Algoritmos de IA na previsão de SCA com base nas propriedades dos leucócitos

O ensaio clínico AI-ACS é um estudo observacional, unicêntrico, que visa avaliar o desempenho diagnóstico de algoritmos de IA que utilizam dados de glóbulos brancos (leucócitos) para prever a síndrome coronariana aguda (SCA) em pacientes que apresentam dor torácica aguda. Este estudo utiliza inteligência artificial avançada para analisar medições de alta dimensão das propriedades dos leucócitos para melhorar a previsão e a diferenciação da SCA de outras causas não cardíacas de dor torácica, comparando essas previsões com as medições tradicionais de troponina cardíaca de alta sensibilidade (hs-cTn).

Descrição Técnica do Protocolo de Estudo

O estudo AI-ACS utiliza um desenho prospectivo e observacional de caso-controle conduzido na Universidade Médica de Graz. Está estruturado em duas fases principais: treinamento e teste de modelos de IA. Os dados de leucócitos são coletados por meio de exames de sangue de rotina realizados na admissão do paciente, usando os analisadores hematológicos da série Sysmex XN. Esses dados são usados ​​para treinar algoritmos de IA em intervalos regulares, com o objetivo de refinar sua precisão diagnóstica ao longo do estudo.

Garantia de Qualidade e Procedimentos de Registro

O ensaio AI-ACS incorpora diversas medidas para garantir a qualidade e integridade dos dados coletados, bem como a adesão aos procedimentos operacionais padrão:

Plano de validação de dados e garantia de qualidade:

O monitoramento contínuo no local e auditorias periódicas são realizados para garantir a adesão ao protocolo clínico e a conformidade regulatória.

Procedimentos de validação de dados são implementados para verificar a precisão e consistência dos dados de leucócitos inseridos no banco de dados do estudo. As verificações automatizadas de dados comparam novas entradas com regras predefinidas quanto ao intervalo e consistência com outros campos de dados.

Verificação de dados de origem:

A verificação dos dados de origem é realizada comparando os dados eletrônicos capturados no banco de dados do estudo com registros médicos originais e relatórios laboratoriais para avaliar a precisão e integridade dos dados.

Dicionário de dados:

O estudo utiliza um dicionário de dados detalhado que inclui descrições de cada variável coletada, incluindo a fonte da variável (por exemplo, dados demográficos do paciente, resultados laboratoriais), informações de codificação e intervalos normais. Este dicionário ajuda a manter a consistência na interpretação e análise de dados.

Procedimentos Operacionais Padrão (POPs):

Os POPs para recrutamento de pacientes, coleta de dados, gerenciamento de dados, análise e relatórios estão bem documentados e seguidos durante todo o estudo. Esses procedimentos incluem etapas detalhadas para lidar com eventos adversos e alterações no protocolo do estudo.

Avaliação do tamanho da amostra:

O estudo foi projetado com um tamanho de amostra de 2.100 participantes para treinamento (700 por coorte) e 600 para teste (300 por coorte), calculado para fornecer poder suficiente para detectar diferenças significativas no desempenho diagnóstico dos modelos de IA versus hs-cTn.

Plano para dados ausentes:

Os procedimentos para abordar dados faltantes ou inconsistentes incluem técnicas de imputação e análises de sensibilidade para avaliar o impacto dos dados faltantes nos resultados do estudo.

Plano de Análise Estatística:

O plano de análise estatística descreve os métodos usados ​​para avaliar o desempenho diagnóstico dos modelos de IA, incluindo análise da curva Receiver Operating Characteristic (ROC), cálculos de área sob a curva (AUC) e avaliações de sensibilidade e especificidade. Comparações de modelos de IA com medições de hs-cTn serão realizadas usando modelos de regressão logística ajustados para potenciais fatores de confusão.

Objetivos e Hipóteses do Estudo

O objetivo principal do ensaio AI-ACS é treinar e validar modelos de IA capazes de prever com precisão a SCA a partir de dados de leucócitos, ultrapassando potencialmente o desempenho diagnóstico dos ensaios hs-cTn padrão. A hipótese é que a análise das propriedades dos leucócitos baseada em IA pode diferenciar com mais precisão entre causas de dor torácica de SCA e não SCA, melhorando assim a tomada de decisões clínicas e reduzindo intervenções médicas desnecessárias.

Ao avançar na forma como utilizamos exames de sangue de rotina com IA, o ensaio AI-ACS procura melhorar a rápida identificação de pacientes em risco de SCA, transformando assim potencialmente o padrão de atendimento no diagnóstico cardiovascular de emergência.