Vroege Voorspelling van Bronchopulmonale Dysplasie bij Te Vroeg Geboren Baby's met behulp van Klinische Gegevens

Achtergrond:

Vroeggeboorte is een belangrijke oorzaak van neonatale morbiditeit en mortaliteit. Bronchopulmonale dysplasie (BPD) is een van de meest voorkomende chronische longziekten bij premature zuigelingen, vooral bij diegenen met een zeer lage zwangerschapsduur of geboortegewicht. BPD verhoogt de langdurige zuurstofafhankelijkheid, de ziekenhuisopname en respiratoire complicaties. Vroege voorspelling van BPD is cruciaal voor het optimaliseren van het klinische management.

Zwangerschapsduur, geboortegewicht, duur van mechanische ventilatie, zuurstoftherapie, infecties en hemodynamische factoren zijn bekende risicofactoren voor BPD. Er zijn verschillende klinische risicomodellen ontwikkeld om BPD vroegtijdig te voorspellen, maar hun klinische toepasbaarheid is beperkt.

Recente vooruitgang in kunstmatige intelligentie (AI) en machine learning heeft potentieel getoond in het analyseren van klinische gegevens en het voorspellen van ziekterisico. Grote taalmodelen (LLM's) zoals ChatGPT, Gemini en Claude kunnen complexe klinische datasets interpreteren en risicovoorspellingen genereren. Studies die hun prestaties evalueren bij het voorspellen van BPD bij premature zuigelingen zijn echter beperkt.

Doel:

Retrospectief evalueren van de prestaties van verschillende LLM's bij het voorspellen van BPD bij premature zuigelingen (<32 weken zwangerschap of <1.500 gram) met behulp van klinische gegevens uit postnatale weken 1, 2 en 3. De studie heeft tot doel AI-gegenereerde voorspellingen te vergelijken met werkelijke klinische uitkomsten.

Studieontwerp:

Retrospectieve, observationele, single-center studie Klinische gegevens van de NICU van Konya City Hospital worden geëxtraheerd uit ziekenhuisgegevens en geanonimiseerd AI-modellen (ChatGPT, Gemini, Claude) ontvangen gestandaardiseerde datasets inclusief zwangerschapsduur, geboortegewicht, geslacht, respiratoire ondersteuning, zuurstofbehoefte, duur van mechanische ventilatie, infectiestatus en andere relevante parameters AI-voorspellingen classificeren het BPD-risico als laag, medium of hoog met geschatte waarschijnlijkheidspercentages

Deelnemers:

Inclusie: Premature zuigelingen <32 weken zwangerschap of <1.500 gram, met complete klinische gegevens, gevolgd in de NICU gedurende de studieperiode Exclusie: Zuigelingen met grote aangeboren afwijkingen, onvolledige klinische gegevens of vroege postnatale sterfte

Uitkomsten:

Primair: Nauwkeurigheid van AI-modellen bij het voorspellen van BPD vergeleken met werkelijke klinische uitkomsten Secundair: Sensitiviteit en specificiteit van AI-voorspellingen, vergelijking van wekelijkse voorspellingen, prestatievergelijking tussen AI-modellen

Statistische analyse:

Beschrijvende statistiek (gemiddelde, SD, aantallen, percentages) Voorspellingsprestatiemetingen: nauwkeurigheid, sensitiviteit, specificiteit, ROC-analyse Vergelijking van modellen en wekelijkse voorspellingen met behulp van DeLong-test Statistisch significant: p < 0,05

Setting:

Single-center, ziekenhuisgebaseerd, Konya City Hospital NICU Retrospectieve klinische gegevensverzameling

Steekproef:

Doelpopulatie: Premature zuigelingen met hoog risico op BPD (<32 weken of <1.500 gram) Steekproefomvang: Minimaal 108 zuigelingen berekend met G-power software (80% power, 5% significantie, medium effectgrootte = 0,3)

AI-modelprotocol:

Gestandaardiseerde prompts voor elke postnatale week:

Klinische gegevens van een premature zuigeling in postnatale [1e/2e/3e] week:

• Zwangerschapsduur: [weken + dagen]
• Geboortegewicht: [gram]
• Geslacht: [man/vrouw]
• Antenatale steroïden: [Ja/Nee]
• Surfactanttherapie: [dosistelling]
• Respiratoire ondersteuning: [MV/CPAP/HFNC]
• FiO2-behoefte: [%]
• Sepsis/PDA-status: [Ja/Nee]

Voorspel BPD-risico (Laag/Medium/Hoog) en geef waarschijnlijkheid (%) voor elke categorie.

Ethiek:

Studie goedgekeurd door institutionele ethische commissie Gegevens geanonimiseerd en vertrouwelijkheid gewaarborgd