Modelo IA para apendicite aguda em TC

Desenvolvimento de informações do modelo de apêndice

- Este estudo usou um modelo de informações pré-treinadas de apêndice (IA) baseado em uma estrutura de diagnóstico totalmente automatizada para prever três classes com probabilidade e mapeamento de características: não apendicite, apendicite simples e apendicite complicada.

O pipeline de parâmetros de incorporação do modelo IA aprendido a partir da imagem de TC 3D de 7.147 pacientes consistia em um algoritmo binário de dois estágios conectado à transferência de aprendizagem com três modelos 3D CNN: DenseNet, EfficientNet e ResNet.

- Um algoritmo binário de dois estágios para aprendizagem por transferência foi aplicado para aprender padrões inerentes das imagens 3D de três classes verdadeiras, como faz um médico ao decidir o tratamento para apendicite. Na primeira etapa do pipeline, um modelo de classificação do Estágio 1 foi desenvolvido para identificar não apendicite versus apendicite. Na segunda etapa do pipeline, o modelo de classificação do Estágio 2 identificou apendicite simples versus complicada a partir dos dados transferidos com os parâmetros treináveis ​​aprendidos no Estágio 1.

Atualmente, o modelo final de IA foi validado externamente usando um conjunto de dados nunca antes visto de uma instituição externa com amplos critérios de elegibilidade para pacientes que visitaram o pronto-socorro com dor abdominal e foram submetidos à TC abdominopélvica devido à suspeita clínica de apendicite aguda.

Intervenção Este é um estudo comparativo entre modelos humanos e IA para a taxa de apendicectomia negativa (NAR) em apendicite não simples, complicada e de um conjunto de dados prospectivo randomizado, que foi coletado de tomografias computadorizadas de pacientes que visitaram o pronto-socorro com dor abdominal aguda. dor. Os participantes do braço controle foram dez não radiologistas.

O modelo IA não pode impedir o processo de decisão pré-operatória dos médicos na prática clínica contínua no que diz respeito aos aspectos legais e éticos da interrogação dos quadros de diagnóstico do modelo IA sobre o raciocínio matemático para um resultado em termos de protecção de seres humanos.

Considerando o risco mínimo para seres humanos e os aspectos éticos e legais da inteligência artificial, o desenho do estudo aloca estritamente imagens de tomografia computadorizada para não radiologistas e modelos IA após a conclusão do tratamento para apendicite com ou sem confirmação patológica.

Alocação de dados e avaliação de desempenho

- Para comparar igualmente o modelo IA com humanos e não-radiologistas, a condição de interpretação para um não-radiologista deve atender a todos os critérios da seguinte forma: Somente imagens de TC sem variáveis ​​como idade, sexo e valores laboratoriais devem ser atribuídas aleatoriamente; a afiliação do não radiologista e do paciente da imagem tomográfica não deve ser a mesma; a proporção de alocação para apendicite não apendicite, apendicite simples e complicada atribuída ao não radiologista deve ser ocultada; e o alcance da imagem tomográfica para interpretação deve ser idêntico ao alcance do ROI do apêndice, que é gerado pela localização automática do modelo IA. Para avaliar o desempenho diagnóstico em humanos, quatro itens de teste foram configurados por um não radiologista como segue: (1) visualização do apêndice; (2) exclusão de apendicite; (3) complicações; e (4) diagnóstico de imagens de TC.

Os desfechos primários e secundários foram avaliados utilizando os resultados das quatro questões para os participantes e o desempenho diagnóstico do modelo IA no mesmo conjunto de dados.

Declaração ética De acordo com o "Guia para utilização de dados de saúde" e "Guia para tratamento de informações de pseudônimos" da Comissão de Proteção de Informações Pessoais do Ministério da Saúde e Bem-Estar, a exfiltração de dados com garantia de segurança do arquivo de dados foi realizada com a aprovação do Conselho de Revisão de Dados nas instituições participantes. O conselho central de revisão institucional (IRB) e os IRBs de todas as instituições participantes aprovaram este estudo.

Tamanho da amostra e métodos estatísticos O estudo anterior dos investigadores, que concluiu a validação externa do modelo IA por meio da exfiltração de dados de instituições externas, mostrou um NAR de 12,4% no conjunto de dados externo. O valor de referência padrão para não radiologistas para NAR foi relatado como 10,5% ± 5%. Portanto, a diferença aceitável na NAR entre o modelo IA e os não radiologistas para aplicação clínica deve ser inferior a 10,0% da margem de não inferioridade.

O tamanho da amostra para o conjunto de dados randomizados controlados para uma única instituição foi de 263, assumindo um intervalo de confiança de 95%, poder estatístico de 90%, α bicaudal = 0,05, nível de significância = 0,05 e tamanho do efeito = 0,2 no teste Z . Duas instituições externas participaram deste estudo. Devido à heterogeneidade dos dados, normalização e diferenças de prevalência entre regiões entre as duas instituições externas, o tamanho da amostra foi calculado para cada instituição. Portanto, assumindo 263 pacientes por instituição com perda de seguimento de 10%, o tamanho total da amostra foi de 568.