Проверка устройства Vocorder в клинических условиях — непрерывный мониторинг отдельных лиц (Vocorder Clinical Validation-VCV) (VCV)

Дизайн исследования Гипотеза В ходе изучения дыхательной химии было обнаружено, что некоторые ЛОС, модели ЛОС и взаимосвязь между изменениями в структурах ЛОС связаны с различными типами заболеваний. Таким образом, изменения в структуре ЛОС в выдыхаемом воздухе коррелируют с конкретными условиями, что измеряется с помощью конкретных профилей ЛОС, связанных с заболеванием.

Предыстория и цели исследования Данное клиническое исследование проводится в рамках проекта HORIZON-EIC-2022 PATHFINDER CHALLENGES-01-04 под названием Vocorder, новая технология анализа дыхания. Сбор проб дыхания для анализа ЛОС (пациенты и контрольная группа). ЛОС уже могут присутствовать на базовом уровне. Однако прибор ВОКОРДЕР будет способен устранять различия в концентрациях, вызванные изменениями в обмене веществ, и различать те, которые уже могут присутствовать в окружающем воздухе. Таким образом, анализатор позволит проводить измерения различных газов с временным разрешением на месте (например, ЛОС), регистрируя профиль их концентрации за один вдох с минимальным контролем и практически без строгой методологии. Однако на этом этапе проверки будет применяться строгая методология, чтобы гарантировать обоснованность подхода и ненавязчивость метода.

Анализ дыхания будет проводиться с использованием прототипов лазерных анализаторов дыхания, способных одновременно обнаруживать небольшое количество газов. Самосмешивающийся анализатор QCL среднего ИК-диапазона для обнаружения летучих органических соединений с диапазоном измерения 10–100 частей на миллиард, пределом обнаружения около 1 частей на миллиард, разрешением около 1 частей на миллиард и точностью около ± 1 частей на миллиард. Идентификация соединений будет опираться на библиотеку масс-спектров NIST и сравнение их индексов удерживания с библиотекой индексов, полученной для эталонных стандартов. Первоначальный анализатор дыхания можно будет протестировать как на здоровых, так и на инкубированных пациентах, поскольку трубку для отбора проб можно будет подключить непосредственно к аппарату ИВЛ в дополнение к первоначальному использованию.

В этом клиническом исследовании будет рассмотрен корреляционный анализ между профилями ЛОС в выдыхаемом воздухе, обнаруженными анализатором дыхания VOCORDER, и электронными медицинскими данными, собранными медицинскими работниками. Ожидается, что полученные результаты будут иметь важное значение для адаптации технологии анализа дыхания в анализаторе дыхания ВОКОРДЕР к раннему выявлению интересующих заболеваний.

Основные цели данного клинического исследования заключаются в следующем:

1. Использовать разработанное устройство в клинических условиях и определить параметры его работы (объем дыхания, количество и частоту клинических отборов проб).
2. Для проверки эффективности устройства и его измерений, произведенных в сравнении с другими соответствующими технологиями и/или установленным эталонным методом.
3. Изучить возможные основные корреляции между газами, обнаруженными при анализе дыхания, и конкретными заболеваниями, выбранными для этого исследования.

Первичная и вторичная конечная точка(и)

Первичные конечные точки:

Подтвердить эффективность прибора ВОКОРДЕР в клинической практике и способствовать дальнейшему развитию технологии анализа дыхания.

Вторичные конечные точки:

1. Выявить и определить рабочие параметры новой технологии анализа дыхания в клинической практике.
2. Сравните производительность и результаты технологии VOCORDER с эталонным методом ГХ-МС.
3. Исследовать корреляцию между известными ранее существовавшими состояниями и значимыми биомаркерами ЛОС в выдыхаемом воздухе при отдельных заболеваниях.
4. Изучите потенциал биомаркеров ЛОС в выдыхаемом воздухе для раннего выявления заболеваний, способствуя своевременной диагностике посредством корреляции с ключевыми медицинскими параметрами.

