Konstruowanie multimodalnego systemu obrazowania w celu przewidywania ryzyka heterochronicznych przerzutów raka odbytnicy (MIS-MRC)

Proces gromadzenia danych przy ścisłym wdrażaniu specjalnego zarządzania, pełna nazwa kontroli jakości. Specjalny personel jest odpowiedzialny za gromadzenie obrazów klinicznych i informacji patologicznych pacjentów w systemie dokumentacji medycznej, a dane osobowe zostaną wykorzystane do identyfikacji i przetwarzania w celu ochrony prywatności pacjentów/uczestników badania. Jednocześnie wyznaczona jest specjalna osoba odpowiedzialna za kontrolę jakości i weryfikację danych źródłowych. Uczestnicy wykorzystują ujednolicony numer projektu jako unikalny kod identyfikacyjny, dane osobowe i informacje o sprawie wprowadzane i zapisywane przez przykładowy personel zarządzający, użytkownik widzi tylko indywidualny numer, nie wyświetla już imion i nazwisk uczestników ani innych danych osobowych. Zbudowano słownik danych zawierający szczegółowy opis każdej zmiennej wykorzystywanej przez rejestr, w tym źródło zmiennej, informacje kodujące. Informacje o próbce uczestników są przechowywane elektronicznie na dedykowanym komputerze, który nie jest używany do innych celów i jest opatrzony hasłem, do którego dostęp ma wyłącznie osoba (1 osoba) zarządzająca próbką. Dokumentacja medyczna uczestników będzie przechowywana w szpitalu i będzie dostępna wyłącznie dla badaczy; W razie potrzeby członkowie organizacji składającej ofertę, komisji etyki lub działu zarządzania rządowego mogą uzyskać dostęp do danych osobowych uczestników zgodnie z odpowiednimi uprawnieniami. Wyniki badania zostaną opublikowane jako dane poddane analizie statystycznej i nie będą zawierać żadnych informacji umożliwiających identyfikację uczestnika.

Sponsor jest odpowiedzialny za wdrożenie i utrzymanie systemów zapewnienia jakości i kontroli jakości wraz z pisemnymi Standardowymi Procedurami Operacyjnymi (SOP), aby zapewnić prowadzenie badań oraz generowanie, dokumentowanie (rejestrowanie) danych i raportowanie zgodnie z protokołem, dobrymi praktykami klinicznymi ( GCP) oraz obowiązujące wymogi regulacyjne. Standardowe procedury operacyjne powinny obejmować konfigurację, instalację i użytkowanie systemu. Standardowe procedury operacyjne powinny opisywać walidację systemu i testowanie funkcjonalności, gromadzenie i obsługę danych, konserwację systemu, środki bezpieczeństwa systemu, kontrolę zmian, tworzenie kopii zapasowych danych, odzyskiwanie, planowanie awaryjne i likwidację. Obowiązki sponsora, badacza i innych stron w odniesieniu do korzystania z tych systemów komputerowych powinny być jasne, a użytkownicy powinni zostać przeszkoleni w zakresie obsługi. Nieprzestrzeganie protokołu, SOP, GCP i/lub mających zastosowanie wymagań regulacyjnych przez badacza/instytucję lub członka(-ów) personelu sponsora powinno skutkować niezwłocznym podjęciem przez sponsora działań w celu zapewnienia zgodności.

W zależności od zachorowalności na LARC i ryzyka przerzutów odległych wielkość próby wynosi 300, a okres obserwacji wynosi co najmniej 3 lata.

Zaplanuj brakujące dane: jeśli odsetek brakujących danych jest bardzo duży, na przykład większy niż 95%, badacze mogą bezpośrednio usunąć to pole; Przy 50–95% badacze mają dwie metody przetwarzania, jedna polega na bezpośrednim usunięciu tego pola; innym sposobem jest przekształcenie pola w zmienną wskaźnikową; to jest zmienna 0-1. Jeśli pole jest puste, wynosi 0; W przeciwnym razie pole wynosi 1. Pomiędzy 5% a 50%: w tym scenariuszu badacze muszą uzupełnić brakujące wartości. W procesie napełniania istnieją dwie kategorie: proste wypełnianie i wypełnianie algorytmiczne. Napełnianie proste obejmuje: napełnianie 0, napełnianie średnie, napełnianie medianą, napełnianie modowe; Metody wypełniania algorytmów, takie jak wypełnianie K Nearest Neighbors (KNN), losowe wypełnianie lasów i tak dalej.

