Sztuczna inteligencja wspomagająca określanie stadium zaawansowania i podejmowanie decyzji terapeutycznych w raku wątrobowokomórkowym

1. Opis badania

   Krótkie podsumowanie: Precyzyjne leczenie pierwotnego raka wątrobowokomórkowego (HCC) w dużej mierze zależy od dokładnego określenia stadium choroby (CNLC, TNM, BCLC) oraz naukowego podejmowania decyzji terapeutycznych, co wymaga integracji zarówno danych obrazowych, jak i klinicznych danych wyjściowych. Niniejsze badanie prospektywnie rekrutuje pacjentów z HCC oraz lekarzy klinicznych z różnych szczebli szpitali w celu oceny wartości klinicznej opracowanego samodzielnie modelu sztucznej inteligencji (AI) we wspomaganiu wielowymiarowej kompleksowej oceny i podejmowania decyzji terapeutycznych. Wykorzystując krzyżowy zrównoważony projekt wieloosobowy z wieloma przypadkami (MRMC), badanie porównuje dokładność ocen klinicznych przeprowadzanych przez lekarzy w warunkach "bez wsparcia (bez AI)" versus "wspieranych przez AI". Kluczowym celem jest zbadanie, czy AI może znacząco zwiększyć możliwości kompleksowej oceny lekarzy w szpitalach podstawowej/podstawowo-specjalistycznej opieki zdrowotnej, tym samym potencjalnie zmniejszając heterogeniczność diagnostyczną i terapeutyczną na różnych poziomach instytucjonalnych.

   Złoty standard (standard referencyjny): Standard referencyjny (Ground Truth) dla wszystkich prospektywnie włączonych przypadków jest ustalany przez niezależny panel ekspercki składający się z 3 autorytatywnych ekspertów. Panel ustala ostateczne standardowe odpowiedzi dla czterech zadań klasyfikacyjnych poprzez zaślepioną niezależną ocenę i wspólną dyskusję (system głosowania), uwzględniając kompletne prospektywne dane obrazowe, kliniczne dane wyjściowe, konsensus wielodyscyplinarnego zespołu (MDT) oraz ostateczne wyniki patologiczne lub kliniczne wyniki obserwacji.

2. Kryteria kwalifikowalności

2.1 Kwalifikowalność oceniającego:

1. Starszy lekarz w szpitalu trzeciego stopnia (tercjarnym): Zatrudniony w oddziale chirurgii wątrobowo-trzustkowo-żółciowej, onkologii lub pokrewnych oddziałach w szpitalach klasy III, stopnia A (tercjarnych), z tytułem zawodowym lekarza ordynatora lub wyższym.
2. Młodszy lekarz w szpitalu trzeciego stopnia (tercjarnym): Zatrudniony w pokrewnych oddziałach w szpitalach klasy III, stopnia A (tercjarnych), z tytułem zawodowym lekarza stażysty.
3. Lekarze w szpitalach podstawowej/podstawowo-specjalistycznej opieki zdrowotnej: Lekarze kliniczni zatrudnieni w szpitalach powiatowych lub ogólnych klasy II.
4. Świadoma zgoda: Musi dobrowolnie zgodzić się na udział w ocenie i podpisać formularz świadomej zgody.

2.2 Kwalifikowalność pacjenta/przypadku:

Kryteria włączenia:

1. Wiek > 18 lat.
2. Pacjenci prospektywnie zgłaszający się z podejrzeniem lub nowo zdiagnozowanym pierwotnym rakiem wątrobowokomórkowym (HCC), później potwierdzonym patologicznie lub spełniającym wytyczne China Liver Cancer (CNLC).
3. Kompletne wyjściowe dane kliniczne zebrane w okresie prospektywnej rekrutacji, w tym kompletny wywiad chorobowy obecny/przeszły, wynik ECOG PS, kompleksowe badania laboratoryjne (funkcja wątroby, układ krzepnięcia, markery nowotworowe takie jak AFP, itp.) oraz wyjściowy kontrastowy tomografia komputerowa jamy brzusznej.
4. Pacjenci (lub ich przedstawiciele prawni) muszą dostarczyć pisemną świadomą zgodę na wykorzystanie ich danych klinicznych w tym badaniu.

Kryteria wykluczenia:

1. Pacjenci z wtórnym (przerzutowym) rakiem wątroby lub współistniejącymi ciężkimi nowotworami innych układów.
2. Pacjenci, którzy nie ukończą wymaganych wyjściowych badań obrazowych lub laboratoryjnych, uniemożliwiając dokładne obliczenie stadium (np. brakujące dane do obliczenia punktacji Child-Pugh).
3. Pacjenci, którzy otrzymali wcześniej terapie przeciwnowotworowe w kierunku raka wątroby przed włączeniem do badania.

3. Projekt badania

Model interwencji: Przydział krzyżowy Zaślepienie: Pojedyncze zaślepienie. Uczestniczący oceniający są zaślepieni co do złotych standardowych odpowiedzi przypadków oraz co do wyników oceny innych uczestniczących lekarzy.

