Ontwikkeling van een landelijk register om longitudinale klinische resultaten van corneachirurgie en -ziekte te volgen

Achtergrond. Overzicht van oogaandoeningen en mondiale statistieken Hoornvliesaandoeningen zijn de vijfde belangrijkste oorzaak van blindheid in de wereld, en ongeveer 4,5 miljoen mensen hebben matige tot ernstige gezichtsstoornissen als gevolg van verlies van helderheid van het hoornvlies. Vergeleken met andere belangrijke oorzaken van blindheid treft hoornvliesziekte vooral een jongere bevolking en kent daarom een ​​groter aantal voor invaliditeit gecorrigeerde levensjaren. Slechts 1 op de 70 mensen met hoornvliesblindheid ondergaat uiteindelijk een hoornvliestransplantatie vanwege een aantal problemen, waaronder sociaal-economische en politieke factoren. Als gevolg hiervan bedraagt ​​het aantal keratoplastiekprocedures dat in de VS per jaar wordt voltooid ongeveer 50.000.

Langetermijnresultaten na hoornvliestransplantatie volgen In de Verenigde Staten bestaat er momenteel geen register of database die de longitudinale resultaten van donoren of ontvangers na hoornvliestransplantatie bijhoudt. Andere orgaantransplantaties, waaronder nier-, lever-, hart-, long- en pancreas, hebben een gevestigde registratie, ondanks dat hoornvliestransplantaties een van de meest voorkomende transplantaties in de VS zijn. Australië is een van de weinige landen waar sinds 1985 een register voor hoornvliestransplantaten bestaat, dat onschatbare inzichten heeft opgeleverd bij het bepalen van positieve en negatieve prognostische factoren die de overleving van hoornvliestransplantaten beïnvloeden. Om de beste resultaten voor de proefpersonen te verkrijgen, zou de klinische praktijk idealiter moeten worden afgestemd op het selecteren van het beste type operatie (d.w.z. penetrerende keratoplastiek [PKP], endotheliale keratoplastiek [EK], anterieure lamellaire keratoplastiek [ALK] of kunstmatige hoornvlies) voor elke individuele patiënt, gebaseerd op gegevens uit de praktijk.

Het ontwikkelen en gebruiken van kunstmatige intelligentie voor hoornvliesziekten Machine learning, dat een steeds grotere rol speelt bij de ontwikkeling van kunstmatige intelligentiesystemen voor medische toepassingen, is een krachtig middel om met zeer grote datasets om te gaan. Een verscheidenheid aan algoritmen kan veel waarden efficiënter en nauwkeuriger integreren dan mensen. Imaging-onderzoeken zijn bijzonder rijk, waardoor ze zeer geschikt zijn voor machinaal leren.

Een nauwkeurige AI/ML-gebaseerde algoritmebeoordeling van verschillende beeldvormende onderzoeken zou de precisie ten opzichte van fysieke onderzoeken kunnen verbeteren, waardoor de patiëntresultaten kunnen worden verbeterd door eerdere en nauwkeurigere detectie van afwijkingen en een betere voorspelling van toekomstige resultaten. Bovendien biedt het op afstand verzamelen van patiëntgegevens op basis van AI/ML aanzienlijke potentiële voordelen voor patiënten, zorgverleners en het bredere gezondheidszorgsysteem bij het monitoren van ziekten, de uitkomsten van operaties of behandelingen. Met monitoring thuis of in de gemeenschap kunnen gezonde patiënten tijd en geld besparen door regelmatig naar de kliniek te reizen. Voor degenen waarbij problemen worden ontdekt, kunnen potentiële oogaandoeningen of postoperatieve complicaties eerder worden geïdentificeerd voordat ze ernstiger worden en interventie of een operatie vereisen, wat zowel de patiëntresultaten verbetert als de middelen van het gezondheidszorgsysteem bespaart.

Doelstellingen. Primair: Het opzetten van het eerste landelijke hoornvliesregister in de Verenigde Staten dat informatie bevat over de ziektetoestand, informatie over donorweefsel, gegevens van de ontvanger, chirurgische procedure en klinische resultaten op de lange termijn. Uiteindelijk zal deze prospectieve gegevensverzameling ons in staat stellen prognostische factoren voor succesvolle hoornvliestransplantatie te bepalen en een algoritme te creëren om de klinische praktijk te begeleiden op basis van resultaten uit de echte wereld.

Secundair: Het verzamelen en creëren van een database van geanonimiseerde beeldvormingsstudies (inclusief maar niet beperkt tot optische coherentietopografie (OCT), in vivo confocale biomicroscopie, spiegelende biomicroscopie en corneale topografie) om uiteindelijk op kunstmatige intelligentie (AI) gebaseerde diagnostische en prognostische algoritmen voor de prevalentie, progressie en operatieresultaten van hoornvliesziekten.

Studie ontwerp. Ontwerp Prospectief en observerend.

