AI-ondersteunde stadiering en behandelingsbesluitvorming voor hepatocellulair carcinoom

1. Studiebeschrijving

   Kort overzicht: De precieze behandeling van primair hepatocellulair carcinoom (HCC) hangt sterk af van nauwkeurige ziektestadiëring (CNLC, TNM, BCLC) en wetenschappelijke behandelbesluitvorming, waarvoor de integratie van zowel beeldvormende als klinische basisgegevens nodig is. Deze studie werft prospectief HCC-patiënten en klinische artsen van verschillende ziekenhuiscategorieën aan om de klinische waarde van een zelfontwikkeld kunstmatige intelligentie (AI)-model te evalueren bij het ondersteunen van multidimensionale uitgebreide beoordeling en behandelbesluitvorming. Met behulp van een Multi-Rater Multi-Case (MRMC) cross-over gebalanceerd ontwerp vergelijkt de studie de nauwkeurigheid van klinische evaluaties uitgevoerd door artsen onder "niet-ondersteunde (zonder AI)" versus "AI-ondersteunde" omstandigheden. Een belangrijk aandachtspunt is om te onderzoeken of AI de uitgebreide beoordelingscapaciteiten van artsen in eerstelijns/tweedelijns ziekenhuizen aanzienlijk kan verbeteren, waardoor diagnostische en therapeutische heterogeniteit tussen verschillende institutionele niveaus prospectief wordt verminderd.

   Gouden Standaard (Referentiestandaard): De referentiestandaard (Ground Truth) voor alle prospectief ingeschreven gevallen wordt vastgesteld door een onafhankelijke expertpanel bestaande uit 3 gezaghebbende experts. Het panel bepaalt de definitieve standaardantwoorden voor de vier classificatietaken door middel van geblindeerde onafhankelijke evaluatie en gezamenlijke discussie (stemmingssysteem), waarbij volledige prospectieve beeldvormingsgegevens, klinische basisgegevens, multidisciplinair team (MDT) consensus, en definitieve pathologische of klinische follow-upresultaten worden opgenomen.

2. In- en uitsluitingscriteria

2.1 Beoordelaarsgeschiktheid:

1. Senior Artsen in Tertiaire Ziekenhuizen: Werkzaam in de afdeling hepato-pancreato-biliaire chirurgie, oncologie, of aanverwante afdelingen in Klasse III Graad A (tertiaire) ziekenhuizen, met de beroepstitel van medisch specialist of hoger.
2. Junior Artsen in Tertiaire Ziekenhuizen: Werkzaam in aanverwante afdelingen in Klasse III Graad A (tertiaire) ziekenhuizen, met de beroepstitel van arts-assistent.
3. Artsen in Eerstelijns/Tweedelijns Ziekenhuizen: Klinische artsen werkzaam in ziekenhuizen op districtsniveau of Klasse II algemene ziekenhuizen.
4. Geïnformeerde Toestemming: Moeten vrijwillig instemmen met deelname aan de beoordeling en het geïnformeerde toestemmingsformulier ondertekenen.

2.2 Patiënt/Case Geschiktheid:

Inclusiecriteria:

1. Leeftijd > 18 jaar.
2. Patiënten die prospectief presenteren met vermoedelijk of nieuw gediagnosticeerd primair hepatocellulair carcinoom (HCC), later bevestigd door pathologie of voldoend aan de China Liver Cancer (CNLC) richtlijnen.
3. Volledige klinische basisgegevens verkregen tijdens de prospectieve inschrijvingsperiode, inclusief volledige geschiedenis van huidige/voorgaande ziekte, ECOG PS score, uitgebreide laboratoriumtesten (leverfunctie, stolling, tumormarkers zoals AFP, etc.), en basislijn abdominale contrastversterkte CT.
4. Patiënten (of hun wettelijke vertegenwoordigers) moeten schriftelijke geïnformeerde toestemming verlenen voor het gebruik van hun klinische gegevens in deze proef.

Exclusiecriteria:

1. Patiënten met secundaire (uitgezaaide) leverkanker of gelijktijdige ernstige maligniteiten van andere systemen.
2. Patiënten die niet in staat zijn de vereiste basislijn beeldvorming of laboratoriumtesten te voltooien, waardoor nauwkeurige stadiëringberekening wordt verhinderd (bijvoorbeeld ontbrekende gegevens voor Child-Pugh score).
3. Patiënten die voorafgaand aan inschrijving al antikankertherapieën voor leverkanker hebben ontvangen.

3. Studieontwerp

Interventiemodel: Cross-over Toewijzing Maskering: Enkelblind. Deelnemende beoordelaars zijn geblindeerd voor de gouden standaardantwoorden van de cases en voor de evaluatieresultaten van andere deelnemende artsen.

