Validação de Dispositivo Vocorder em Ambientes Clínicos - Monitoramento Contínuo de Indivíduos (Vocorder Clinical Validation-VCV) (VCV)

Desenho do estudo A hipótese No estudo da soproômica, vários VOCs, padrões de VOC e relações entre mudanças nos padrões de VOC estão relacionados a diferentes tipos de doenças. Portanto, as alterações nos padrões de COV do ar exalado correlacionam-se com condições específicas, conforme medido por perfis específicos de COV relacionados com doenças.

Antecedentes e objetivos do estudo Este estudo clínico está sendo conduzido como parte do projeto HORIZON-EIC-2022 PATHFINDER CHALLENGES-01-04 intitulado Vocorder, uma nova tecnologia para análises de respiração. Coleta de amostras respiratórias para análise de COV (pacientes e grupo controle), os COV podem já estar presentes em um nível básico. No entanto, o instrumento VOCORDER será capaz de resolver essas diferenças de concentração causadas por alterações no metabolismo e discriminar aquelas que já possam estar presentes no ar ambiente. Assim, o analisador permitirá uma medição in-situ resolvida no tempo de diferentes gases (por exemplo, VOCs), registrando seu perfil de concentração em respirações únicas com supervisão mínima e quase nenhuma metodologia rigorosa. No entanto, nesta fase de validação será aplicada uma metodologia rigorosa para garantir a validade da abordagem e a discrição do método.

As análises do hálito serão realizadas utilizando protótipos de analisadores de hálito baseados em laser, capazes de detectar um pequeno número de gases simultaneamente. Analisador de automistura QCL mid-IR baseado em array para detecção de VOCs com faixa de medição na faixa de 10-100 ppb, limite de detecção próximo a 1 ppb, resolução próxima a 1 ppb e precisão próxima de ± 1 ppb. A identificação dos compostos dependerá de uma biblioteca espectral de massa do NIST e da comparação dos seus índices de retenção com a biblioteca de índices obtidos para padrões de referência. O analisador de hálito inicial poderá ser testado tanto em pacientes saudáveis ​​quanto em incubados, já que o tubo de amostragem pode ser conectado diretamente ao ventilador, além de seu uso original.

Este estudo clínico abordará a análise de correlação entre os perfis de VOCs respiratórios detectados pelo analisador de hálito VOCORDER e dados médicos eletrônicos coletados por profissionais médicos. Espera-se que os resultados obtidos sejam essenciais para adequar a tecnologia de análise do hálito no analisador de hálito VOCORDER para a detecção precoce de doenças de interesse.

Os principais objetivos deste estudo clínico são os seguintes:

1. Utilizar o dispositivo desenvolvido em ambiente clínico e determinar seus parâmetros operacionais (volume respiratório, número e frequência de amostragem clínica).
2. Validar o desempenho do dispositivo e suas medições realizadas em comparação com outras tecnologias relevantes e/ou o método de referência estabelecido.
3. Investigar as potenciais principais correlações entre os gases detectados na análise do hálito e as doenças específicas escolhidas para este estudo.

Endpoint(s) primário(s) e secundário(s)

Pontos de extremidade primários:

Validar a eficácia do dispositivo VOCORDER na prática clínica e promover ainda mais a tecnologia de análises do hálito.

Pontos de extremidade secundários:

1. Identificar e definir os parâmetros operacionais da nova tecnologia de análises do hálito na prática clínica.
2. Compare o desempenho e os resultados da tecnologia VOCORDER com o método de referência GC-MS.
3. Investigue a correlação entre condições pré-existentes conhecidas e biomarcadores de COV significativos no ar exalado para doenças selecionadas.
4. Explore o potencial dos biomarcadores de COV no ar exalado para a detecção precoce de doenças, facilitando o diagnóstico oportuno por meio da correlação com parâmetros médicos importantes.