Требования к проведению клинического исследования Исследовательский центр по проведению и текущему статусу одобрения комитетов по этике Исследование будет проводиться в больнице МИТЕРА. Клиника общего профиля, родильно-гинекологическая клиника и детская больница МИТЕРА зарекомендовала себя как ведущее медицинское учреждение, предоставляющее комплексную помощь людям всех возрастов. Имея 45-летний опыт работы, MITERA выделяется как одна из самых уважаемых частных больниц Греции, предлагающая широкий спектр высококачественных медицинских услуг, направленных на профилактику, диагностику и лечение в различных областях медицины. В МИТЕРА расположены три клиники: общая клиника, родильно-гинекологическая клиника МИТЕРА и самая обширная частная педиатрическая клиника в Греции, детская больница МИТЕРА. Обязательства по предоставлению исключительного сестринского ухода и услуг отличаются высоким качеством в клиниках MITERA, где преданная своему делу команда врачей, медсестер и акушерок при всесторонней административной и технической поддержке доступна круглосуточно, каждый день в году, чтобы помочь обратиться в любую неотложную медицинскую помощь.

Ученый совет больницы санкционировал проведение клинического исследования. Исследование проведет исследовательская группа MITERA. Нормативный статус

1. Требования Общего регламента защиты данных (GDPR)
2. Регламент (ЕС) 2016/679 Европейского парламента и Совета от 27 апреля 2016 г. о защите физических лиц при обработке персональных данных и о свободном перемещении таких данных, а также об отмене Директивы 95/46/EC• WP29. : Мнение 05/2014 о методах анонимизации.
3. Будут соблюдаться лучшие практики лечения/стандарты ухода. Пациенты будут диагностированы в соответствии с этими передовыми практиками.
4. Несмотря на то, что клиническое исследование не включает медикаментозное лечение, для обеспечения этического и научного качества будут соблюдаться общие принципы надлежащей клинической практики.

5. Будут учитываться принципы, определенные в руководящих принципах агентств по оценке технологий здравоохранения, таких как EUnetHTA, особенно следующие:

   • Компараторы и сравнения. Критерии выбора наиболее подходящего компаратора(ов).
   • Краткое изложение текущей политики и рекомендаций по передовой практике.
   • Критерии конечных точек для оценки относительной эффективности: клинические конечные точки
6. Исследование будет разработано и проанализировано в соответствии со Статистическими принципами клинических исследований (CPMP/ICH/363/96), тема ICH E9.
7. AEPD: Рекомендации AEPD по процедурам анонимизации персональных данных обеспечат основу для обеспечения конфиденциальности и защиты данных.
8. ENISA: Будут следовать рекомендациям для приведения технологических разработок в соответствие с GDPR, особенно в отношении методов псевдонимизации данных.
9. Совместный документ AEPD-EDPS об использовании хэш-функций для псевдонимизации персональных данных послужит справочником по стратегиям защиты данных.
10. Всемирная медицинская ассоциация: Хельсинкская декларация об этических принципах медицинских исследований с участием людей. Информированное согласие и информация. В рамках VOCORDER ответственное учреждение следует определенным процедурам и использует форму согласия, обеспечивая соблюдение минимальных информационных требований для действительного согласия, как указано в вышеперечисленные рамки. Участие в исследовании VOCORDER будет полностью добровольным для всех лиц с правом отказаться от любого этапа исследовательской деятельности без каких-либо последствий или санкций. Подробный информационный лист с описанием цели, процедуры, рисков и т. д. исследования VOCORDER будет предоставлен участникам вместе с формой согласия. Протокол и образцы форм информационного согласия можно получить по запросу. Они также будут добавлены в План управления данными. Информацию дадут врачи, имеющие соответствующую научную подготовку и квалификацию. Медицинский персонал сможет ответить на вопросы, заданные людьми, и объяснить процесс, которому необходимо следовать, что требуется от участника и ожидаемые результаты. Будет обеспечено полное понимание информации потенциальными участниками.

