Um método de aprendizado profundo para avaliar QT em Ribociclibe (QT-RIBRATING)

"Deep-learning" é um método de rápido crescimento de aprendizado de máquina (inteligência artificial, IA) que está despertando o interesse do comitê científico em muitas áreas médicas. Esses métodos permitem gerar correspondências entre entradas brutas (como o sinal digital do ECG) e as saídas desejadas (por exemplo, a medição de QTc). Ao contrário dos métodos tradicionais de aprendizado de máquina, que exigem a extração manual de dados estruturados e predefinidos da entrada bruta, os métodos de aprendizado profundo aprendem essas funcionalidades diretamente dos dados brutos, sem diretrizes predefinidas. Com o advento do big data e o recente aumento exponencial do poder computacional, esses métodos podem produzir modelos com desempenho excepcional. Os investigadores usaram recentemente este tipo de método usando redes neurais artificiais multicamadas, para criar um aplicativo baseado em um modelo que transforma diretamente os dados digitais brutos de ECGs (.xml) em uma medida de QTc comparável àquelas que respeitam os mais altos padrões em relação reprodutibilidade.

O principal objetivo deste estudo é estudar o desempenho do nosso modelo DL-AI para medição de QTc (vs. melhores padrões de medições de QTc, TCM) aplicados ao monitoramento de ECG recomendado após a prescrição de ribociclibe para pacientes com câncer de mama em atendimento clínico de rotina. Os investigadores adquirirão ECG com diversos dispositivos, incluindo dispositivos simplificados (aquisição de uma/três derivações, taxa de amostragem de baixa frequência: 125-500 Htz) para determinar se eles terão o mesmo desempenho em relação à máquina de aquisição de 12 derivações para avaliar o QTc nesta configuração.