Precisão Diagnóstica do Carebot AI MMG no Rastreio Mamográfico: Estudo Multicêntrico MRMC (CARE-MMG-MRMC)

Design and setting Este é um estudo retrospetivo, multicêntrico, multileitor e multicaso (MRMC) de precisão diagnóstica do Carebot AI MMG, realizado com exames anonimizados de mamografia digital de campo total (FFDM) 2D adquiridos como parte do rastreio de rotina do cancro da mama. As mamografias foram recolhidas em quatro centros de rastreio durante um período de tempo definido. Não foi realizada qualquer imagem adicional para este estudo e nenhum sujeito foi contactado.

Data source and population A base de dados de origem consiste em 4.729 exames de mamografia de rastreio de mulheres com idades entre os 32 e os 88 anos (média aproximadamente 57 anos). Foram incluídos apenas estudos FFDM 2D com um conjunto completo de projeções padrão (LCC, RCC, LMLO, RMLO). Foram excluídos exames com séries incompletas, ficheiros DICOM ilegíveis ou corrompidos, ou metadados-chave em falta/inconsistentes, bem como estudos de tomossíntese (DBT), homens e mulheres com menos de 18 anos. Para garantir precisão suficiente das estimativas de desempenho, o conjunto de dados foi enriquecido com cancros adicionais comprovados por biópsia. O subconjunto analítico final compreende 222 exames, incluindo 48 estudos malignos e 174 não malignos, com representação em três dispositivos de mamografia (Hologic Selenia Dimensions, Hologic Lorad Selenia, Fujifilm FDR-3000AWS).

Investigational device and comparator O dispositivo em investigação é o Carebot AI MMG (versão de software 2.9, modelos de aprendizagem profunda v2.3), um sistema de IA autónomo que analisa exames FFDM 2D e produz uma classificação a nível de caso em três categorias, juntamente com uma pontuação de risco interna. São avaliados dois pontos de operação pré-definidos: um limiar de alta sensibilidade (HSe), em que tanto as massas benignas como as malignas são tratadas como "positivas" (definição de exclusão), e um limiar de alta especificidade (HSp), em que apenas as massas malignas são contabilizadas como "positivas" (definição de inclusão).

Como comparador humano, três radiologistas experientes (RAD 1-3) leram independentemente os mesmos estudos anonimizados utilizando um visualizador DICOM dedicado integrado com uma aplicação de etiquetagem. Os radiologistas estavam cegos para os resultados da IA, informações clínicas e resultados e registaram uma classificação a nível de caso nas mesmas três categorias (Negativo/Benigno/Maligno). Para as análises primárias, as suas decisões binárias são derivadas utilizando as mesmas regras HSe e HSp. Além disso, é construído um benchmark de "leitor aleatório" para precisão equilibrada, através da amostragem repetida da decisão de um radiologista por caso num framework de bootstrap (20.000 iterações).

Reference standard O padrão de referência é estabelecido ao nível do estudo. Um caso é classificado como "Maligno" se houver confirmação histopatológica de cancro da mama por biópsia realizada em associação temporal com a mamografia índice. Um caso é classificado como "Não maligno" se houver consenso entre dois radiologistas locais de que o achado é negativo ou benigno estável, tipicamente corroborado por pelo menos 2 anos de seguimento por imagem. A estadiação do tumor (ex: TNM) não é utilizada na presente análise. Todos os 48 casos malignos dos centros participantes estão incluídos no subconjunto analítico; nenhum exame positivo para cancro foi excluído.

Objectives and endpoints Os objetivos primários são: (1) demonstrar que a precisão equilibrada (BA) do Carebot AI MMG é de pelo menos 0,80 em ambos os pontos de operação HSe e HSp; (2) demonstrar a não inferioridade da precisão equilibrada da IA em comparação com o benchmark MRMC de "leitor aleatório" com uma margem de não inferioridade de 0,05; e (3) demonstrar a não inferioridade da sensibilidade (Se) da IA versus cada um dos três radiologistas em ambos HSe e HSp, com uma margem de não inferioridade de 0,07. Os objetivos secundários são descrever a especificidade (Sp), o valor preditivo positivo (PPV), o valor preditivo negativo (NPV) e caracterizar os padrões de decisões falsas-negativas e falsas-positivas e as suas potenciais implicações para a gestão de risco clínico.

Statistical analysis As métricas de desempenho diagnóstico (Se, Sp, PPV, NPV, BA) são calculadas ao nível do caso para o Carebot AI MMG e cada radiologista em ambos HSe e HSp. São utilizados intervalos de confiança de Wilson a 95% para proporções. Testes de McNemar emparelhados são utilizados para comparar a IA e os leitores individuais em termos de Se e Sp. Para a precisão equilibrada, é utilizado um procedimento MRMC de bootstrap com 20.000 iterações para construir a distribuição do leitor aleatório e estimar a probabilidade de que BA_IA seja maior ou igual a BA_aleatório menos a margem pré-especificada. A não inferioridade na sensibilidade é avaliada utilizando um framework do tipo Nam-Blackwelder em pares discordantes. Os casos falsos-negativos e falsos-positivos são revistos qualitativamente com ênfase na conspicuidade da lesão, densidade mamária e padrões típicos de erro (ex: parênquima denso, lesões próximas do músculo peitoral, estruturas vasculares benignas, assimetrias).

Risk, ethics, and data protection O estudo é não intervencionista e totalmente retrospetivo. Todos os exames de mamografia foram adquiridos como parte dos cuidados de rotina antes do estudo, e todos os dados DICOM foram irreversivelmente anonimizados ao nível do local em conformidade com o RGPD e legislação nacional aplicável antes da transferência para o promotor. Não ocorre exposição adicional à radiação ou contacto com doentes, e não são esperados eventos adversos. Dado este desenho, o estudo não cumpre a definição MDR de investigação clínica ao abrigo do Artigo 62 e não está sujeito a notificação prévia ao abrigo do Artigo 74(1); o consentimento informado individual não é necessário. Os resultados destinam-se a apoiar a avaliação clínica do Carebot AI MMG como ferramenta de apoio à decisão no rastreio mamográfico organizado.