Requisitos para a realização do estudo clínico Centro de pesquisa para implementação e status atual de aprovação dos Comitês de Ética O estudo será realizado no Hospital MITERA. A Clínica Geral, Maternidade/Clínica Ginecológica e Hospital Infantil MITERA se estabeleceu como uma unidade de saúde líder, servindo como um centro de atendimento abrangente para indivíduos de todas as idades. Com 45 anos de operação, o MITERA destaca-se como um dos hospitais privados mais conceituados da Grécia, oferecendo uma vasta gama de serviços de saúde de alta qualidade destinados à prevenção, diagnóstico e tratamento em diversas áreas médicas. MITERA abriga três clínicas: a Clínica Geral, a Clínica Maternidade/Ginecológica MITERA e a clínica pediátrica privada mais abrangente da Grécia, o Hospital Infantil MITERA. O compromisso de fornecer cuidados e serviços de enfermagem excepcionais é de alta qualidade nas Clínicas MITERA, onde uma equipe dedicada de médicos, enfermeiras e parteiras, apoiada por suporte administrativo e técnico abrangente, está disponível 24 horas por dia, todos os dias do ano, para resolver qualquer emergência médica.

O Conselho Científico do hospital autorizou o estudo clínico. O estudo será conduzido pela equipe de pesquisa do MITERA. Situação regulatória

1. Os requisitos do Regulamento Geral de Proteção de Dados (RGPD)
2. Regulamento (UE) 2016/679 do Parlamento Europeu e do Conselho, de 27 de abril de 2016, relativo à proteção das pessoas singulares relativamente ao tratamento de dados pessoais e à livre circulação desses dados, e que revoga a Diretiva 95/46/CE• WP29 : Parecer 05/2014 sobre técnicas de anonimato.
3. As melhores práticas de tratamentos/padrão de atendimento serão seguidas. Os pacientes serão diagnosticados de acordo com essas melhores práticas.
4. Embora o estudo clínico não inclua tratamentos medicamentosos, serão seguidos os princípios gerais das Boas Práticas Clínicas para garantir a qualidade ética e científica.

5. Serão considerados os princípios definidos nas diretrizes das agências de Avaliação de Tecnologias em Saúde, como a EUnetHTA, especialmente os seguintes:

   • Comparadores e comparações. Critérios para a escolha do(s) comparador(es) mais adequado(s).
   • Resumo das políticas atuais e diretrizes de melhores práticas.
   • Critérios de endpoint para avaliação de eficácia relativa: endpoints clínicos
6. O estudo será desenhado e analisado de acordo com os Princípios Estatísticos para Ensaios Clínicos (CPMP/ICH/363/96), ICH Tópico E9
7. AEPD: As Diretrizes da AEPD sobre Procedimentos de Anonimização de Dados Pessoais fornecerão uma estrutura para garantir a privacidade e a proteção de dados.
8. ENISA: Serão seguidas recomendações para alinhar os desenvolvimentos tecnológicos com o GDPR, particularmente no que diz respeito às técnicas de pseudonimização de dados.
9. O documento conjunto AEPD-EDPS sobre a utilização de funções hash para pseudonimização de dados pessoais servirá de referência para estratégias de proteção de dados.
10. Associação Médica Mundial: A Declaração de Helsinque sobre princípios éticos para pesquisa médica envolvendo seres humanos Consentimento Informado e Informação Dentro do VOCORDER, a instituição responsável segue procedimentos específicos e utiliza o formulário de consentimento, garantindo o cumprimento dos requisitos mínimos de informação para consentimento válido, conforme descrito no quadros acima. A participação na pesquisa VOCORDER será totalmente voluntária para todos os indivíduos, com direito de desistência de qualquer etapa das atividades de pesquisa sem sofrer quaisquer repercussões ou penalidades. Uma folha de informações abrangente descrevendo o propósito, procedimento, riscos, etc., da pesquisa VOCORDER será fornecida aos participantes junto com o formulário de consentimento. Um protocolo e modelos preliminares para formulários de consentimento de informações podem ser obtidos mediante solicitação. Eles também serão adicionados no Plano de Gerenciamento de Dados. Médicos com formação e qualificações científicas adequadas fornecerão as informações. A equipe médica poderá responder às dúvidas dos indivíduos e explicar o processo a ser seguido, o que é solicitado ao participante e os resultados esperados. Será garantido que os potenciais participantes compreenderam totalmente as informações.

