッグに収集され、オフライン分析のためにチューリッヒ工科大学の呼気分析研究所に送られます。

   続く検証段階では、VOCORDER 技術と質量分析の参照手法の両方を使用して臨床サンプルが分析され、結果の確実な比較と検証が行われます。

   疾患とデータ収集 (AIDEAS、MITERA) さらに、さまざまな健康状態の危険因子を広範に評価することで、遺伝的素因、環境への曝露、ライフスタイルの選択、および基礎的な健康状態の間の複雑な相互作用が明らかになりました。 肺がんの場合、主な危険因子は依然としてタバコの煙であることに議論の余地はなく、肺がん症例の約 85% は受動喫煙曝露を含む喫煙に直接起因しています (CDC、2021)。 ラドンへの曝露、アスベスト、特定の金属、ディーゼル排気ガスなどの物質への職業的曝露、および大気汚染は、肺がんの家族歴と並んで、さらにリスクに寄与します（米国癌協会、2021年）。

   乳がんの多因子病因には、初潮の早まり、閉経の遅れ、ホルモン補充療法などのホルモン因子と、アルコール摂取、運動不足、肥満などのライフスタイル因子が含まれます。 遺伝的要因が重要な役割を果たしており、BRCA1 および BRCA2 遺伝子の変異によりリスクが著しく増加します。 さらに、初産時の年齢や授乳などの生殖歴もリスクプロファイルに影響します（National Breast Cancer Foundation、2021）。

   胃がんのリスクは、食事、ヘリコバクター・ピロリ感染、喫煙、家族歴と複雑に関係しています。 国際がん研究機関 (IARC) は、ピロリ菌を胃がんのクラス I 発がん物質として認めています。 さらに、燻製食品、塩辛の魚や肉、漬物が豊富な食事は、特にこれらの食品が主食である東アジアなどの地域で、胃がんの発生率の上昇と関連しています（世界がん研究基金、2020年）。

   慢性腎臓病 (CKD) と腎不全は、糖尿病や高血圧などの症状から発生し、症例の最大 3 分の 2 が原因となります。 他の危険因子としては、腎臓病の家族歴、60歳以上の年齢、アフリカ系アメリカ人、アメリカ先住民、アジア系アメリカ人のリスクが高い民族などが挙げられます。 NSAID の慢性使用や画像検査における造影剤への曝露もリスクをもたらします (National Kidney Foundation, 2021)。

   肺炎などの感染症は個人の免疫状態に影響され、非常に若い人、高齢者、免疫力が低下した人は特に影響を受けやすくなります。 空気の質、喫煙、呼吸器刺激物への曝露などの環境要因は、喘息や慢性閉塞性肺疾患 (COPD) などの慢性呼吸器疾患と同様に不可欠です。 季節性インフルエンザは細菌性肺炎にかかりやすくなる可能性があり、ウイルス感染と細菌感染の相互関係を示しています(CDC、2021)。 これらの危険因子を理解することは、予防戦略、早期発見方法の開発、およびこれらの病気の影響を軽減することを目的とした公衆衛生政策の策定にとって非常に重要です。

   結論として、私たちの包括的なアンケートは、幅広い人口統計情報と病歴の詳細を統合して、参加者の健康プロファイルを徹底的に評価します。 年齢、性別、人種/民族、収入、教育レベル、職業、婚姻状況、地理的位置などの人口統計データは、個人の健康状態の背景を提供します。 体重、身長、BMI、喫煙習慣、アルコール摂取量、食習慣、身体活動レベル、併存疾患、慢性疾患、感染症、薬物使用、手術、入院などの詳細な記録を含む病歴入力により、それぞれについてより深い洞察が得られます。参加者の健康リスク。 さらに、うつ病や不安などの心理的要因、ならびに職業上の曝露、遺伝的素因、睡眠パターン、ストレスレベルなどの環境およびライフスタイルの影響も評価します。 このデータにより、疾患の有病率や転帰に寄与する可能性のある相関関係やパターン、さらに呼気分析で検出された VOC 濃度を特定することが可能になります。 さらに、これらの疾患によって生成される分子の濃度は、概日リズムや被験者の健康状態などの内因性プロセス、または薬物療法、化粧品の使用、または身体運動などの追加の外的要因によって変化する可能性があります。 可能であれば、これらの要因が監視されます。