Согласие будет дано участниками свободно. Будет гарантировано, что они не будут чувствовать себя обязанными или каким-либо образом принужденными дать согласие. Участники дадут согласие в письменной форме, в частности, подписав форму информированного согласия и информационные листы, представленные ниже. Если согласие не может быть дано в письменной форме, например, из-за неграмотности, неписьменное согласие должно быть официально задокументировано и засвидетельствовано независимо. Согласие — это непрерывный процесс, особенно в долгосрочных исследованиях, таких как VOCORDER. Ответственные партнеры проекта будут способствовать постоянному диалогу с участниками и информировать их обо всем отличающемся/новом, связанном с испытанием.

Одобрение Комитета по этике. Для усиления контроля за соблюдением этических процедур на протяжении всего жизненного цикла проекта будет создан IEC VOCORDER. Этот комитет будет играть доминирующую роль в обеспечении соблюдения этических принципов, прописанных в законодательстве, на всех этапах проекта, от разработки протокола до публикации результатов. Кроме того, комитет будет сотрудничать с местными комитетами по этике в шести странах-участницах для рассмотрения любых жалоб участников, возникающих в ходе исследования. НЭК будет поручено составить и при необходимости представить соответствующие национальные комитеты по этике отчеты по безопасности и промежуточные отчеты.

Назначение контактных лиц по этическим и юридическим вопросам. В соответствии со своей деятельностью и национальной нормативной базой каждый партнер, участвующий в VOCORDER, назначит сотрудника по защите данных (DPO) и/или назначит контактное лицо, ответственное за решение юридических и этических проблем, связанных с исследовательская деятельность проекта.

Мониторинг и отчетность. Во время совещаний по проекту будут предоставляться регулярные отчеты о мониторинге этических рисков. В настоящее время рассматривается вопрос о разработке и распространении этического вопросника среди партнеров, участвующих в техническом развитии, чтобы обеспечить его соответствие этическим требованиям. НЭК будет нести ответственность за решение любых вопросов, поднятых партнерами проекта во всех инстанциях, и сотрудничать с соответствующим представителем по юридическим и этическим вопросам, определенным каждой организацией. ВОКОРДЕР будет оценивать результаты на всех этапах реализации проекта на соответствие этим требованиям, чтобы обеспечить всесторонний охват.

Фазы клинического исследования

Клиническое исследование является проспективным когортным исследованием и будет проводиться в два этапа:

• 1-й этап: базовый этап (октябрь 2024 г. – август 2025 г.)
• 2-й этап: этап валидации — валидация технологии VOCORDED (май-декабрь 2026 г.)

Фазы клинического исследования

Клиническое исследование является проспективным когортным исследованием и будет проводиться в два этапа:

• 1-й этап: базовый этап (октябрь 2024 г. – август 2025 г.)
• 2-й этап: Этап валидации – валидация технологии VOCORDED (май-декабрь 2026 г.) Базовый этап Реализация этого этапа считается необходимой для определения основных рабочих параметров изготавливаемой технологии, чтобы обеспечить возможность перехода к окончательной валидации устройства в клиническая область. Вышеуказанная цель будет достигнута за счет использования механизма искусственного интеллекта (WP.4) и анализа исходных данных технологических исследовательских групп, участвовавших в разработке анализатора дыхания. На этом этапе регистрируются пациенты и здоровые контрольные группы, а измерения выделяемых газов анализируются с использованием эталонного метода ГХ-МС.

Фаза валидации (Фаза валидации ВОКОРДЕР) На этом этапе технология ВОКОРДЕР проходит клиническую оценку как пациентами, так и здоровыми добровольцами. Анализ включает измерение газов, выделяемых участниками, с использованием как стандартного эталонного метода, так и технологии VOCORDER для сравнения.

