Kunstig intelligens for diagnostisering av legemiddelresistent tuberkulose

FREMGANGSMÅTE

1. Under tillatelsen gitt av studiesentrene vil teamet innhente medisinske journaler for alle kvalifiserte tilfeller i løpet av de siste 5 årene

2. Etterforskerne samler deretter inn informasjon om interessevariabel/parameter som oppnås ved anamnese og ytterligere undersøkelser og også medisinsk fakturering og sykehusbetaling per tjeneste. For deltakere med helseforsikring vil de direkte utgiftene til behandling være basert på INA-CBGs (saksbasert gruppe) betaling. Disse dataene vil da bli registrert i en elektronisk database.

   Parameter for modellutvikling:

   Vertsbasert:

   1. Tilstedeværelse av diabetes mellitus (inkludert år med å ha blitt diagnostisert, HbA1c Før sommertid undersøkelse og behandling, medisinering enten insulin eller oral antidiabetiker)
   2. Tilstedeværelse av HIV ((inkludert år med å bli diagnostisert, CD4-nivå før sommertid undersøkelse og behandling, og antiretroviral medisin)
   3. Tobakksavvenning (Brinkman Index)
   4. Alkohol inntak
   5. Anamnese med immunsuppressiv bruk (steroid)
   6. Tilstedeværelse av andre sykdommer (kreft, hjerneslag, hjerte- og karsykdommer)
   7. Historie om narkotikamisbruk
   8. Anamnese med bivirkning under tuberkulosebehandling
   9. Overholdelse av tidligere tuberkulosebehandling
   10. Tilstedeværelse av KOLS
   11. Kroppsmasseindeks

   Miljø

   1. Historie om kontakt med tuberkulosepasienter
   2. Sunn indeks for levemiljø (husholdningsmengder)

   Middel

   1. Nivå av bakterieutstryk før sommertid
   2. Forlengelse av lesjon i røntgen thorax
   3. Tilstedeværelse av kavitasjon

   Sosiodemografiske faktorer

   1. Alder
   2. Kjønn
   3. utdanning
   4. Inntektsnivå
   5. Helseforsikring
   6. Sivilstatus
   7. Ansettelsesstatus
3. For ufullstendig informasjon vil en bekreftelse til helsestasjonen som henviste sakene gjøres ved bruk av Tuberkuloseregistrering eller spørreskjema.

4. Modellbyggingen vil bli utført ved hjelp av en kunstig intelligent modell i R. En valgt modell er et kunstig nevralt nettverk enten ved bruk av radial basefunksjon eller flerlags perceptron. Flere viktige prosedyrer inkludert:

   1. Bestem signifikant parameter
   2. Håndtere utilstrekkelig og ubalansert dataklasse (over- eller undersampling)
   3. Normalisering (batch, min-maks)
   4. Lag og design
   5. Opplæring og testdistribusjon (70:30)
   6. Modellvalg
5. Ekstern validering vil bli gjort til oppnevnt studiesenter. Presisjon: (sann positiv + sann negativ)/alle tilfeller
6. Simuleringen av inkrementell kostnadseffektivitetsforhold vil bli gjort, og sammenligne den beste modellen mot gullstandarden og GeneXpert, noe som gir en besparelse per effektivitetsenhet