Prediktorer for eggstokkreft og endometriekreft for kunstig intelligens-basert screeningverktøy

Metodikk:

Denne studien vil omfatte to ulike stadier

1. Den første fasen vil gjennomføre en kohortstudie for å identifisere mulige prediktorer for hver type kreft
2. Den andre fasen vil dekke utviklingen av point-of-care-testing basert på en kunstig intelligensmodell for å forutsi kreftforekomst og prospektiv testing av de nye deltakerne ved hjelp av en diagnostisk studiemetode. Verktøyene vil forutsi det nåværende histopatologiresultatet og mulig fremtidig histopatologi innen ett år.

Deltakere og datakilde I studiesenteret ble kvinner med eller uten gynekologi-assosierte symptomer gjennomgått gynekologiske og patologiske vurderinger for å utelukke eggstok- og endometriecancer i vårt studiesenter. Data lagres digitalt og utvinning vil bli gjort deretter

Variabler og resultatmåling

1. Demografiske data og helsedata denne informasjonen er hentet fra den første vurderingen av pasientene, inkludert alder, kroppsmasseindeks, kroniske sykdommer, gynekologisk og obstetrisk profil, menstruasjonsmønster og prevensjon
2. Kliniske data og laboratoriedata inkluderer en fullstendig blodtelling, utvalgt kreftassosiert biomarkør (for eksempel Cancer Antigen 125 (Ca-125)), involvering av lymfeknute, histopatologi av relevante vev og tegn på metastaser gjennom kliniske eller radiologiske data
3. Utfall endelig histopatologitype og klassifisering vurdert av minst to patologer for å bestemme krefttypen. Retningslinjene for klassifisering følger Verdens helseorganisasjons klassifisering

Utvikling av kunstig-intelligens-baserte screeningverktøy

1. Forskeren skal utvikle

   - en informasjonsbasert modell hvor brukeren vil gi et svar på hver prediktor

   - en bildebasert modell der brukeren vil gi et tatt bilde for prediksjon

   - en blandet-basert modell hvor brukeren kan kombinere fangede bilder og informasjon for hver prediktor

2. foreslått modell

   - scoringsbasert utledet fra regresjonskoeffisienten

   - beslutningstre

   - tilfeldig skog

   - kunstig nevrale nettverk

   • konvolusjonelt nevralt nettverk
3. Valg av modell

1. Screening av ytelse på delte data (eller bruk av kryssvalideringsteknikk)

2. evaluering av loggtap eller sannsynlighet

   Tidslinje

   1. For den første fasen av studien vil det være en tidsvarierende vurdering for hver deltaker, men minst deltakerne gjennomgår en vurdering av alle faktorer og utfall ved baseline. Gjentatt evaluering som foreslått av legen vil gjøres innen ett år etter grunnlinjevurderingen.

   2. Den andre studien vil anvende prospektiv screening. Det kunstig intelligensbaserte screeningsverktøyet vil bli brukt samtidig med gullstandarden for diagnose.

   Mulig skjevhet prosedyreskjevhet, spesielt i tolkning av pålitelighetsutfall, håndteres ved å involvere flere patologer. Patologen og screeneren vil utføre screeningen uavhengig for å redusere tendensen til tidligere resultater levert av de nyutviklede screeningsverktøyene.

   Prøvestørrelse

   1. Den første fasen av forskningen forutsetter det

en. Prevalensen av både kreft blant alle krefttilfeller hos kvinner utgjorde 5 % b. Type I feil satt til 5 % c. absolutt feil av prevalensen 1 % ved bruk av en-utvalgsandelsformelen, den estimerte prøvestørrelsen er 1825 deltakere.

2. Etter den diagnostiske studien uttaler vi at den nye modellen for screeningverktøy vil vise ikke-underordnet ytelse til histopatologi som gullstandard, forutsatt at

en. den forventede forskjellen i sensitivitetsverdi er 5 % forutsatt at de nye screeningsverktøyene vil ha 85 % sensitivitet og sensitiviteten til histopatologi er 90 % b. cross-over-testing vil bli utført, noe som skaper en lik fordeling av screeningintervensjon. c. Type 1 feil av studien satt til 5 % d. Kraften til studien satt til 80 % av den totale prøvestørrelsen for det potensielle screeningsverktøyet vil være 1080 deltakere

Datakvantifisering og diskretisering flere kliniske opplysninger vil bli klassifisert i henhold til de etablerte retningslinjene, for eksempel kroppsmasseindeks.

Foreslått statistisk analyse

1. Deskriptiv statistisk og bivariat analyse
2. En cox-regresjon vil bli utført etter tidslinjen fra baseline-til-hendelse
3. Undergruppeanalyser vil bli gjort, spesielt i visse demografiske og komorbiditeter.

når det gjelder det andre trinnet, vil analysen identifisere

1. følsomhet
2. spesifisitet
3. nøyaktighet
4. presisjon
5. Antallet Needed to Treat utvalgte modeller vil bli distribuert i en applikasjon.