O consentimento será dado livremente pelos participantes. Será garantido que não se sintam obrigados ou coagidos de qualquer forma a dar o seu consentimento. Os participantes consentirão por escrito, nomeadamente assinando o termo de consentimento informado e as fichas informativas apresentadas abaixo. Se o consentimento não puder ser dado por escrito, por exemplo, devido ao analfabetismo, o consentimento não escrito deve ser formalmente documentado e testemunhado de forma independente. O consentimento é um processo contínuo, especialmente em ensaios de longo prazo como o do VOCORDER. Os parceiros responsáveis ​​do projeto promoverão um diálogo contínuo com os participantes e informá-los-ão sobre qualquer coisa diferente/nova relacionada com o ensaio.

Aprovação pelo Comitê de Ética Para melhorar a supervisão dos procedimentos éticos durante todo o ciclo de vida do projeto, será estabelecido um IEC do VOCORDER. Este comité desempenhará um papel dominante na garantia do cumprimento do princípio ético prescrito na legislação em todas as fases do projecto, desde o desenvolvimento do protocolo até à publicação dos resultados. Além disso, o comitê colaborará com os comitês de ética locais nos seis países participantes para tratar de quaisquer reclamações dos participantes que surjam durante o estudo. O IEC terá a tarefa de compilar e enviar relatórios provisórios e de segurança aos comitês de ética nacionais relevantes, quando necessário.

Nomeação de pontos de contato para questões éticas e legais De acordo com suas respectivas atividades e quadro regulatório nacional, cada parceiro envolvido na VOCORDER nomeará um Oficial de Proteção de Dados (DPO) e/ou designará uma pessoa de contato responsável por abordar questões legais e éticas relacionadas a atividades de pesquisa do projeto.

Monitorização e relatórios Serão fornecidos relatórios regulares sobre a monitorização dos riscos éticos durante as reuniões do projecto. Está sendo considerada a formulação e distribuição de um questionário de ética internamente aos parceiros envolvidos no avanço técnico para garantir o alinhamento com os requisitos éticos. O IEC será responsável por resolver qualquer questão levantada pelos parceiros do projeto em todas as instâncias e cooperar com o respetivo representante das questões legais e éticas definidas por cada entidade. A VOCORDER avaliará os seus resultados em todas as fases da implementação do projecto em relação a estes requisitos para garantir uma cobertura abrangente.

Fases do estudo clínico

O estudo clínico é um estudo de coorte prospectivo e será realizado em duas fases:

• 1ª Fase: Fase de linha de base (outubro de 2024 a agosto de 2025)
• 2ª Fase: Fase de validação - validação da tecnologia VOCORDED (maio-dezembro de 2026)

Fases do estudo clínico

O estudo clínico é um estudo de coorte prospectivo e será realizado em duas fases:

• 1ª Fase: Fase de linha de base (outubro de 2024 a agosto de 2025)
• 2ª Fase: Fase de validação - validação da tecnologia VOCORDED (maio-dezembro de 2026) Fase de base A implementação desta fase considera-se necessária para definir os parâmetros básicos de funcionamento da tecnologia fabricada de forma a permitir a transição para a validação final do dispositivo no campo clínico. O objetivo acima será alcançado com a contribuição do mecanismo de inteligência artificial (WP.4) e a análise dos dados brutos das equipes de pesquisa tecnológica envolvidas no projeto do analisador de hálito. Nesta fase, pacientes e controles saudáveis ​​são inscritos e as medidas dos gases produzidos são analisadas pelo método de referência GC-MS.

Fase de validação (fase de validação do VOCORDER) Durante esta fase, a tecnologia VOCORDER passa por avaliação clínica tanto por pacientes quanto por voluntários saudáveis. A análise envolve a medição dos gases emitidos pelos participantes, utilizando para comparação tanto o método de referência padrão quanto a tecnologia VOCORDER.