   臨床データの収集とアップロード。 データは MITEPA プロジェクト チームによって収集され、病院内のコンピューター化された作業フォルダーに保存されます。 このフォルダーにはMITERAプロジェクトチームのみがアクセスできます。 その後、患者関連データは匿名化され、他のパートナー、つまり承認されたユーザーと共有される特別に開発されたデータベースに入力されます。 データベースには、両方の方法論を使用した結果も含まれています。

   データ保護を確実にします。 研究に参加する患者の個人データの保護は、ギリシャの法律、関連する欧州の GDPR および MITERA 病院規制の枠組み内で確保されます。

   統計分析の計画とサンプル サイズの計算 (ICCS) VOCORDER プロジェクトのニーズに応じて、呼気サンプル データの高解像度スペクトルからの統計分析がタスク 4.2 で提供されます。 この分析では、健康関連の潜在特性に関してサンプルのクラスを区別するために、さまざまなテクノロジーのいくつかの AI 技術が利用されます。さらに、この自動化されたプロセスは、記録されたデータから、選択された疾患パラメーター、個々のバイオマーカー バンド、および記述子の間の相関関係と依存関係を特定します。 。

   臨床サンプルの設計アプローチと分析を成功させるには、最先端のアプローチを調査する必要があります。 表 2 は、VOCORDER 疾患に関して報告されている揮発性有機化合物 (VOC) をまとめています。 VOC は、数種類の機械学習アルゴリズム (教師なし、教師あり、半教師あり、XAI) を使用した統計分析に基づいて、VOCORDER の病気を検出するために使用できます。 このセクションの次の段落では、現在の最先端の機械学習アプローチに関する情報を提供します。 文献に記載されているアプローチは、臨床サンプルの収集に成功した後、VOCORDER プロジェクトの機械学習モデルを設計するための事前知識として使用されます。

   表 2 VOCORDER 疾患の呼気の揮発性有機化合物。 報告されている疾患 揮発性有機化合物 肺がん イソプロパノール アセトン ペンタン ベンゼン 胃がんおよび結腸がん プロパナール アセトアミド イソプレン 1,3-プロパンジオール エチレン メチル イソブチル ケトン 酢酸 m-トルイル アルデヒド 1,2,5 トリメチルベンゼン 乳がん (S)-1,2-プロパンジオールシクロペンタノン エチレンカーボネート3-メトキシ-1,2-プロパンジオール 3-メチルピリジン フェノール テトラメチルシラン 腎不全 シクロヘキサノール 3-ヒドロキシ-2-ブタノン 3-メチルブタナール イソプレン二量体 感染症 - 肺炎 メタノール アセトアルデヒド プロピロニトリル 2-クロロピリジン 教師なし AI モデル 教師なし AI主成分分析 (PCA) は、呼気サンプルからのがん検出の解決策として研究されてきました。 Maiti らの研究では、健康なサンプルと健康でないサンプルから構成される 63 人のボランティアのケーススタディについて議論されており、その中には腎臓がん、膀胱がん、前立腺がんの患者も含まれています。 彼らのデータ収集は、癌に敏感な代謝物ガス (エチル ビニル ケトン、アセトアルデヒド、酪酸メチルなど) を検出するための、レーザーを使用しない広帯域中赤外フーリエ変換分光法に基づいていました。 教師付きの方法によって裏付けられた彼らの分析は、これらの方法論ががんの検出に利用できることを示しました。 ただし、さらなる研究が必要です。

   同様の研究がアスラムらの研究にも適用されています。 このケースでは、教師なし深層学習に基づいて早期胃がんの診断を調査しました。 彼らは、呼気サンプルのラベルなしデータから識別特徴を抽出するための、スタックされたスパースオートエンコーダに基づく特徴抽出のための革新的な方法を提案しています。 彼らの結果は、ディープスタックされたスパースオートエンコーダーニューラルネットワークが、進行胃がん分類では98.7％、呼気分析を使用した早期胃がん検出では97.3％の全体精度を達成できることを示しています。