Studieomvang De initiële rekrutering van proefpersonen zal worden getest in verschillende Amerikaanse centra. Alle in aanmerking komende proefpersonen zullen worden gerekruteerd en proefpersonen met toestemming zullen worden ingeschreven tijdens de beginfase van het onderzoek.

Gegevensverzameling In de VS gevestigde hoornvlieschirurgen zullen hoornvliesbeelden verkrijgen vóór en na hoornvliestransplantatie. Deze geanonimiseerde beelden worden, samen met de klinische informatie (kenmerken van de donor en de ontvanger, chirurgische informatie en de longitudinale uitkomsten achteraf) in het register opgenomen.

Gegevenselementen voor register van hoornvliestransplantaten Voor de proefpersonen die een hoornvliestransplantatie ondergaan, worden de volgende elementen verzameld en ingevoerd in een beveiligde, elektronische database. De beeldgegevensbron voor dit onderzoek zijn kopieën van corneale topografie OCT, spiegelende biomicroscopie en in vivo confocale biomicroscopiebeelden geproduceerd tijdens routinematige klinische zorg. Het register ontvangt kopieën van afbeeldingen in elk formaat, inclusief elektronische gegevensoverdracht en cd's. OCT-beelden van verschillende aanbieders en zorglocaties kunnen qua kwaliteit en detail variëren. Het abstractieproces brengt gegevens in kaart in één samenhangend gegevensschema.

Gegevensbronnen Alle OCT- en cornea-topografiebeelden zijn geanonimiseerd zonder informatie over de gezondheid van het onderwerp. Alleen de onbewerkte afbeeldingen worden verzameld voor analyse, en OCT-afbeeldingen worden samengesteld met als doel een online register te creëren.

Gegevensverzameling en -opslag OCT-beelden zullen door zorgverleners worden ingediend via een veilig, gecodeerd platform voor beeldvormingsaanvragen, met indien nodig personeelsfollow-up. Beeldvormingsdocumentatie wordt geüpload naar de servers van het onderzoek en alle gegevens van de proefpersoon en beschermde gezondheidsinformatie (PHI) worden geanonimiseerd.

Gegevensabstractie Onderzoekspersoneel met expertise in het beoordelen van OCT-beelden zal alle ingediende beelden beoordelen om patronen te detecteren. Deze patronen zullen uiteindelijk worden gebruikt om AI/ML-algoritmen te trainen voor het verzamelen van meetgegevens.

Gegevensbeveiliging Dit onderzoek zal voldoen aan de beveiligingsnormen van de Health Insurance Portability and Accountability Act (HIPAA). Bovendien beschikt het onderzoeksteam over een uitgebreide reeks beveiligingsbeleidslijnen, waaronder risicobeheerstrategieën, incidentresponsprotocollen, toegangscontroles, encryptiestandaarden en training van het onderzoekspersoneel om alle ingezonden onderwerpbeelden te beschermen.

Voorgestelde algoritmeontwikkeling. Beschrijving van de voorgestelde Machine Learning-methode Het algoritme heeft de mogelijkheid om de meest veelzijdige van alle geautomatiseerde OCT-beeldclassificatoren en gegevensverzamelaars te zijn. Met voldoende gegevens kan dit ook het meest nauwkeurig zijn. Het algoritme zal worden getraind en geoptimaliseerd met behulp van een verscheidenheid aan OCT-gegevens uit dit onderzoek.

Gegevensbeheer. Bewaring van afbeeldingen Afbeeldingen en documenten die betrekking hebben op het onderzoek zullen worden bewaard gedurende de tijd die vereist is door de relevante nationale of lokale gezondheidsautoriteiten, afhankelijk van welke periode langer is. Na deze periode kunnen de documenten worden vernietigd, met inachtneming van de plaatselijke regelgeving.

Beleid voor gegevenskwaliteitsborging Het onderzoeksteam garandeert de nauwkeurigheid van de gegevens die uit OCT-beelden zijn gehaald door middel van een reeks maatregelen waarbij gebruik wordt gemaakt van zowel technologie als menselijke expertise. Het beeldverzamelingsplatform is ontworpen om onregelmatigheden en beelden met een lage betrouwbaarheid te markeren met behulp van conservatieve drempels.

Het onderzoeksteam ondergaat een trainingsprogramma en moet strenge tests op de gegevenskwaliteit doorstaan ​​voordat zij de volledige verantwoordelijkheden op het gebied van beeldvormingsscreening op zich neemt. Alle beelden worden door minimaal twee reviewers gescreend en lastige scenario’s die niet in standaardprocedures zijn beschreven, worden per polis geëscaleerd naar een senior teamleider. Procedures voor het documenteren, beoordelen en leren van escalaties creëren feedbackloops die de operationele effectiviteit verbeteren en menselijke fouten verminderen.

Het onderzoeksteam zal logboeken bijhouden van alle datatransformaties en regelmatig interne datakwaliteitsaudits uitvoeren. De gegevenskwaliteit wordt tijdens het indienings- en beoordelingsproces voortdurend bewaakt en geanalyseerd.