Groepen en Interventies:

Case Set Indeling: 108 prospectief en opeenvolgend ingeschreven geschikte HCC cases worden gebatcheerd en willekeurig verdeeld in Dataset Set A (54 cases) en Dataset Set B (54 cases). Er wordt gewaarborgd dat er geen statistisch significante verschillen zijn tussen de twee sets wat betreft tumorbelasting, leverfunctiegradatie en stadiëringsverdeling.

Beoordelaarsgroepering: In totaal worden 12 prospectief geworven klinische artsen opgenomen, bestaande uit 4 in de tertiaire ziekenhuis senior groep, 4 in de tertiaire ziekenhuis junior groep, en 4 in de eerstelijns/tweedelijns ziekenhuis groep. Ze worden op basis van gestratificeerde randomisatie verdeeld in twee evaluatiegroepen:

Groep A (6 beoordelaars): 2 tertiair senior, 2 tertiair junior, 2 eerstelijns/tweedelijns ziekenhuis.

Groep B (6 beoordelaars): 2 tertiair senior, 2 tertiair junior, 2 eerstelijns/tweedelijns ziekenhuis.

Groep 1 - Groep A Beoordelaars:

Fase 1 Interventie (Controle): Onafhankelijke evaluatie van Set A (54 cases) combinerend klinische teksten en beeldvormingsgegevens, vastleggend 4 classificatieresultaten, zonder AI-ondersteuning.

Fase 2 Interventie (Experimenteel): Evaluatie van Set B (54 cases). Het systeem presenteert de 4 voorspellingsresultaten van het AI-model en gerelateerd bewijsmateriaal; artsen geven het definitieve oordeel na uitgebreide referentie.

Groep 2 - Groep B Beoordelaars:

Fase 1 Interventie (Controle): Onafhankelijke evaluatie van Set B (54 cases) combinerend klinische teksten en beeldvormingsgegevens, vastleggend 4 classificatieresultaten, zonder AI-ondersteuning.

Fase 2 Interventie (Experimenteel): Evaluatie van Set A (54 cases). Artsen geven het definitieve oordeel na referentie aan de resultaten van het AI-model.

4. Uitkomstmaten

Primaire Uitkomst:

Verbetering in Algemene Nauwkeurigheid: Het verschil in gemiddelde nauwkeurigheid over de 4 classificatietaken tussen AI-ondersteunde evaluatie (experimentele groep) en onafhankelijke evaluatie (controle groep).

Secundaire Uitkomsten:

Homogenisatie Effect: Beoordeling of het verschil in klinische evaluatienauwkeurigheid tussen artsen in de eerstelijns/tweedelijns ziekenhuis groep en de tertiaire ziekenhuis groepen aanzienlijk wordt verminderd onder AI-ondersteuning.

Evaluatie-efficiëntie: Vergelijking van de gemiddelde evaluatietijd per case tussen artsen met en zonder AI-ondersteuning.

Inter-beoordelaars Overeenstemming: Vergelijking van de consistentie van evaluatieresultaten tussen artsen (bijvoorbeeld gebruikmakend van Kappa statistieken), met en zonder AI-ondersteuning.

5. Statistische Analyseplan & Steekproefomvang

Steekproefomvang Rechtvaardiging:

De steekproefomvangberekening voor deze studie is gebaseerd op de verwachte verandering in de algemene gemiddelde nauwkeurigheid over alle niveaus van prospectief geworven artsen. Er wordt geschat dat de algemene gemiddelde nauwkeurigheid zonder AI-ondersteuning 0,60 is, en met AI-ondersteuning 0,70.

Door het significantieniveau voor een tweezijdige toets in te stellen op 0,05 (overeenkomend met een Z-waarde van ongeveer 1,96) en de statistische power op 0,80 (overeenkomend met een Z-waarde van ongeveer 0,84), werd de steekproefomvang bepaald met behulp van de standaard statistische methode voor het vergelijken van twee onafhankelijke proporties. Aangenomen dat er geen clusteringseffect is als gevolg van meerdere case-evaluaties door dezelfde arts, geeft deze berekening aan dat elke interventiegroep minimaal 353 onafhankelijke evaluaties vereist.

Power Verificatie:

In de werkelijke configuratie van deze studie zijn er in totaal 12 artsen.

Totaal onafhankelijke evaluaties voor de controle groep (zonder AI) = Groep A (6 beoordelaars) x Set A (54 cases) + Groep B (6 beoordelaars) x Set B (54 cases) = 648 onafhankelijke evaluaties.

Totaal onafhankelijke evaluaties voor de experimentele groep (met AI) ook = 648 onafhankelijke evaluaties.

Aangezien 648 evaluaties groter is dan de vereiste basis van 353 evaluaties, bezit de huidige configuratie van cases en artsen reeds voldoende statistische power. Deze steekproefomvang biedt een conservatieve marge (ongeveer 1,8 keer de basisvereiste) om adequaat rekening te houden met enig clusteringseffect (intra-klasse correlatie) als gevolg van meerdere case-evaluaties door dezelfde arts in dit MRMC ontwerp.