Болезни

Будут исследованы следующие заболевания:

1. Рак легких
2. Рак желудка и толстой кишки
3. Рак молочной железы
4. Почечная недостаточность
5. Инфекции - Пневмония (внебольничная и внутрибольничная). Выбор этих заболеваний был основан на анализе командой ETH существующей литературы (Задание 2.1) и последующей адаптации результатов для соответствия возможностям VOCORDER по обнаружению конкретных газовых биомаркеров для ранняя диагностика отдельных заболеваний (Задача 2.2) .

Пациенты и здоровая контрольная группа. Здоровая контрольная группа. Для участия в исследовании одновременно с пациентами будут выбраны не менее 120 здоровых людей из контрольной группы обоих полов в возрасте от 20 до 75 лет, не страдающих исследуемыми заболеваниями. Ожидается, что по крайней мере 2-3 пробы дыхания будут взяты у каждого предполагаемого контроля в разные дни в одно и то же время суток. В обеих фазах исследования будут участвовать одни и те же здоровые люди, а полученные образцы дыхания будут анализироваться с использованием обоих методов.

Здоровых добровольцев отбирают либо из персонала больницы, либо из пациентов, поступивших в больницу по иным причинам. Потенциальные участники контроля заполнят анкету с демографическими данными и данными истории болезни после того, как будут подробно проинформированы об исследовании командой VOCORDER из MITERA. Анкета будет проанализирована командой проекта, и если будет сделан вывод, что человек может участвовать в исследовании, участник подпишет форму согласия.

Популяция пациентов Исходный этап

Пациенты: всего 175 пациентов, по 35 на каждое заболевание, в возрасте 18-75 лет обоего пола, отобранных по следующим критериям включения:

1. Пациенты>18 лет обоего пола
2. Они должны быть в состоянии передать и понять информацию, предоставленную им сотрудниками MITERA.
3. Страдают исследуемым заболеванием.
4. Заболевание должно находиться на самой ранней стадии, т. е. пациенты еще не должны начинать лечение.

5. У пациентов не должно быть других серьезных сопутствующих заболеваний, влияющих на полученные результаты. Пациенты будут отбираться в сотрудничестве с врачами, ответственными за лечение и/или госпитализацию пациентов с исследуемыми заболеваниями.

   Критерии 1, 2 и 3 являются обязательными для участия в исследовании. Для включения пациентов в исследование специфическая документация о заболевании должна быть доступна команде проекта следующим образом:

   Для диагностики рака необходимо документально подтвердить следующее:

   • Тип рака основывается на гистопатологических данных и результатах конкретных показателей.
   • Стадию заболевания устанавливают на основании рентгенологических и гематологических исследований.

   При инфекциях – пневмониях диагноз необходимо установить:

   • Диагноз пневмонии основывался на данных грудной клетки, клиническом синдроме и состоянии воспалительных показателей (1-й день).
   • Лабораторное определение возбудителя, вызвавшего клинический синдром (при возможности его выделения из клинических образцов)
   • Клиническая тяжесть заболевания основана на шкале CURB 65/SMART COP для пациентов с внебольничной или медицинской пневмонией соответственно и Apache II для госпитализированных пациентов в отделении интенсивной терапии.

   При почечной недостаточности необходимо:

   • Документация хронической болезни почек
   • Определение стадии заболевания по показателям CFR.
   • Лечение гемодиализом Критерии исключения
   • Отсутствие подписанного согласия
   • Отсутствие сотрудничества по какой-либо причине
   • Несоблюдение рекомендаций по требованиям, предъявляемым к процедуре отбора проб дыхания
   • Невозможность предоставить надежный образец дыхания
   • Любое лечение, специфическая диета, хирургическое вмешательство или другое вмешательство, начатое между получением проб на содержание ЛОС в выдыхаемом воздухе.