Doenças

As seguintes doenças serão investigadas:

1. Câncer de pulmão
2. Câncer gástrico e de cólon
3. Câncer de mama
4. Insuficiência renal
5. Infecções - Pneumonia (adquirida na comunidade e adquirida no hospital) A seleção dessas doenças foi baseada na revisão da literatura existente pela equipe da ETH (Tarefa 2.1) e na subsequente adaptação dos resultados para alinhar com as capacidades do VOCORDER para detectar biomarcadores de gás específicos para o diagnóstico precoce de doenças selecionadas (Tarefa 2.2).

Pacientes e população controle saudável Controles saudáveis ​​Pelo menos 120 controles saudáveis, de ambos os sexos, com idade entre 20 e 75 anos, que não sofram das doenças sob investigação serão selecionados para participação no estudo ao mesmo tempo que os pacientes. Espera-se que pelo menos 2-3 amostras de ar respiratório sejam coletadas de cada controle prospectivo em dias diferentes e na mesma hora do dia. Os mesmos controles saudáveis ​​​​participarão de ambas as fases do estudo, e as amostras respiratórias obtidas serão analisadas por ambos os métodos.

Os voluntários saudáveis ​​são selecionados entre a equipe do hospital ou entre pacientes internados no hospital por outro motivo. Os controles prospectivos preencherão um questionário com dados demográficos e de histórico médico após terem sido informados detalhadamente sobre o estudo pela equipe VOCORDER do MITERA. O questionário será analisado pela equipe do projeto, e caso se conclua que a pessoa pode participar do estudo, será assinado um termo de consentimento pelo participante.

População de pacientes Fase inicial

Pacientes: total de 175 pacientes, 35 para cada doença, com idade entre 18 e 75 anos, de ambos os sexos, selecionados de acordo com os seguintes critérios de inclusão:

1. Pacientes >18 anos de idade de ambos os sexos
2. Devem ser capazes de comunicar e compreender as informações que lhes são fornecidas pelo pessoal da MITERA.
3. Sofrer da doença sob investigação.
4. A doença deve estar no estágio mais precoce possível, ou seja, os pacientes ainda não devem ter iniciado o tratamento.

5. Os pacientes não devem ter outras comorbidades graves que afetem as medidas derivadas. Os pacientes serão selecionados em colaboração com os médicos responsáveis ​​pelo tratamento e/ou internação de pacientes com as doenças sob investigação.

   Os critérios 1, 2 e 3 são obrigatórios para inscrição no estudo. Para a inscrição dos pacientes no estudo a documentação específica da doença deverá estar à disposição da equipe do projeto conforme segue:

   Para o diagnóstico de câncer é necessário documentar o seguinte:

   • O tipo de câncer é baseado em achados histopatológicos e resultados de indicadores específicos.
   • O estágio da doença é baseado em exames radiológicos e hematológicos.

   Para as infecções - o diagnóstico de pneumonia é necessário para determinar o seguinte:

   • O diagnóstico de pneumonia com base nos achados do tórax -X, na síndrome clínica e no estado dos indicadores inflamatórios (dia 1).
   • A determinação laboratorial do patógeno causador da síndrome clínica (se for possível isolá-lo de amostras clínicas)
   • A gravidade clínica da doença com base na pontuação CURB 65/SMART COP para pacientes com pneumonia adquirida na comunidade ou na saúde, respectivamente, e Apache II para pacientes hospitalizados em UTI.

   Para insuficiência renal é necessário:

   • Documentação da doença renal crônica
   • Determinação do estágio da doença de acordo com as taxas CFR.
   • Tratamento de hemodiálise Critérios de exclusão
   • Falta de consentimento assinado
   • Falta de cooperação por qualquer motivo
   • Falha em seguir as recomendações sobre os requisitos antes do procedimento de amostragem respiratória
   • Incapacidade de fornecer uma amostra de respiração confiável
   • Qualquer tratamento, dieta específica, cirurgia ou outra intervenção iniciada entre a obtenção de amostras de COV respiratórios.