Toegang tot register. Role-Based Access Control (RBAC) RBAC zal worden geïmplementeerd om verschillende toegangsniveaus te definiëren op basis van de rol van de gebruiker. De rollen zullen goed gedefinieerd zijn en overeenkomen met specifieke verantwoordelijkheden en bevoegdheden.

Authenticatie Er zullen sterke authenticatiemechanismen, waaronder tweefactorauthenticatie (2FA), worden ingevoerd om ervoor te zorgen dat alleen geautoriseerde gebruikers toegang hebben tot het beeldregistratieregister. Er zal gebruik worden gemaakt van een autorisatieworkflow waarbij verzoeken om toegang van gebruikers worden beoordeeld en goedgekeurd door het onderzoekspersoneel voordat toegang wordt verleend. Het onderzoekspersoneel zal regelmatig gebruikersaccounts beoordelen en beheren, om ervoor te zorgen dat alleen actieve gebruikers met legitieme toegangsbehoeften accounts in het register hebben.

Toegang verlenen/intrekken Toegangsrechten en machtigingen voor gebruikers worden gedeeld op basis van rollen en verantwoordelijkheden, en de minst benodigde rechten worden verleend aan gebruikers om hun taken uit te voeren. Het intrekken van toegangsrechten wordt gestroomlijnd als gebruikers van rol veranderen of geen toegang meer nodig hebben. Het onderzoeksteam zal loggingmechanismen implementeren om gebruikersactiviteiten en toegangspogingen vast te leggen. Het onderzoeksteam zal de logboeken beoordelen om verdachte of ongeoorloofde activiteiten op te sporen en te onderzoeken.

Op verzoek kunnen auditors van bepaalde regelgevende instellingen (d.w.z. CMS, FDA, enz.) of andere externe instellingen tijdelijke toegang tot het register krijgen voor auditdoeleinden.

Incidentrapportage Beveiligingsincidenten of inbreuken die verband houden met ongeoorloofde toegang zullen onmiddellijk worden afgehandeld om de impact van beveiligingsincidenten te beperken en herhaling te voorkomen.

Intrekking van beeldgegevens De hoofdonderzoeker of IRB heeft te allen tijde het recht om gegevens te verwijderen en in beeld te brengen om medische, veiligheids- of administratieve redenen. Er zullen passende procedures worden gevolgd om ervoor te zorgen dat elk beeld veilig uit het onderzoek kan worden verwijderd.

De-identificatie van afbeeldingen.

Om de veilige en ethische verwerking van OCT-gegevens te garanderen, zal een uitgebreid proces voor de-identificatie van afbeeldingen worden geïmplementeerd. Dit proces heeft tot doel om op systematische wijze identificeerbare informatie uit elke afbeelding en de bijbehorende metagegevens te verwijderen of te wijzigen, terwijl de klinische en onderzoekswaarde van de afbeeldingen behouden blijft. De volgende stappen schetsen de belangrijkste aspecten van dit de-identificatieproces:

Directe identificatiegegevens verwijderen

• Alle directe identificatoren die worden gebruikt voor individuele identificatie, zoals onderwerpnamen, medisch dossier- en toetredingsnummers en geboortedata, zullen grondig worden opgezocht en verwijderd uit de pixelgegevens van elke afbeelding.
• Tegelijkertijd zullen deze directe identificatiegegevens ook worden opgezocht en verwijderd uit de metagegevens van de beelden, met uitzondering van het medische dossiernummer, dat onomkeerbaar zal worden getransformeerd via een cryptografische hashfunctie.

Anonimisering op pixelniveau

● Indien nodig worden specifieke beeldgebieden met herkenbare kenmerken, zoals gezichtsdetails of unieke markeringen, gemaskeerd of vervaagd. Dergelijke gebieden zonder diagnostische kenmerken zullen worden gemaskeerd, terwijl gebieden met diagnostische kenmerken onderhevig zullen zijn aan vervaging.

Kwaliteitscontrole

• Er zullen strenge kwaliteitscontroles worden uitgevoerd om ervoor te zorgen dat het anonimiseringsproces de klinische waarde van de beelden niet in gevaar brengt.
• Getrainde professionals zullen een subset van geanonimiseerde beelden beoordelen om te verifiëren dat kritische diagnostische kenmerken nauwkeurig behouden blijven.

Encryptie

• Zowel de originele als de geanonimiseerde afbeeldingen worden gecodeerd om hun veiligheid tijdens opslag en verzending te garanderen.
• Alle gegevens worden opgeslagen in een veilige omgeving met gecontroleerde toegang, waarbij wordt voldaan aan wettelijke vereisten en best practices uit de sector.

Documentatie

• Er zal een gedetailleerd verslag van het de-identificatieproces worden bijgehouden, inclusief een uitgebreid overzicht van de ondernomen stappen, het betrokken personeel en eventuele problemen die zich voordoen.
• Dit document dient als een essentieel audittraject, biedt transparantie en helpt bij het aantonen van de naleving van de regelgeving op het gebied van gegevensbescherming.