Grupy i interwencje:

Podział zestawu przypadków: 108 prospektywnie i kolejno włączonych kwalifikujących się przypadków HCC jest grupowanych i losowo dzielonych na Zestaw Danych A (54 przypadki) i Zestaw Danych B (54 przypadki). Zapewnia się, że nie ma istotnych statystycznie różnic między dwoma zestawami dotyczącymi obciążenia guzem, stopnia funkcji wątroby i rozkładu stadium.

Grupowanie oceniających: Łącznie włączono 12 prospektywnie zrekrutowanych lekarzy klinicznych, w tym 4 w grupie starszych lekarzy szpitali trzeciorzędowych, 4 w grupie młodszych lekarzy szpitali trzeciorzędowych oraz 4 w grupie szpitali podstawowej/podstawowo-specjalistycznej. Są oni podzieleni na dwie grupy oceniające na podstawie randomizacji warstwowej:

Grupa A (6 oceniających): 2 starszych z trzeciorzędowych, 2 młodszych z trzeciorzędowych, 2 z podstawowej/podstawowo-specjalistycznej.

Grupa B (6 oceniających): 2 starszych z trzeciorzędowych, 2 młodszych z trzeciorzędowych, 2 z podstawowej/podstawowo-specjalistycznej.

Grupa 1 - Oceniający Grupy A:

Faza 1 Interwencja (Kontrolna): Niezależna ocena Zestawu A (54 przypadki) łącząca teksty kliniczne i dane obrazowe, rejestrująca 4 wyniki klasyfikacji, bez pomocy AI.

Faza 2 Interwencja (Eksperymentalna): Ocena Zestawu B (54 przypadki). System prezentuje 4 wyniki predykcji modelu AI i powiązane dowody; lekarze dostarczają ostateczną ocenę po kompleksowym zapoznaniu się.

Grupa 2 - Oceniający Grupy B:

Faza 1 Interwencja (Kontrolna): Niezależna ocena Zestawu B (54 przypadki) łącząca teksty kliniczne i dane obrazowe, rejestrująca 4 wyniki klasyfikacji, bez pomocy AI.

Faza 2 Interwencja (Eksperymentalna): Ocena Zestawu A (54 przypadki). Lekarze dostarczają ostateczną ocenę po zapoznaniu się z wynikami modelu AI.

4. Miary wyników

Pierwszorzędowy wynik:

Poprawa ogólnej dokładności: Różnica w średniej dokładności w 4 zadaniach klasyfikacyjnych między oceną wspieraną przez AI (grupa eksperymentalna) a oceną niezależną (grupa kontrolna).

Wyniki drugorzędowe:

Efekt homogenizacji: Ocena, czy różnica w dokładności oceny klinicznej między lekarzami w grupie szpitali podstawowej/podstawowo-specjalistycznej a grupami szpitali trzeciorzędowych jest znacząco zmniejszona przy pomocy AI.

Efektywność oceny: Porównanie średniego czasu oceny na przypadek między lekarzami z pomocą AI i bez pomocy AI.

Zgodność między oceniającymi: Porównanie spójności wyników oceny między lekarzami (np. przy użyciu statystyk Kappa), z pomocą AI i bez pomocy AI.

5. Plan analizy statystycznej & Wielkość próby

Uzasadnienie wielkości próby:

Obliczenie wielkości próby dla tego badania opiera się na oczekiwanej zmianie ogólnej średniej dokładności we wszystkich poziomach prospektywnie zrekrutowanych lekarzy. Szacuje się, że ogólna średnia dokładność bez pomocy AI wynosi 0,60, a z pomocą AI wynosi 0,70.

Ustawiając poziom istotności dla testu dwustronnego na 0,05 (odpowiadające wartości Z około 1,96) i moc statystyczną na 0,80 (odpowiadające wartości Z około 0,84), wielkość próby została określona przy użyciu standardowej metody statystycznej do porównywania dwóch niezależnych proporcji. Zakładając brak efektu skupienia wynikającego z wielokrotnej oceny przypadków przez tego samego lekarza, to obliczenie wskazuje, że każda grupa interwencyjna wymaga co najmniej 353 niezależnych ocen.

Weryfikacja mocy:

W rzeczywistej konfiguracji tego badania jest łącznie 12 lekarzy.

Łączna liczba niezależnych ocen dla grupy kontrolnej (bez AI) = Grupa A (6 oceniających) x Zestaw A (54 przypadki) + Grupa B (6 oceniających) x Zestaw B (54 przypadki) = 648 niezależnych ocen.

Łączna liczba niezależnych ocen dla grupy eksperymentalnej (z AI) również = 648 niezależnych ocen.

Ponieważ 648 ocen jest większe niż wymagana podstawa 353 ocen, obecna konfiguracja przypadków i lekarzy posiada już wystarczającą moc statystyczną. Ta wielkość próby zapewnia konserwatywny margines (około 1,8 razy wymaganie podstawowe), aby odpowiednio uwzględnić jakikolwiek efekt skupienia (korelacja wewnątrzklasowa) wynikający z wielokrotnej oceny przypadków przez tego samego lekarza w tym projekcie MRMC.