   После того, как команда MITERA, ответственная за проект, проинформировала пациента и он согласился участвовать в исследовании, он должен прочитать и подписать соответствующую форму согласия на участие. Аналогичные анкеты с контрольной группой (формы сбора данных) будут заполнены для пациентов, участвующих в исследовании.

   Отбор проб: у каждого пациента берут и анализируют не менее двух проб дыхания (по 1 л каждая) в одинаковых условиях (например, в разные дни, но в одно и то же время суток). На этом этапе пробы дыхания будут проанализированы с использованием эталонного метода. На заключительном этапе они будут сохранены и проанализированы с помощью метода VOCORDER. Метод взятия пробы дыхания будет соответствовать рекомендациям, следующим за эталонным методом.

   Фаза валидации. Пациенты. В заключительной фазе клинического исследования примут участие 100 пациентов, по 20 на каждое заболевание. Пациенты будут отбираться в соответствии с вышеуказанными критериями, как и на исходном этапе.

   Отбор проб: пробы дыхания будут анализироваться с использованием обеих методик. У каждого пациента берут и анализируют не менее двух проб дыхания в одинаковых условиях (например, в разные дни, но в одно и то же время суток). Метод взятия пробы дыхания будет соответствовать рекомендациям эталонного метода и техническим требованиям VOCORDER.

   Таблица 1. Описание клинических фаз Клинические фазы БАЗОВАЯ ФАЗА ФАЗА ВАЛИДАЦИИ Пациенты и здоровая контрольная группа Пациенты Группа 1 Здоровые контрольные пациенты Группа 2 Здоровые контрольные группы Размер популяции (Нет) 175 120 (минимум) 100 120 Методика анализа дыхания SESI-MS и Эталонный метод ГХ-МС SESI-MS и эталонный метод ГХ-МС SESI-MS и эталонный метод ГХ-МС SESI-MS и Эталонный метод ГХ-МС Технология Vocorder Технология Vocorder

   Методология анализа дыхания. На начальном этапе для анализа выдыхаемого воздуха пациентов и здоровых добровольцев будет использоваться эталонный метод масс-спектрометрии. Пробы дыхания собираются в пакеты для проб газа емкостью 1 л и отправляются в лабораторию анализа дыхания в ETH Zurich для автономного анализа.

   На последующем этапе валидации клинические образцы анализируются с использованием обоих методов: метода VOCORDER и эталонного метода масс-спектрометрии, чтобы обеспечить надежное сравнение и проверку результатов.

   Заболевания и сбор данных (AIDEAS, MITERA) Кроме того, обширная оценка факторов риска различных состояний здоровья выявляет сложное взаимодействие между генетической предрасположенностью, воздействием окружающей среды, выбором образа жизни и основными состояниями здоровья. Бесспорно, основным фактором риска рака легких остается табачный дым, причем около 85% случаев рака легких напрямую связаны с курением, включая пассивное курение (CDC, 2021). Воздействие радона, профессиональное воздействие таких веществ, как асбест, некоторые металлы и выхлопные газы дизельных двигателей, а также загрязнение воздуха еще больше повышают риск, наряду с семейным анамнезом рака легких (Американское онкологическое общество, 2021).

   Многофакторная этиология рака молочной железы включает гормональные факторы, такие как раннее менархе, поздняя менопауза и заместительная гормональная терапия, в сочетании с факторами образа жизни, такими как употребление алкоголя, отсутствие физической активности и ожирение. Генетические факторы играют значительную роль: мутации в генах BRCA1 и BRCA2 заметно увеличивают риск. Кроме того, репродуктивный анамнез, включая возраст первых родов и грудного вскармливания, влияет на профили риска (Национальный фонд рака молочной железы, 2021).

