백혈구 특성을 기반으로 ACS 예측을 위한 AI 알고리즘

AI-ACS 임상시험은 급성 흉통을 나타내는 환자의 급성 관상동맥 증후군(ACS)을 예측하기 위해 백혈구(WBC) 데이터를 활용하는 AI 알고리즘의 진단 성능을 평가하는 것을 목표로 하는 관찰 단일기관 연구입니다. 이 시험에서는 고급 인공 지능을 활용하여 WBC 특성의 고차원 측정을 분석하여 흉통의 다른 비심장 원인과 ACS의 예측 및 구별을 개선하고 이러한 예측을 기존의 고감도 심장 트로포닌(hs-cTn) 측정과 비교합니다.

연구 프로토콜의 기술적 설명

AI-ACS 시험은 그라츠 의과대학에서 실시한 전향적 관찰 사례 관리 설계를 사용합니다. 이는 AI 모델의 훈련과 테스트라는 두 가지 주요 단계로 구성됩니다. WBC 데이터는 Sysmex XN 시리즈 혈액학 분석기를 사용하여 환자 입원 시 수행되는 일상적인 혈액 검사를 통해 수집됩니다. 이 데이터는 연구 과정에서 진단 정확도를 향상시키는 것을 목표로 정기적으로 AI 알고리즘을 훈련하는 데 사용됩니다.

품질 보증 및 등록 절차

AI-ACS 시험에는 수집된 데이터의 품질과 무결성을 보장하고 표준 운영 절차를 준수하기 위한 여러 조치가 통합되어 있습니다.

데이터 검증 및 품질 보증 계획:

임상 프로토콜 준수 및 규정 준수를 보장하기 위해 지속적인 현장 모니터링과 정기 감사가 수행됩니다.

연구 데이터베이스에 입력된 WBC 데이터의 정확성과 일관성을 확인하기 위해 데이터 검증 절차가 구현됩니다. 자동화된 데이터 검사는 다른 데이터 필드와의 범위 및 일관성에 대해 사전 정의된 규칙과 새 항목을 비교합니다.

소스 데이터 검증:

원본 데이터 검증은 연구 데이터베이스에 수집된 전자 데이터를 원본 의료 기록 및 실험실 보고서와 비교하여 데이터의 정확성과 완전성을 평가하여 수행됩니다.

데이터 사전:

이 연구에서는 변수의 출처(예: 환자 인구통계, 실험실 결과), 코딩 정보 및 정상 범위를 포함하여 수집된 각 변수에 대한 설명이 포함된 상세한 데이터 사전을 활용합니다. 이 사전은 데이터 해석 및 분석의 일관성을 유지하는 데 도움이 됩니다.

표준 운영 절차(SOP):

환자 모집, 데이터 수집, 데이터 관리, 분석 및 보고에 대한 SOP는 잘 문서화되어 있으며 연구 전반에 걸쳐 준수됩니다. 이러한 절차에는 이상 사례 처리 및 연구 프로토콜 변경을 위한 세부 단계가 포함됩니다.

표본 크기 평가:

이 연구는 훈련용 참가자 2,100명(코호트당 700명)과 테스트용 참가자 600명(코호트당 300명)의 표본 크기로 설계되었으며, 이는 hs-cTn과 비교한 AI 모델의 진단 성능에서 중요한 차이를 감지할 수 있는 충분한 전력을 제공하도록 계산되었습니다.

누락된 데이터에 대한 계획:

누락되거나 일관되지 않은 데이터를 해결하는 절차에는 누락된 데이터가 연구 결과에 미치는 영향을 평가하기 위한 대치 기술 및 민감도 분석이 포함됩니다.

통계 분석 계획:

통계 분석 계획에는 ROC(수신기 작동 특성) 곡선 분석, AUC(곡선 아래 면적) 계산, 민감도 및 특이성 평가를 포함하여 AI 모델의 진단 성능을 평가하는 데 사용되는 방법이 간략하게 설명되어 있습니다. hs-cTn 측정과 AI 모델의 비교는 잠재적 혼란 요인에 대해 조정된 로지스틱 회귀 모델을 사용하여 수행됩니다.

연구 목적과 가설

AI-ACS 시험의 주요 목표는 WBC 데이터에서 ACS를 정확하게 예측할 수 있는 AI 모델을 훈련하고 검증하는 것입니다. 이는 잠재적으로 표준 hs-cTn 분석의 진단 성능을 능가합니다. 가설은 WBC 특성에 대한 AI 기반 분석이 흉통의 ACS 원인과 비ACS 원인을 보다 정확하게 구별하여 임상 의사 결정을 개선하고 불필요한 의료 개입을 줄일 수 있다는 것입니다.

AI-ACS 시험은 일상적인 혈액 검사를 AI로 활용하는 방법을 발전시켜 ACS 위험이 있는 환자의 신속한 식별을 향상시켜 잠재적으로 응급 심혈관 진단의 치료 표준을 변화시키려고 합니다.