Глобальное предварительное исследование вероятности ишемической болезни сердца (GPS-CAD)

Это исследование представляет собой агрегированный реестр, состоящий из ретроспективного обзора медицинских карт лиц из разных мест. Общий подход заключается в создании крупного консолидированного глобального реестра существующих когорт пациентов, направленных на неинвазивное тестирование с использованием компьютерной томографии (КТ). Анонимные изображения и структурированные данные, включая демографические данные, факторы риска, исходы и результаты КТ, будут получены с нескольких сайтов. Типы изображений, подлежащих анализу и количественной оценке, представляют собой бесконтрастную компьютерную томографию (NCCT) и коронарную КТ-ангиографию (CCTA). Для оценки CAC будет использоваться метод Агатстона, в то время как CAD будет оцениваться с использованием данных реестра чтений CCTA.

Собранные данные будут включать факторы риска и демографические данные, такие как возраст, пол, этническая принадлежность, гипертония, курение, диабет, дислипидемия и семейный анамнез ИБС. Исходы, такие как смерть и инфаркты миокарда, будут включены в набор данных, если они доступны. Все полученные данные будут обезличены и обезличены. Члены исследовательской группы проверят данные исследования, чтобы убедиться, что все данные исследования собраны точно и полно.

Элементы данных разных когорт могут не согласовываться или не совпадать друг с другом. Могут отсутствовать элементы данных или разные входные данные. Таким образом, для проведения анализа может использоваться пропуск или вменение. Чтобы свести к минимуму разнородность данных по формату, сайты будут снабжены стандартным шаблоном и словарем данных. Это завершит согласование исходных данных и ожидаемых элементов данных. Затем собранный набор данных будет согласован группой по биостатистике перед анализом.

Приблизительный общий размер исследования n = 200 000. Предполагая, что площадь под рабочей кривой приемника (AUC) составляет 0,70 для существующих методов PTP и CAC, это предложение имеет достаточную мощность для обнаружения увеличения AUC на 0,05 с использованием двустороннего z-критерия при уровне значимости 0,05. Непрерывные переменные будут выражены как среднее значение и стандартное отклонение. Категориальные переменные будут выражены в виде абсолютных чисел и процентов. Распределения будут проверены на нормальность с использованием статистики Шапиро-Уилка. Переменные с ненормальным распределением будут представлены в виде медианы с межквартильным диапазоном от 25-го до 75-го. Сравнение нормально распределенных непрерывных переменных будет выполняться с использованием критерия Стьюдента для парных и непарных данных. Ненормально распределенные переменные будут сравниваться с использованием тестов суммы рангов Манна-Уитни и тестов Крускала-Уоллиса. Сравнение категорийных данных будет выполняться с использованием критерия Хи-квадрат и точного критерия Фишера, где это уместно.

Различия в результатах с течением времени будут проанализированы с помощью анализа Каплана-Мейера с логарифмическим ранговым тестом для каждого результата. С помощью регрессионного анализа Кокса будет выполнен одномерный и многомерный регрессионный анализ. Одномерный анализ будет включать переменные до события со значениями p <0,10. Переменные, показавшие значимое (p<0,05) корреляция с конечными точками после одномерного анализа будет учитываться в многомерных моделях. Будут рассчитаны отношения шансов и 95% доверительный интервал. Статистическая значимость была установлена ​​как p<0,05. Передовые методы машинного обучения (например, нейронные сети).