   Риск рака желудка тесно связан с диетой, инфекцией Helicobacter pylori, курением и семейным анамнезом. Международное агентство по изучению рака (IARC) признает H. pylori канцерогеном I класса, вызывающим рак желудка. Кроме того, диета, богатая копчеными продуктами, соленой рыбой и мясом, а также маринованными овощами, связана с более высоким уровнем заболеваемости раком желудка, особенно в таких регионах, как Восточная Азия, где эти продукты являются основными продуктами питания (Всемирный фонд исследования рака, 2020).

   Хроническая болезнь почек (ХБП) и почечная недостаточность возникают в результате таких состояний, как диабет и гипертония, на которые приходится до двух третей случаев. Другие факторы риска включают семейный анамнез заболеваний почек, возраст старше 60 лет и этническую принадлежность, причем повышенному риску подвергаются афроамериканцы, коренные американцы и американцы азиатского происхождения. Хроническое использование НПВП и воздействие контрастных красителей при визуализации также создают риски (Национальный фонд почек, 2021).

   На такие инфекции, как пневмония, влияет иммунный статус человека, причем особенно восприимчивы очень молодые, пожилые люди и люди с ослабленным иммунитетом. Факторы окружающей среды, такие как качество воздуха, курение и воздействие раздражителей дыхательных путей, а также хронические респираторные заболевания, такие как астма и хроническая обструктивная болезнь легких (ХОБЛ), имеют важное значение. Сезонный грипп может предрасполагать людей к бактериальной пневмонии, иллюстрируя взаимосвязь между вирусными и бактериальными инфекциями (CDC, 2021). Понимание этих факторов риска имеет решающее значение для разработки профилактических стратегий, методов раннего выявления и формулирования политики общественного здравоохранения, направленной на смягчение воздействия этих заболеваний.

   В заключение, наша комплексная анкета будет включать широкий спектр демографической информации и деталей истории болезни для тщательной оценки профиля здоровья участника. Демографические данные, такие как возраст, пол, раса/этническая принадлежность, доход, уровень образования, род занятий, семейное положение и географическое положение, дадут контекстуальную основу для индивидуального состояния здоровья. Данные истории болезни, включая вес, рост, ИМТ, привычки к курению, употребление алкоголя, пищевые привычки, уровни физической активности, сопутствующие заболевания, а также подробный отчет о хронических заболеваниях, инфекциях, приеме лекарств, операциях и госпитализациях обеспечат более глубокое понимание каждого заболевания. риски для здоровья участника. Кроме того, мы оценим психологические факторы, такие как депрессия и тревога, а также влияние окружающей среды и образа жизни, такое как профессиональные воздействия, генетическая предрасположенность, характер сна и уровень стресса. Эти данные позволят нам выявить корреляции и закономерности, которые могут способствовать распространенности и исходам заболеваний, а также концентрациям ЛОС, обнаруженным по результатам анализа дыхания. Кроме того, концентрации молекул, вырабатываемых этими заболеваниями, могут варьироваться из-за эндогенных процессов, таких как циркадный ритм или состояние здоровья субъектов, или из-за дополнительных внешних факторов, таких как прием лекарств, использование косметических продуктов или физические упражнения. Эти факторы будут, по мере возможности, отслеживаться.

   Сбор и выгрузка клинических данных. Данные будут собраны командой проекта MITEPA и сохранены в компьютеризированной рабочей папке в больнице. Папка доступна только команде проекта MITERA. Данные о пациентах затем будут анонимизированы и введены в специально разработанную базу данных, доступную другим партнерам - авторизованным пользователям. В базу данных также включены результаты использования обеих методологий.

   Обеспечение защиты данных. Защита личных данных пациентов, участвующих в исследовании, будет обеспечиваться в рамках законодательства Греции, соответствующего европейского GDPR и правил больницы MITERA.

