AI-algoritmer i prediksjon av ACS basert på leukocyttegenskaper

Den kliniske studien med AI-ACS er en observasjonsstudie med ett senter som tar sikte på å vurdere den diagnostiske ytelsen til AI-algoritmer som bruker data fra hvite blodlegemer (WBC) for å forutsi akutt koronarsyndrom (ACS) hos pasienter med akutte brystsmerter. Denne studien utnytter avansert kunstig intelligens for å analysere høydimensjonale målinger av WBC-egenskaper for å forbedre prediksjonen og differensieringen av ACS fra andre ikke-kardiale årsaker til brystsmerter, og sammenligner disse spådommene med tradisjonelle målinger av høysensitiv hjertetroponin (hs-cTn).

Teknisk beskrivelse av studieprotokollen

AI-ACS-studien bruker et prospektivt, observasjons-case-control design utført ved Medical University of Graz. Den er strukturert i to hovedfaser: opplæring og testing av AI-modeller. WBC-data samles inn gjennom rutinemessige blodprøver utført ved pasientinnleggelse, ved bruk av Sysmex XN-seriens hematologianalysatorer. Disse dataene brukes til å trene AI-algoritmer med jevne mellomrom, med sikte på å avgrense deres diagnostiske nøyaktighet i løpet av studien.

Kvalitetssikring og registerprosedyrer

AI-ACS-prøven inkluderer flere tiltak for å sikre kvaliteten og integriteten til dataene som samles inn, samt overholdelse av standard driftsprosedyrer:

Datavalidering og kvalitetssikringsplan:

Kontinuerlig overvåking på stedet og periodiske revisjoner utføres for å sikre overholdelse av den kliniske protokollen og overholdelse av regelverk.

Datavalideringsprosedyrer er implementert for å kontrollere nøyaktigheten og konsistensen til WBC-dataene som er lagt inn i studiens database. Automatiserte datasjekker sammenligner nye oppføringer med forhåndsdefinerte regler for rekkevidde og konsistens med andre datafelt.

Kildedatabekreftelse:

Verifisering av kildedata utføres ved å sammenligne de elektroniske dataene som er fanget i studiedatabasen med originale journaler og laboratorierapporter for å vurdere nøyaktigheten og fullstendigheten av dataene.

Dataordbok:

Studien bruker en detaljert dataordbok som inkluderer beskrivelser av hver variabel som er samlet inn, inkludert kilden til variabelen (f.eks. pasientdemografi, laboratorieresultater), kodeinformasjon og normalområder. Denne ordboken bidrar til å opprettholde konsistens i datatolkning og analyse.

Standard driftsprosedyrer (SOPs):

SOPs for pasientrekruttering, datainnsamling, datahåndtering, analyse og rapportering er godt dokumentert og fulgt gjennom hele studien. Disse prosedyrene inkluderer detaljerte trinn for håndtering av uønskede hendelser og endringer i studieprotokollen.

Prøvestørrelsesvurdering:

Studien er designet med en prøvestørrelse på 2100 deltakere for trening (700 per kohort) og 600 for testing (300 per kohort), beregnet for å gi tilstrekkelig kraft til å oppdage signifikante forskjeller i diagnostisk ytelse av AI-modellene versus hs-cTn.

Plan for manglende data:

Prosedyrer for å håndtere manglende eller inkonsekvente data inkluderer imputasjonsteknikker og sensitivitetsanalyser for å evaluere virkningen av manglende data på studieresultater.

Statistisk analyseplan:

Den statistiske analyseplanen skisserer metodene som brukes for å evaluere den diagnostiske ytelsen til AI-modellene, inkludert Receiver Operating Characteristic (ROC) kurveanalyse, area under the curve (AUC) beregninger og sensitivitets- og spesifisitetsvurderinger. Sammenligninger av AI-modeller med hs-cTn-målinger vil bli utført ved å bruke logistiske regresjonsmodeller justert for potensielle konfoundere.

Studiemål og hypoteser

Hovedmålet med AI-ACS-studien er å trene og validere AI-modeller som er i stand til nøyaktig å forutsi ACS fra WBC-data, og potensielt overgå den diagnostiske ytelsen til standard hs-cTn-analyser. Hypotesen er at AI-drevet analyse av WBC-egenskaper mer nøyaktig kan skille mellom ACS- og ikke-ACS-årsaker til brystsmerter, og dermed forbedre den kliniske beslutningstakingen og redusere unødvendige medisinske intervensjoner.

Ved å fremme hvordan vi bruker rutinemessige blodprøver med AI, søker AI-ACS-studien å forbedre den raske identifiseringen av pasienter med risiko for ACS, og dermed potensielt transformere standarden for omsorg i akutt kardiovaskulær diagnose.