   Depois que o paciente for informado pela equipe MITERA responsável pelo projeto e concordar em participar do estudo, deverá ler e assinar o respectivo termo de consentimento para participação. Questionários semelhantes com os controles (formulários de coleta de dados) serão preenchidos para os pacientes participantes do estudo.

   Amostragem: Pelo menos duas amostras de ar expirado (1 L cada) são colhidas de cada paciente em condições semelhantes e analisadas (por exemplo, em dias diferentes, mas na mesma hora do dia). As amostras de ar expirado serão analisadas nesta fase utilizando o método de referência. Na fase final, serão armazenados e analisados ​​pelo método VOCORDER. O método de coleta da amostra respiratória estará de acordo com as recomendações do método de referência.

   Fase de validação Pacientes: A fase final do estudo clínico envolverá 100 pacientes, 20 para cada doença. Os pacientes serão selecionados de acordo com os critérios acima, como na fase inicial.

   Amostragem: As amostras respiratórias serão analisadas usando ambas as metodologias. Pelo menos duas amostras de ar expirado são colhidas de cada paciente em condições semelhantes e analisadas (por exemplo, em dias diferentes, mas na mesma hora do dia). O método de coleta da amostra de ar expirado estará de acordo com as recomendações do método de referência e dos requisitos técnicos específicos do VOCORDER.

   Tabela 1 Descrição das fases clínicas Fases clínicas FASE BASE FASE DE VALIDAÇÃO Pacientes e população controle saudável Pacientes Grupo 1 Controles saudáveis ​​Pacientes Grupo 2 Controles saudáveis ​​Tamanho da população (Não) 175 120 (no mínimo) 100 120 Metodologia das análises do hálito SESI-MS e Método de referência GC-MS Método de referência SESI-MS e GC-MS Método de referência SESI-MS e GC-MS Referência SESI-MS e GC-MS método Tecnologia Vocorder Tecnologia Vocorder

   Metodologia de análise do hálito Durante a fase inicial de linha de base, o método de referência de espectrometria de massa será utilizado para analisar o ar exalado de pacientes e voluntários saudáveis. As amostras de ar expirado são coletadas em sacos de amostragem de gás de 1 L e serão enviadas ao laboratório de análise de ar expirado da ETH Zurique para análise off-line.

   Na fase de validação subsequente, as amostras clínicas são analisadas utilizando ambos os métodos, a técnica VOCORDER e o método de referência de espectrometria de massa para garantir comparação e validação robustas dos resultados.

   Doenças e recolha de dados (AIDEAS, MITERA) Além disso, uma avaliação extensiva dos factores de risco para várias condições de saúde revela uma interacção complexa entre predisposição genética, exposições ambientais, escolhas de estilo de vida e condições de saúde subjacentes. Para o cancro do pulmão, indiscutivelmente, o principal factor de risco continua a ser o fumo do tabaco, sendo cerca de 85% dos casos de cancro do pulmão directamente atribuíveis ao tabagismo, incluindo a exposição ao fumo passivo (CDC, 2021). A exposição ao radônio, a exposição ocupacional a substâncias como o amianto, certos metais e gases de escape de diesel, bem como a poluição do ar, contribuem ainda mais para o risco, juntamente com um histórico familiar de câncer de pulmão (American Cancer Society, 2021).

   A etiologia multifatorial do câncer de mama envolve fatores hormonais, como menarca precoce, menopausa tardia e terapia de reposição hormonal, combinados com fatores de estilo de vida, como consumo de álcool, sedentarismo e obesidade. Os factores genéticos desempenham um papel significativo, com mutações nos genes BRCA1 e BRCA2 aumentando significativamente o risco. Além disso, a história reprodutiva, incluindo a idade do primeiro parto e da amamentação, influencia os perfis de risco (National Breast Cancer Foundation, 2021).

   O risco de câncer gástrico está intrinsecamente ligado à dieta, infecção por Helicobacter pylori, tabagismo e histórico familiar. A Agência Internacional de Pesquisa sobre o Câncer (IARC) reconhece o H. pylori como um carcinógeno classe I para o câncer gástrico. Além disso, uma dieta rica em alimentos fumados, peixe e carne salgados e legumes em conserva está associada a taxas mais elevadas de cancro gástrico, especialmente em regiões como a Ásia Oriental, onde estes alimentos são alimentos básicos (World Cancer Research Fund, 2020).