   Планирование статистического анализа и расчет размера выборки (ICCS) В соответствии с потребностями проекта VOCORDER статистический анализ спектров высокого разрешения из данных проб дыхания будет предоставлен в Задаче 4.2. В этом анализе будут использоваться несколько методов искусственного интеллекта различных технологий для дифференциации классов образцов с точки зрения скрытых свойств, связанных со здоровьем. Более того, этот автоматизированный процесс будет определять корреляции и зависимости между выбранными параметрами заболеваний, отдельными полосами биомаркеров и дескрипторами на основе записанных данных. .

   Для успешного подхода к проектированию и анализу клинических образцов необходимо изучить современные подходы. В Таблице 2 суммированы данные о летучих органических соединениях (ЛОС) при заболеваниях VOCORDER. ЛОС можно использовать для выявления заболеваний VOCORDER на основе статистического анализа с использованием нескольких типов алгоритмов машинного обучения (т. е. неконтролируемого, контролируемого, полуконтролируемого и XAI). В следующих параграфах этого раздела представлена ​​информация о современных подходах к машинному обучению. Описанные в литературе подходы будут использоваться в качестве предварительных знаний для разработки моделей машинного обучения для проекта VOCORDER после успешного сбора клинических образцов.

   Таблица 2 Летучие органические соединения выдыхаемого воздуха при ВОКОРДЕРНЫХ заболеваниях. Зарегистрированные заболевания Летучие органические соединения Рак легких Изопропанол Ацетон Пентан Бензол Рак желудка и толстой кишки Пропанал Ацетамид Изопрен 1,3-Пропандиол Этилен Метилизобутилкетон Уксусная кислота м-толуиловый альдегид 1,2,5 Триметилбензол Рак молочной железы (S)-1,2-пропандиол Циклопентанон этиленкарбонат 3-Метокси-1,2-Пропандиол 3-Метилпиридин Фенол Тетраметилсилан Почечная недостаточность Циклогексанол 3-Гидрокси-2-Бутанон 3-Метилбутаналь Димер изопрена Инфекции-пневмония Метанол Ацетальдегид Пропиолонитрил 2-хлорпиридин Без надзора Модели искусственного интеллекта Без надзора Анализ главных компонентов AI (PCA) был исследован как решение для обнаружения рака по образцам дыхания. В работе Маити и др. обсуждается тематическое исследование 63 добровольцев, составленное из здоровых и нездоровых образцов, среди которых пациенты с раком почки, раком мочевого пузыря и раком простаты. Их сбор данных был основан на безлазерной широкополосной спектроскопии с Фурье-преобразованием в среднем инфракрасном диапазоне для обнаружения чувствительных к раку газов-метаболитов (т.е. этилвинилкетона, ацетальдегида, метилбутирата и т. д.). Их анализ, подкрепленный контролируемыми методами, показал, что эти методологии можно использовать для выявления рака. Однако необходимы дальнейшие исследования.

   Аналогичное исследование было применено в работе Аслама и др. В этом случае они исследовали диагностику рака желудка на ранней стадии на основе неконтролируемого глубокого обучения. Они предлагают инновационный метод извлечения признаков, основанный на многоуровневом разреженном автокодировщике для извлечения отличительных признаков из немаркированных данных образцов дыхания. Их результаты показывают, что разреженные нейронные сети с глубоким стеком способны достичь общей точности 98,7% для расширенной классификации рака желудка и 97,3% для раннего обнаружения рака желудка с использованием анализа дыхания.

   Исследование Alkhalifah et al. исследовали выявление рака с помощью анализа ЛОС, проанализировав 74 клинических образца дыхания участников с использованием газовой хроматографии и масс-спектрометрии. Они предлагают метод неконтролируемой кластеризации под названием VOCCluster для измерения сходства масс-спектров ЛОС. Их работа привела к тому, что подход VOCCluster получил более высокие оценки по сравнению с современными алгоритмами, такими как DBSCAN и OPTICS.

