Prediktorer för äggstockscancer och endometriecancer för artificiell intelligens-baserade screeningverktyg

Metodik:

Denna studie kommer att omfatta två olika steg

1. Det första steget kommer att genomföra en kohortstudie för att identifiera möjliga prediktorer för varje typ av cancer
2. Den andra etappen kommer att omfatta utvecklingen av point-of-care-testning baserad på en artificiell intelligensmodell för att förutsäga cancerförekomst och prospektiv testning av de nya deltagarna med hjälp av en diagnostisk studiemetod. Verktygen kommer att förutsäga det aktuella histopatologiresultatet och möjlig framtida histopatologi inom ett år.

Deltagare och datakälla I studiecentret har kvinnor med eller utan gynekologirelaterade symtom genomgått gynekologiska och patologiska bedömningar för att utesluta äggstockscancer och endometriecancer i vårt studiecenter. Data lagras digitalt och utvinning kommer att göras därefter

Variabler och resultatmätning

1. Demografiska data och hälsodata denna information erhålls från den första bedömningen av patienterna inklusive ålder, kroppsmassaindex, kroniska sjukdomar, gynekologisk och obstetrisk profil, menstruationsmönster och preventivmedel
2. Kliniska data och laboratoriedata inkluderar ett fullständigt blodvärde, utvald cancerassocierad biomarkör (till exempel Cancer Antigen 125 (Ca-125)), involvering av lymfkörtel, histopatologi av relevanta vävnader och tecken på metastaser genom kliniska eller radiologiska data
3. Utfall slutlig histopatologityp och klassificering bedömd av minst två patologer för att bestämma typen av cancer. Riktlinjerna för klassificering följer Världshälsoorganisationens klassificering

Utveckling av artificiell intelligens-baserade screeningverktyg

1. Forskaren ska utveckla

   - en informationsbaserad modell där användaren kommer att ge ett svar på varje prediktor

   - en bildbaserad modell där användaren tillhandahåller en tagen bild för förutsägelse

   - en blandad modell där användaren kan kombinera tagna bilder och information för varje prediktor

2. föreslagen modell

   - poängbaserad härledd från regressionskoefficienten

   - beslutsträd

   - slumpmässig skog

   - artificiellt neuralt nätverk

   • konvolutionerande neurala nätverk
3. Val av modell

1. Screeningprestanda på delad data (eller med hjälp av korsvalideringsteknik)

2. utvärdering av log-förlust eller sannolikhet

   Tidslinje

   1. För det första steget av studien kommer det att finnas en tidsvarierande bedömning för varje deltagare, dock genomgår åtminstone deltagarna en bedömning av alla faktorer och resultat vid baslinjen. Upprepad utvärdering enligt läkarens förslag kommer att göras inom ett år efter baslinjebedömningen.

   2. Den andra studien kommer att tillämpa prospektiv screening. Det artificiella intelligensbaserade screeningsverktyget kommer att användas samtidigt med diagnosens guldstandard.

   Möjlig bias procedurbias, särskilt vid tolkning av tillförlitlighetsresultat, hanteras genom att involvera flera patologer. Patologen och screenern kommer att utföra screeningen oberoende av varandra för att minska tendensen hos tidigare resultat från de nyutvecklade screeningverktygen.

   Provstorlek

   1. Det första steget i forskningen förutsätter det

a. Prevalensen av både cancer bland alla cancerformer hos kvinnor stod för 5 % b. Typ I-fel satt till 5 % c. absolut fel av prevalensen 1 % med hjälp av formeln för ett urvalsandel, den uppskattade urvalsstorleken är 1825 deltagare.

2. Efter den diagnostiska studien konstaterar vi att den nya screeningverktygsmodellen kommer att visa prestanda som inte är underlägsen histopatologi som guldstandard, förutsatt att

a. den förväntade skillnaden i känslighetsvärde är 5 % om man antar att de nya screeningsverktygen kommer att ha 85 % känslighet och känsligheten för histopatologi är 90 %. cross-over-testning kommer att göras, vilket skapar en jämn fördelning av screeninginterventioner. c. Typ 1-fel i studien satt till 5 % d. Effekten av studien satt till 80 % av den totala urvalsstorleken för det potentiella screeningsverktyget kommer att vara 1080 deltagare

Data Kvantifiering och diskretisering flera kliniska uppgifter kommer att klassificeras enligt den fastställda riktlinjen, till exempel body mass index.

Föreslagen statistisk analys

1. Beskrivande statistisk och bivariat analys
2. En cox-regression kommer att utföras efter tidslinjen från baslinje till händelse
3. Undergruppsanalyser kommer att göras, särskilt i vissa demografiska och komorbiditeter.

När det gäller det andra steget kommer analysen att identifiera

1. känslighet
2. specificitet
3. noggrannhet
4. precision
5. Antalet Needed to Treat utvalda modeller kommer att distribueras i en applikation.