   A doença renal crônica (DRC) e a insuficiência renal surgem de condições como diabetes e hipertensão, responsáveis ​​por até dois terços dos casos. Outros fatores de risco incluem histórico familiar de doença renal, idade acima de 60 anos e etnia, com afro-americanos, nativos americanos e asiático-americanos em risco aumentado. O uso crônico de AINEs e a exposição a corantes de contraste em exames de imagem também apresentam riscos (National Kidney Foundation, 2021).

   Infecções como a pneumonia são influenciadas pelo estado imunológico de um indivíduo, sendo particularmente suscetíveis os muito jovens, os idosos e os indivíduos imunocomprometidos. Fatores ambientais como qualidade do ar, tabagismo e exposição a irritantes respiratórios são essenciais, assim como doenças respiratórias crônicas como asma e doença pulmonar obstrutiva crônica (DPOC). A gripe sazonal pode predispor os indivíduos à pneumonia bacteriana, ilustrando a inter-relação entre infecções virais e bacterianas (CDC, 2021). A compreensão desses fatores de risco é crucial para o desenvolvimento de estratégias preventivas, métodos de detecção precoce e formulação de políticas de saúde pública que visem mitigar o impacto dessas doenças.

   Concluindo, nosso questionário abrangente integrará um amplo espectro de informações demográficas e detalhes do histórico médico para avaliar minuciosamente o perfil de saúde do participante. Dados demográficos como idade, género, raça/etnia, rendimento, nível de escolaridade, profissão, estado civil e localização geográfica oferecerão um contexto contextual para o estado de saúde individual. Dados do histórico médico, incluindo peso, altura, IMC, hábitos de tabagismo, consumo de álcool, hábitos alimentares, níveis de atividade física, comorbidades e um registro detalhado de doenças crônicas, infecções, uso de medicamentos, cirurgias e hospitalizações fornecerão uma visão mais profunda de cada riscos à saúde do participante. Além disso, avaliaremos fatores psicológicos como depressão e ansiedade, bem como influências ambientais e de estilo de vida, como exposições ocupacionais, predisposições genéticas, padrões de sono e níveis de estresse. Estes dados permitir-nos-ão identificar correlações e padrões que podem contribuir para a prevalência e resultados de doenças, bem como para as concentrações de COV detectadas nas análises do hálito. Além disso, as concentrações de moléculas produzidas por estas doenças podem variar devido a processos endógenos, como o ritmo circadiano ou o estado de saúde dos indivíduos, ou devido a fatores externos adicionais, como medicamentos, uso de produtos cosméticos ou exercício físico. Estes factores serão, sempre que possível, monitorizados.

   Coleta e upload de dados clínicos. Os dados serão coletados pela equipe do projeto MITEPA e armazenados em uma pasta de trabalho informatizada dentro do hospital. A pasta só está acessível à equipe do projeto MITERA. Os dados relacionados ao paciente serão então anonimizados e inseridos em um banco de dados especialmente desenvolvido e compartilhado com outros parceiros – usuários autorizados. A base de dados também inclui os resultados utilizando ambas as metodologias.

   Garantir a proteção dos dados. A proteção dos dados pessoais dos pacientes participantes no estudo será assegurada no âmbito da legislação grega, do GDPR europeu relevante e dos regulamentos hospitalares MITERA.

   Planejamento de análise estatística e cálculo do tamanho da amostra (ICCS) De acordo com as necessidades do projeto VOCORDER, uma análise estatística dos espectros de alta resolução dos dados de amostras de respiração será fornecida na Tarefa 4.2. Esta análise utilizará diversas técnicas de IA de diferentes tecnologias para diferenciar entre classes de amostras em termos de propriedades latentes relacionadas à saúde. Além disso, este processo automatizado identificará correlações e dependências entre os parâmetros de doenças selecionados, bandas de biomarcadores individuais e descritores dos dados registrados. .

