Een deep learning-methode om QT op Ribociclib te evalueren (QT-RIBRATING)

"Deep-learning" is een snelgroeiende methode van machinaal leren (kunstmatige intelligentie, AI) die op veel medische gebieden de interesse van het wetenschappelijk comité wekt. Deze methoden maken het mogelijk om overeenkomsten te genereren tussen ruwe inputs (zoals het digitale signaal van het ECG) en de gewenste outputs (bijvoorbeeld de meting van QTc). In tegenstelling tot traditionele methoden voor machinaal leren, waarbij handmatige extractie van gestructureerde en vooraf gedefinieerde gegevens uit onbewerkte invoer vereist is, leren methoden voor diep leren deze functionaliteiten rechtstreeks uit onbewerkte gegevens, zonder vooraf gedefinieerde richtlijnen. Met de komst van big data en de recente exponentiële toename van rekenkracht, kunnen deze methoden modellen produceren met uitzonderlijke prestaties. De onderzoekers hebben onlangs dit type methode gebruikt met behulp van meerlagige kunstmatige neurale netwerken, om een ​​applicatie te creëren op basis van een model dat de ruwe digitale gegevens van ECG's (.xml) direct omzet in een QTc-maat die vergelijkbaar is met die welke de hoogste normen respecteren met betrekking tot reproduceerbaarheid.

Het belangrijkste doel van deze proef is het bestuderen van de prestaties van ons DL-AI-model voor QTc-meting (vs. beste standaarden voor QTc-metingen, TCM) toegepast op de aanbevolen ECG-monitoring na het voorschrijven van ribociclib voor borstkankerpatiënten in routinematige klinische zorg. De onderzoekers zullen ECG-opnamen maken met diverse apparaten, waaronder vereenvoudigde apparaten (acquisitie met één/drie afleidingen, bemonsteringsfrequentie met lage frequentie: 125-500 Htz) om te bepalen of ze even performant zijn als de acquisitiemachine met 12 afleidingen om QTc in deze setting te evalueren.