Statystyka Statystyczne rozwiązania produktowe i usługowe (SPSS, wersja 26.0) i oprogramowanie R (wersja 4.0.5) wykorzystano do analiz statystycznych. Do oceny optymalnej wartości odcięcia współczynnika zrębu guza (TSR) w różnicowaniu ryzyka DM na podstawie maksymalnego wskaźnika Youdena wykorzystano analizę krzywej charakterystyki operacyjnej odbiornika (ROC). Mapy cieplne pokazały rozkład zmiennych pomiędzy pacjentami z cukrzycą lub bez cukrzycy w ciągu 3 lat. Niezależne czynniki ryzyka DMFS określono za pomocą krzywych Kaplana-Meiera (K-M) i analizy regresji Coxa, sekwencyjnie na podstawie danych kohorty szkoleniowej. Istotność statystyczną ustalono na P <0,05. Zmienność między obserwatorami oceniano za pomocą statystyki κ dla zmiennych kategorycznych i rankingowych oraz ICC dla zmiennych ciągłych.

Ocena TSR Próbki biopsyjne pobrane z kolonoskopii pocięto na skrawki o grubości 5 µm i wybarwiono H&E. Wybrano obszary zawierające zarówno komórki zrębowe, jak i nowotworowe ze wszystkich czterech stron w celu oceny współczynnika zrębu guza (TSR) przy użyciu automatycznej metody punktacji. W tym badaniu najwyższy udział składników zrębu we wszystkich mierzonych obszarach odnotowano jako końcową wartość TSR.

Analiza rezonansu magnetycznego Do analizy obrazów MR, która obejmuje akwizycję i rekonstrukcję obrazu, segmentację obrazu, ekstrakcję i kwalifikację cech, analizę i budowanie modelu, wykorzystano metodę uczenia maszynowego.

Badania rezonansu magnetycznego (MR) przed leczeniem przeprowadzono przy użyciu skanerów 3,0 T z 8-kanałową cewką z owiniętym układem fazowym. Podawano domięśniowy zastrzyk 10 mg chlorowodorku raceanizodaminy, aby zminimalizować wypróżnienia, chyba że było to przeciwwskazane. Uzyskane sekwencje obejmowały obrazowanie zależne od T1 (T1WI), obrazowanie zależne od T2 (T2WI) z saturacją tłuszczu i bez niej oraz obrazowanie zależne od dyfuzji (DWI).

Interesujący obszar nowotworu (ROI) został ręcznie wyznaczony, przekrój po przekroju, na wysokiej rozdzielczości skośnym, osiowym T2WI (prostopadłym do światła odbytnicy) przez pierwszego radiologa, a następnie potwierdzony przez drugiego radiologa z większym doświadczeniem w zakresie zestawu narzędzi do segmentacji i rejestracji Insight - Projekt analizy sieci Standford (ITK-SNAP), z którego uzyskano trójwymiarową objętość całego guza będącego przedmiotem zainteresowania (VOI). Nieporozumienia zostały rozwiązane w drodze dyskusji. Radiolodzy byli zaślepieni na informacje kliniczno-patologiczne. Ogółem z każdego VOI wyodrębniono 1229 cech, które można podzielić na cztery kategorie: (1) cechy kształtu; (2) charakterystyki statystyczne pierwszego rzędu; (3) cechy tekstury; oraz (4) charakterystyki statystyczne wyższego rzędu.

Obliczono współczynniki korelacji między- i wewnątrzklasowej (ICC) wyodrębnionych cech, aby ocenić powtarzalność cech. Cechy z <0,75 ICC uznano za niestabilne i wyeliminowano. Do identyfikacji cech zbędnych wykorzystano analizę korelacji Pearsona i dla dowolnych dwóch cech o współczynniku 0,9 wyeliminowano tę, która miała większy średni współczynnik bezwzględny. Do wybrania najbardziej znaczącego parametru predykcyjnego z kohorty szkoleniowej zastosowano algorytm operatora najmniejszego bezwzględnego skurczu i selekcji (LASSO), a w celu przeprowadzenia redukcji wymiarowości zastosowano 5-krotną weryfikację krzyżową. Podpis (tj. Radscore) obliczono przy użyciu liniowej kombinacji ostatecznie wybranych cech ważonych odpowiednimi współczynnikami.

Budowa i walidacja modelu Zgodnie z wynikami regresji Coxa, nomogram (Mr) integrujący wszystkie niezależne czynniki ryzyka z wyjątkiem TSR, nomogram TSR (Mt) integrujący wszystkie niezależne czynniki ryzyka z wyjątkiem Radscore oraz model łączony (Mrt) obejmujący wszystkie Skonstruowano niezależne czynniki ryzyka w celu przewidzenia 3-letniego ryzyka DM. Zdolność dyskryminacyjną tych modeli oceniono i porównano za pomocą krzywych ROC. Wykresy kalibracyjne sporządzono w celu zbadania możliwości kalibracji trzech modeli. Przeprowadzono analizę krzywej decyzji w celu zbadania korzyści klinicznych poprzez obliczenie korzyści netto każdej strategii decyzyjnej przy każdym prawdopodobieństwie progowym.