   Para uma abordagem de design e análise bem-sucedida das amostras clínicas, é necessário investigar as abordagens mais modernas. A Tabela 2 resume os Compostos Orgânicos Voláteis (VOCs) relatados para as doenças do VOCORDER. Os VOCs podem ser usados ​​para detectar as doenças do VOCORDER com base em análises estatísticas usando vários tipos de algoritmos de aprendizado de máquina (ou seja, não supervisionados, supervisionados, semissupervisionados e XAI). Os parágrafos seguintes desta seção fornecem informações sobre as abordagens atuais de aprendizado de máquina de última geração. As abordagens descritas na literatura serão utilizadas como conhecimento prévio para projetar os modelos de aprendizado de máquina para o projeto VOCORDER após a coleta bem-sucedida das amostras clínicas.

   Tabela 2 Compostos orgânicos voláteis do ar exalado para as doenças VOCORDER. Doenças relatadas Compostos orgânicos voláteis Câncer de pulmão Isopropanol Acetona Pentano Benzeno Câncer gástrico e de cólon Propanal Acetamida Isoprene 1,3-Propanodiol Etileno Metil Isobutil Cetona Ácido acético m-Toluil Aldeído 1,2,5 Trimetilbenzeno Câncer de mama (S) -1,2-propanodiol Carbonato de etileno ciclopentanona 3-Metoxi-1,2-Propanodiol 3-Metilpiridina Fenol Tetrametilsilano Insuficiência Renal Ciclohexanol 3-Hidroxi-2-Butanona 3-Metil Butanal Dímero de infecções de isopreno-Pneumonia Metanol Acetaldeído Propiolonitrila 2-Coloropiridina Modelos de IA não supervisionados Análise de componentes principais de IA não supervisionada (PCA ) tem foi investigado como uma solução para a detecção de câncer em amostras de ar expirado. No trabalho de Maiti et al., é discutido um estudo de caso de 63 voluntários composto por amostras saudáveis ​​e não saudáveis, entre eles pacientes com câncer de rim, câncer de bexiga e câncer de próstata. Sua coleta de dados foi baseada em espectroscopia de transformada de Fourier de banda larga no infravermelho médio sem laser para detectar gases metabólitos sensíveis ao câncer (isto é, etil vinil cetona, acetaldeído, butirato de metila, etc.). A sua análise, apoiada por métodos supervisionados, indicou que estas metodologias podem ser utilizadas para a detecção do cancro. No entanto, mais pesquisas são necessárias.

   Pesquisa semelhante foi aplicada no trabalho de Aslam et al. Neste caso, eles investigaram o diagnóstico de câncer gástrico em estágio inicial com base no aprendizado profundo não supervisionado. Eles propõem um método inovador para extração de características baseado em um autoencoder esparso empilhado para extrair características discriminativas de dados não rotulados de amostras de respiração. Seus resultados indicam que redes neurais autocodificadoras esparsas e profundas são capazes de atingir uma precisão geral de 98,7% para classificação avançada de câncer gástrico e 97,3% para detecção precoce de câncer gástrico usando análise de respiração.

   O estudo de Alkhalifah et al. investigou a detecção de câncer por meio de análise de VOCs, analisando 74 amostras clínicas de respiração usando espectrometria de massa por cromatografia gasosa dos participantes. Eles propõem uma técnica de agrupamento não supervisionado chamada VOCcluster para medir semelhanças de espectros de massa de VOCs. Seu trabalho resultou na abordagem VOCCluster alcançando melhores pontuações em comparação com algoritmos de última geração, como DBSCAN e OPTICS.

   Modelos de IA supervisionados e semissupervisionados O aprendizado de máquina baseado em supervisão também pode ser usado para detecção de câncer. Begum et al. investiga a identificação de leucemia com base em biomarcadores de câncer. Para sua análise, eles consideraram algoritmos Naive Bayes (NB), K-Nearest Neighbors (KNN) e Support Vector Machines (SVMs) para aprendizagem supervisionada. Sua experimentação foi realizada alterando o tamanho do conjunto de treinamento (ou seja, utilizou trens com tamanhos de 20, 33 e 48 amostras) e 33 amostras para o tamanho do teste. Em todos os casos, as pontuações do algoritmo SVM foram melhores que os outros algoritmos, porém os autores concluíram que estudos futuros são necessários.

