Tidlig prediksjon av bronkopulmonal dysplasi hos premature spedbarn ved bruk av kliniske data

Bakgrunn:

Førtidlig fødsel er en viktig årsak til neonatal morbiditet og mortalitet. Bronkopulmonal dysplasi (BPD) er en av de vanligste kroniske lungesykdommene hos premature spedbarn, spesielt hos de med svært lav gestasjonsalder eller fødselsvekt. BPD øker langsiktig oksygenavhengighet, sykehusopphold og respiratoriske komplikasjoner. Tidlig prediksjon av BPD er avgjørende for å optimalisere klinisk behandling.

Gestasjonsalder, fødselsvekt, varighet av mekanisk ventilasjon, oksygenterapi, infeksjoner og hemodynamiske faktorer er kjente risikofaktorer for BPD. Flere kliniske risikomodeller er utviklet for å forutsi BPD tidlig, men deres kliniske anvendelighet er begrenset.

Nylige fremskritt innen kunstig intelligens (AI) og maskinlæring har vist potensial i å analysere kliniske data og forutsi sykdomsrisiko. Store språkmodeller (LLM) som ChatGPT, Gemini og Claude kan tolke komplekse kliniske datasett og generere risikoprediksjoner. Imidlertid er studier som evaluerer deres ytelse i å forutsi BPD hos premature spedbarn begrenset.

Mål:

Å retrospektivt evaluere ytelsen til forskjellige LLM-er i å forutsi BPD hos premature spedbarn (<32 uker gestasjon eller <1 500 gram) ved bruk av kliniske data fra postnatale uke 1, 2 og 3. Studien har som mål å sammenligne AI-genererte prediksjoner med faktiske kliniske utfall.

Studiedesign:

Retrospektiv, observasjonsstudie, enkelt-senter-studie. Kliniske data fra intensivavdelingen for nyfødte (NICU) ved Konya City Hospital vil bli hentet fra sykehusjournaler og anonymisert. AI-modeller (ChatGPT, Gemini, Claude) vil motta standardiserte datasett inkludert gestasjonsalder, fødselsvekt, kjønn, respiratorisk støtte, oksygenbehov, varighet av mekanisk ventilasjon, infeksjonsstatus og andre relevante parametere. AI-prediksjoner vil klassifisere BPD-risiko som lav, middels eller høy med estimerte sannsynlighetsprosenter.

Deltakere:

Inklusjon: Premature spedbarn <32 uker gestasjon eller <1 500 gram, med fullstendige kliniske data, fulgt opp i NICU i studieperioden. Eksklusjon: Spedbarn med store medfødte anomali, ufullstendige kliniske data eller tidlig postnøden død.

Utfall:

Primært: Nøyaktighet av AI-modeller i å forutsi BPD sammenlignet med faktiske kliniske utfall. Sekundært: Sensitivitet og spesifisitet av AI-prediksjoner, sammenligning av ukentlige prediksjoner, ytelsessammenligning mellom AI-modeller.

Statistisk analyse:

Deskriptiv statistikk (gjennomsnitt, standardavvik, antall, prosenter). Prediksjonsytelsesmål: nøyaktighet, sensitivitet, spesifisitet, ROC-analyse. Sammenligning av modeller og ukentlige prediksjoner ved bruk av DeLong-test. Statistisk signifikans: p < 0,05.

Setting:

Enkelt-senter, sykehusbasert, Konya City Hospital NICU. Retrospektiv innsamling av kliniske data.

Utvalg:

Målpopulasjon: Premature spedbarn med høy risiko for BPD (<32 uker eller <1 500 gram). Utvalgsstørrelse: Minimum 108 spedbarn beregnet ved bruk av G-power-programvare (80% styrke, 5% signifikansnivå, medium effektstørrelse = 0,3).

AI-modellprotokoll:

Standardiserte spørringer for hver postnatale uke:

Kliniske data for et premature spedbarn i postnatale [1./2./3.] uke:

• Gestasjonsalder: [uker + dager]
• Fødselsvekt: [gram]
• Kjønn: [gutt/jente]
• Antenatale steroider: [Ja/Nei]
• Surfaktantterapi: [dosistelling]
• Respiratorisk støtte: [MV/CPAP/HFNC]
• FiO2-behov: [%]
• Sepsis/PDA-status: [Ja/Nei]

Forutsi BPD-risiko (Lav/Middels/Høy) og angi sannsynlighet (%) for hver kategori.

Etikk:

Studie godkjent av institusjonens etikkkomité. Data anonymisert og konfidensialitet opprettholdt.