   Alkhalifahらによる研究。参加者からのガスクロマトグラフィー質量分析を使用して 74 の臨床呼気サンプルを分析し、VOC 分析によるがんの検出を調査しました。 彼らは、VOC の質量スペクトルの類似性を測定するために、VOCCluster と呼ばれる教師なしクラスタリング手法を提案しています。 彼らの研究の結果、VOCCluster アプローチは、DBSCAN や OPTICS などの最先端のアルゴリズムと比較して、より良いスコアを達成しました。

   教師ありおよび半教師あり AI モデル 教師ありベースの機械学習は、がんの検出にも使用できます。 ベガムら。がんバイオマーカーに基づいて白血病の特定を研究しています。 分析では、教師あり学習用の Naive Bayes (NB)、K-Nearest Neighbors (KNN)、および Support Vector Machines (SVM) アルゴリズムを検討しました。 彼らの実験は、トレーニング セットのサイズ (つまり、20、33、および 48 サンプルのトレーニング サイズを使用) とテスト サイズとして 33 サンプルを変更することによって実行されました。 すべてのケースにおいて、SVM アルゴリズムのスコアは他のアルゴリズムよりも優れていましたが、著者らは今後の研究が必要であると結論付けています。

   周ら。は、教師あり学習を使用して、236 の呼気サンプル (176 人の健康な患者と 60 人の患者) からの肺がんの検出を調査しました。 各サンプルはクロマトグラムから抽出された 308 個の特徴で構成されており、実験設定はグラジエント ブースト デシジョン ツリー アルゴリズムに基づいています。 これらのパラメーターを使用して、6 分割相互検証で評価したところ、85% の精度が達成されました。 統計的ブートストラップ分析に基づくと、サンプルの 72% が「自信あり」としてマークされ、相互検証における自信のあるサンプルの精度は 93% です。

   最後に、半教師あり機械学習は、SARS-CoV-2 などの肺関連疾患の検出に効果的に適用されています。 さらに、Shiらの研究では、肺がんを示す肺結節を検出するための半教師あり深層転移学習アプローチが提案されている。 これらの研究は、呼気分析に基づく病気の検出に教師あり学習方法と半教師あり学習方法の両方を使用する実現可能性を示しています。 しかし、前述の研究はすべて、これらの技術を改善し、医療に使用できる実用的なソリューションを提供するにはさらなる研究が必要であると結論付けています。

   VOCORDER の統計分析計画 VOCORDER プロジェクトは、いくつかの呼吸関連疾患を検出するためのデバイスを開発することを目的としています。 これらの疾患の検出と分類を可能にするために、このプロジェクトでは、教師あり、教師なし、半教師ありのアプローチを含むさまざまなモデルを検討します。 さらに、VOCORDER プロジェクトでは、最終モデルの精度を最大化するために説明可能な AI テクノロジーを利用します。 現段階では、測定結果がないため、具体的な統計分析を詳細に説明するのは時期尚早です。

   文献によると、実行可能な戦略の 1 つは、SVM、K-NN、NB、またはデシジョン ツリーなどの高度な分類技術を使用して疾患の検出を調査することです。 新しいアプローチには、LSTM や CNN ベースのモデルなどの高度な人工知能モデルが含まれます。 説明可能な AI 手法は、病気の可能性を評価するだけでなく、AI モデルの結論の背後にある理論的根拠を解明するためにも適用されます。

   サンプルサイズの計算 さまざまな疾患を診断するための不偏機械学習モデルを構築する VOCORDER プロジェクトの取り組みにおいて、私たちは厳格な統計基準を遵守して、必要なサンプルサイズを綿密に計算しました。 健康な人と特定の病気に罹患している人を区別するなど、2 つのクラスに分けられる問題を分析するために、私たちの目標は少なくとも 90% の感度と特異度を達成することです。 この目標を実現するには、1 クラスあたり最低 35 人の被験者が必要であり、95% の信頼水準と 10% に設定された誤差範囲で研究を裏付けています。 このマージンは疾患関連の研究で通常推奨される 5% を超えていますが、これは予備的な基準として機能します。 私たちの研究に 4 つの異なる疾患が含まれることにより、要件は各疾患カテゴリごとに最低 35 名の被験者に増加します。 さらに、女性の乳がん罹患率の高さなど、病気の発生における人口統計上の格差を反映するには、健康な参加者のグループを大幅に増やす必要があります。 この戦略的なサンプル サイズの決定は、偏りのない効果的な機械学習モデルの開発を成功させるために極めて重要です。