   Zhou et al. investigaram a detecção de câncer de pulmão em 236 amostras de ar expirado (176 saudáveis ​​e 60 pacientes) usando aprendizado supervisionado. Cada amostra é composta por 308 características extraídas do cromatograma, enquanto sua configuração experimental foi baseada no algoritmo de árvores de decisão de aumento de gradiente. Usando esses parâmetros, eles alcançaram uma precisão de 85% avaliada com validação cruzada de 6 vezes. Com base na análise estatística de bootstrap, 72% das amostras são marcadas como "confiantes", com 93% de precisão das amostras confiáveis ​​na validação cruzada.

   Finalmente, o aprendizado de máquina semissupervisionado tem sido aplicado de forma eficaz na detecção de doenças relacionadas aos pulmões, como o SARS-CoV-2. Além disso, no trabalho de Shi et al é proposta uma abordagem semissupervisionada de aprendizagem por transferência profunda para detecção de nódulos pulmonares que indicam câncer de pulmão. Esses estudos demonstram a viabilidade do uso de métodos de aprendizagem supervisionados e semissupervisionados para a detecção de doenças com base na análise do hálito. No entanto, todos os trabalhos acima mencionados concluíram que são necessárias mais pesquisas para melhorar essas tecnologias e fornecer uma solução funcional capaz de ser utilizada para tratamento médico.

   Planeamento da análise estatística do VOCORDER O projecto VOCORDER visa desenvolver um dispositivo para detecção de diversas doenças relacionadas com o hálito. Para permitir a detecção e classificação destas doenças, o projecto irá explorar uma série de modelos, incluindo abordagens supervisionadas, não supervisionadas e semissupervisionadas. Além disso, o projeto VOCORDER utilizará tecnologia de IA explicável para tentar maximizar a precisão dos modelos finais. Nesta fase, é prematuro detalhar análises estatísticas específicas devido à ausência de medições.

   De acordo com a literatura, uma estratégia viável envolve o emprego de técnicas avançadas de classificação, como SVM, K-NN, NB ou Árvores de Decisão, para explorar a detecção de doenças. Uma nova abordagem inclui modelos avançados de inteligência artificial, como modelos baseados em LSTM ou CNN. Métodos explicáveis ​​de IA também serão aplicados não apenas para avaliar a probabilidade de uma doença, mas também para elucidar a lógica por trás das conclusões do modelo de IA.

   Cálculo do tamanho da amostra No esforço do projeto VOCORDER para construir modelos imparciais de aprendizado de máquina para diagnosticar diversas doenças, calculamos meticulosamente o tamanho da amostra necessário, aderindo a critérios estatísticos rigorosos. Para analisar problemas separados de duas classes, como distinguir entre indivíduos saudáveis ​​e aqueles que sofrem de uma doença específica, o nosso objectivo é atingir uma sensibilidade e especificidade de pelo menos 90%. Esta ambição exige um mínimo de 35 disciplinas por turma, sustentando o estudo com um nível de confiança de 95% e uma margem de erro fixada em 10%. Embora esta margem exceda os 5% normalmente recomendados para pesquisas relacionadas a doenças, ela serve como nosso padrão preliminar. Com a inclusão de quatro doenças distintas em nosso estudo, a exigência aumenta para um mínimo de 35 indivíduos para cada categoria de doença. Além disso, para reflectir as disparidades demográficas na ocorrência de doenças, tais como a maior prevalência de cancro da mama entre as mulheres, o grupo de participantes saudáveis ​​precisa de ser significativamente maior. Essa determinação estratégica do tamanho da amostra é fundamental para o desenvolvimento bem-sucedido de modelos de aprendizado de máquina imparciais e eficazes.