   Контролируемые и полуконтролируемые модели искусственного интеллекта. Машинное обучение на основе контролируемого обучения также можно использовать для обнаружения рака. Бегум и др. исследует выявление лейкемии на основе биомаркеров рака. Для своего анализа они рассмотрели алгоритмы наивного Байеса (NB), K-ближайших соседей (KNN) и машин опорных векторов (SVM) для контролируемого обучения. Их эксперименты проводились путем изменения размера обучающего набора (т. Е. Использованного набора из 20, 33 и 48 образцов) и 33 образцов для размера теста. Во всех случаях результаты алгоритма SVM были лучше, чем у других алгоритмов, однако авторы пришли к выводу, что необходимы будущие исследования.

   Чжоу и др. исследовали выявление рака легких на 236 образцах дыхания (176 здоровых и 60 пациентов) с использованием контролируемого обучения. Каждый образец состоит из 308 признаков, извлеченных из хроматограммы, а их экспериментальная установка была основана на алгоритме деревьев решений градиентного буста. Используя эти параметры, они достигли точности 85%, оцененной с помощью 6-кратной перекрестной проверки. На основе статистического бутстреп-анализа 72% выборок помечены как «доверительные» с точностью 93% достоверных выборок при перекрестной проверке.

   Наконец, полуконтролируемое машинное обучение эффективно применяется для выявления заболеваний, связанных с легкими, таких как SARS-CoV-2. Более того, в работе Ши и др. предлагается полуконтролируемый подход глубокого трансферного обучения для обнаружения узлов в легких, которые указывают на рак легких. Эти исследования демонстрируют возможность использования как контролируемых, так и полуконтролируемых методов обучения для выявления заболеваний на основе анализа дыхания. Однако во всех вышеупомянутых работах сделан вывод о том, что необходимы дальнейшие исследования для улучшения этих технологий и создания рабочего решения, которое можно будет использовать в медицинских целях.

   Планирование статистического анализа VOCORDER Проект VOCORDER направлен на разработку устройства для обнаружения нескольких заболеваний, связанных с дыханием. Чтобы обеспечить выявление и классификацию этих заболеваний, в рамках проекта будет изучен ряд моделей, включая контролируемые, неконтролируемые и полуконтролируемые подходы. Кроме того, проект VOCORDER будет использовать объяснимую технологию искусственного интеллекта, чтобы попытаться максимизировать точность окончательных моделей. На данном этапе преждевременно детализировать конкретные статистические анализы из-за отсутствия измерений.

   Согласно литературе, одна жизнеспособная стратегия предполагает использование передовых методов классификации, таких как SVM, K-NN, NB или деревья решений, для изучения выявления заболеваний. Новый подход включает передовые модели искусственного интеллекта, такие как модели на основе LSTM или CNN. Объяснимые методы ИИ также будут применяться не только для оценки вероятности заболевания, но и для выяснения обоснования выводов модели ИИ.

   Расчет размера выборки В рамках проекта VOCORDER по созданию объективных моделей машинного обучения для диагностики различных заболеваний мы тщательно рассчитали необходимый размер выборки, придерживаясь строгих статистических критериев. Для анализа отдельных задач двух классов, таких как различение здоровых людей и людей, страдающих конкретным заболеванием, наша цель — достичь чувствительности и специфичности не менее 90%. Эта амбиция требует минимум 35 субъектов в классе, что подкрепляет исследование уровнем достоверности 95% и погрешностью, установленной на уровне 10%. Хотя эта разница превышает обычно рекомендуемые 5% для исследований, связанных с заболеваниями, она служит нашим предварительным стандартом. С включением в наше исследование четырех различных заболеваний требование возрастает до минимума 35 субъектов для каждой категории заболеваний. Кроме того, чтобы отразить демографические различия в распространенности заболеваний, такие как более высокая распространенность рака молочной железы среди женщин, группа здоровых участников должна быть значительно больше. Такое стратегическое определение размера выборки имеет решающее значение для успешной разработки объективных и эффективных моделей машинного обучения.