Globalne badanie prawdopodobieństwa wstępnego testu choroby wieńcowej (GPS-CAD)

To badanie jest zagregowanym rejestrem obejmującym retrospektywny przegląd dokumentacji medycznej osób z wielu ośrodków. Ogólnym podejściem jest stworzenie dużego, skonsolidowanego, globalnego rejestru istniejących kohort pacjentów kierowanych na badania nieinwazyjne z wykorzystaniem tomografii komputerowej (CT). Anonimowe obrazy i ustrukturyzowane dane, w tym dane demograficzne, czynniki ryzyka, wyniki i wyniki tomografii komputerowej będą pozyskiwane z wielu witryn. Rodzaje obrazów, które mają być analizowane i określane ilościowo, to tomografia komputerowa bez kontrastu (NCCT) i angiografia wieńcowa (CCTA). Ocena CAC będzie oparta na metodzie Agatstona, podczas gdy CAD będzie oceniana na podstawie danych z rejestru odczytów CCTA.

Zebrane dane będą obejmować czynniki ryzyka i dane demograficzne, takie jak wiek, płeć, pochodzenie etniczne, nadciśnienie, palenie tytoniu, cukrzyca, dyslipidemia i wywiad rodzinny w kierunku CAD. Wyniki, takie jak zgony i zawały mięśnia sercowego, zostaną uwzględnione w zbiorze danych, jeśli będą dostępne. Wszystkie otrzymane dane zostaną zanonimizowane i pozbawione elementów umożliwiających identyfikację. Członkowie zespołu badawczego będą sprawdzać dane badawcze, aby upewnić się, że wszystkie dane badawcze zostały dokładnie zebrane i kompletne.

Elementy danych różnych kohort mogą nie harmonizować lub nie pasować do siebie. Może brakować elementów danych lub wprowadzać różne dane. Jako takie, pominięcie lub imputacja może być wykorzystana do przeprowadzenia analiz. Aby zminimalizować heterogeniczność danych w formacie, witryny będą wyposażone w standardowy szablon i słownik danych. To zakończy wstępną harmonizację danych i oczekiwane elementy danych. Zebrany zestaw danych zostałby następnie zharmonizowany przez zespół biostatystyczny przed analizą.

Przybliżona całkowita wielkość badania n = 200 000. Zakładając, że pole pod krzywą działania odbiornika (AUC) wynosi 0,70 dla istniejących metod PTP i CAC, ta propozycja ma wystarczającą moc, aby wykryć wzrost AUC o 0,05 przy użyciu dwustronnego testu z na poziomie istotności 0,05. Zmienne ciągłe zostaną wyrażone jako średnia i odchylenie standardowe. Zmienne kategoryczne zostaną wyrażone w liczbach bezwzględnych i procentach. Rozkłady zostaną przetestowane pod kątem normalności przy użyciu statystyki Shapiro-Wilka. Zmienne o rozkładzie innym niż normalny będą reprezentowane jako mediana z przedziałem międzykwartylowym od 25 do 75. Porównanie zmiennych ciągłych o rozkładzie normalnym zostanie przeprowadzone przy użyciu testu t-Studenta dla danych sparowanych i niesparowanych. Zmienne o rozkładzie innym niż normalny zostaną porównane przy użyciu testów sumy rang Manna-Whitneya i testów Kruskala-Wallisa. W stosownych przypadkach porównanie danych kategorycznych zostanie przeprowadzone przy użyciu chi-kwadrat i dokładnego testu Fishera.

Różnice w wynikach w czasie zostaną przeanalizowane za pomocą analizy Kaplana-Meiera z testem log-rank dla każdego wyniku. Za pomocą analizy regresji Coxa zostaną przeprowadzone analizy regresji jednowymiarowej i wielowymiarowej. Analiza jednoczynnikowa obejmie zmienne przed zdarzeniem o wartościach p <0,10. Zmienne, które wykazały istotne (p<0,05) korelacja z punktami końcowymi, po analizie jednoczynnikowej, zostanie uwzględniona w modelach wielowymiarowych. Obliczone zostaną ilorazy szans i 95% przedział ufności. Istotność statystyczną ustalono jako p<0,05. Zaawansowane techniki uczenia maszynowego (np. sieci neuronowe).