Метод глубокого обучения для оценки QT на рибоциклибе (QT-RIBRATING)

«Глубокое обучение» — это быстроразвивающийся метод машинного обучения (искусственный интеллект, ИИ), вызывающий интерес научного комитета во многих областях медицины. Эти методы позволяют генерировать совпадения между необработанными входными данными (такими как цифровой сигнал с ЭКГ) и желаемыми выходными данными (например, измерением интервала QTc). В отличие от традиционных методов машинного обучения, которые требуют ручного извлечения структурированных и предопределенных данных из необработанных входных данных, методы глубокого обучения изучают эти функции непосредственно из необработанных данных без заранее определенных рекомендаций. С появлением больших данных и недавним экспоненциальным ростом вычислительной мощности эти методы могут создавать модели с исключительной производительностью. Исследователи недавно использовали этот тип метода с использованием многоуровневых искусственных нейронных сетей для создания приложения, основанного на модели, которая напрямую преобразует необработанные цифровые данные ЭКГ (.xml) в показатель QTc, сравнимый с теми, которые соответствуют самым высоким стандартам в отношении воспроизводимость.

Основная цель этого испытания — изучить производительность нашей модели DL-AI для измерения QTc (по сравнению с лучшие стандарты измерения интервала QTc, ТКМ), применяемые к рекомендуемому мониторингу ЭКГ после назначения рибоциклиба пациентам с раком молочной железы при рутинном клиническом лечении. Исследователи будут получать ЭКГ с помощью различных устройств, в том числе упрощенных устройств (регистрация в одном/трех отведениях, частота дискретизации с низкой частотой: 125–500 Гц), чтобы определить, будут ли они одинаково эффективны по сравнению с аппаратом для сбора данных в 12 отведениях для оценки QTc в этих условиях.