Wczesne przewidywanie dysplazji oskrzelowo-płucnej u wcześniaków z wykorzystaniem danych klinicznych

Tło:

Przedwczesny poród jest główną przyczyną zachorowalności i śmiertelności noworodków. Dysplazja oskrzelowo-płucna (BPD) jest jedną z najczęstszych przewlekłych chorób płuc u wcześniaków, szczególnie u tych z bardzo małym wiekiem ciążowym lub masą urodzeniową. BPD zwiększa długotrwałe uzależnienie od tlenu, długość pobytu w szpitalu i powikłania oddechowe. Wczesne przewidywanie BPD ma kluczowe znaczenie dla optymalizacji postępowania klinicznego.

Wiek ciążowy, masa urodzeniowa, czas wentylacji mechanicznej, terapia tlenowa, infekcje i czynniki hemodynamiczne są znanymi czynnikami ryzyka BPD. Opracowano kilka klinicznych modeli ryzyka do wczesnego przewidywania BPD, ale ich zastosowanie kliniczne jest ograniczone.

Ostatnie postępy w sztucznej inteligencji (AI) i uczeniu maszynowym wykazały potencjał w analizie danych klinicznych i przewidywaniu ryzyka choroby. Duże modele językowe (LLM), takie jak ChatGPT, Gemini i Claude, mogą interpretować złożone zbiory danych klinicznych i generować przewidywania ryzyka. Jednak badania oceniające ich skuteczność w przewidywaniu BPD u wcześniaków są ograniczone.

Cel:

Retrospektywna ocena skuteczności różnych LLM w przewidywaniu BPD u wcześniaków (<32 tygodni ciąży lub <1 500 gramów) przy użyciu danych klinicznych z 1., 2. i 3. tygodnia po urodzeniu. Badanie ma na celu porównanie przewidywań generowanych przez AI z rzeczywistymi wynikami klinicznymi.

Projekt badania:

Retrospektywne, obserwacyjne, jednoośrodkowe badanie Dane kliniczne z OITN Szpitala Miejskiego w Konyi zostaną pobrane z dokumentacji szpitalnej i anonimizowane Modele AI (ChatGPT, Gemini, Claude) otrzymają ustandaryzowane zestawy danych obejmujące wiek ciążowy, masę urodzeniową, płeć, wsparcie oddechowe, zapotrzebowanie na tlen, czas wentylacji mechanicznej, stan infekcji i inne istotne parametry Przewidywania AI sklasyfikują ryzyko BPD jako niskie, średnie lub wysokie z szacowanymi procentami prawdopodobieństwa

Uczestnicy:

Włączenie: Wcześniaki <32 tygodni ciąży lub <1 500 gramów, z kompletnymi danymi klinicznymi, obserwowane w OITN w okresie badania Wyłączenie: Niemowlęta z poważnymi wadami wrodzonymi, niekompletnymi danymi klinicznymi lub wczesną śmiercią poporodową

Wyniki:

Pierwszorzędowy: Dokładność modeli AI w przewidywaniu BPD w porównaniu z rzeczywistymi wynikami klinicznymi Drugorzędowe: Czułość i specyficzność przewidywań AI, porównanie przewidywań tygodniowych, porównanie skuteczności między modelami AI

Analiza statystyczna:

Statystyki opisowe (średnia, SD, liczby, procenty) Metryki skuteczności przewidywania: dokładność, czułość, specyficzność, analiza ROC Porównanie modeli i przewidywań tygodniowych przy użyciu testu DeLonga Istotność statystyczna: p < 0,05

Miejsce:

Jednoośrodkowe, szpitalne, OITN Szpitala Miejskiego w Konyi Retrospektywne zbieranie danych klinicznych

Próbka:

Populacja docelowa: Wcześniaki z wysokim ryzykiem BPD (<32 tygodni lub <1 500 gramów) Wielkość próby: Minimum 108 niemowląt obliczone przy użyciu oprogramowania G-power (moc 80%, istotność 5%, średni rozmiar efektu = 0,3)

Protokół modelu AI:

Ustandaryzowane polecenia dla każdego tygodnia po urodzeniu:

Dane kliniczne wcześniaka w [1./2./3.] tygodniu po urodzeniu:

• Wiek ciążowy: [tygodnie + dni]
• Masa urodzeniowa: [gramy]
• Płeć: [mężczyzna/kobieta]
• Sterydy prenatalne: [Tak/Nie]
• Terapia surfaktantem: [liczba dawek]
• Wsparcie oddechowe: [MV/CPAP/HFNC]
• Zapotrzebowanie na FiO2: [%]
• Stan sepsy/PDA: [Tak/Nie]

Przewiduj ryzyko BPD (Niskie/Średnie/Wysokie) i podaj prawdopodobieństwo (%) dla każdej kategorii.

Etyka:

Badanie zatwierdzone przez instytucjonalną komisję etyczną Dane anonimizowane i zachowana poufność