AI-baserad multimodal parameter för perifera blodceller (MMPBC) förutsäger överlevnadsrisk hos kritiskt sjuka barn

Enligt definitionen av FN:s barnfond (UNICEF) är barn individer mellan 0 och 18 år. Kritiskt sjuka barn är de som läggs in på PICU eller NICU och lider av svåra sjukdomar som kräver särskild behandling. Dessa sjukdomar kan äventyra barnets liv. Studier har rapporterat att den internationella PICU-dödligheten i utvecklade länder är 2 % till 3 %; under de senaste åren är dödligheten på sjukhus för PICU i Kina 4,7 % till 6,8 %. Bedömningen av överlevnadsrisken för svårt sjuka barn har alltid varit i fokus. Traditionella bedömningsmetoder inkluderar fysiologiska indikatorer, poängverktyg, sjukdomens svårighetsgrad och diagnostid, vilket kan hjälpa läkare att fatta beslut i viss utsträckning, men deras prediktionsförmåga är begränsad och svår att heltäckande spegla barnets fysiologiska status och sjukdomsprogression.

Med utvecklingen av teknik och sociala framsteg utvecklas blodcellsanalys mot en mycket integrerad plattform av multipelcellanalystekniker som ger mer exakta resultat, mer omfattande parametrar och snabbare upptäckt. Cellanalystillämpningar fokuseras alltmer på identifierings- och larmförmågan hos onormala prover, inklusive retikulocyter, kärnförsedda röda blodkroppar och omogna granulocyter. Under 2009 utvecklade Mindray Group, i samarbete med National Key Laboratory of Fine Chemicals, ett nytt nukleinsyrariktat fluorescerande färgämne som uppfyller kraven för blodcellsanalys (det patenterade fluorescerande färgämnet vann National Science and Technology Progress Second Prize). Denna banbrytande teknologi övervann internationella hinder för immateriella rättigheter och utvecklade den första avancerade blodcellsanalysatorn, BC-6800, med funktioner för att detektera kärnförsedda röda blodkroppar och retikulocyter. Enheten har framgångsrikt marknadsförts till över 90 % av tertiära sjukhus i Kina. Medan den detekterar rutinmässiga blodcellsförhållanden genererar denna blodcellsanalysator faktiskt en stor mängd multimodala data om cellfördelningsegenskaper, inklusive cellfördelningsbredd och onormala cellförhållanden. Men hittills har dessa multimodala data inte utnyttjats fullt ut i klinisk praxis.

Preliminär utforskning av multimodala celldata har visat dess enorma värde för att förutsäga, diagnostisera och prognostisera infektionssjukdomar i små populationer. Denna studie syftar till att retrospektivt samla in kliniska data och multimodala blodcellsdata från NICU och PICU sjukhusvårdade barn i flera centra över hela Kina, att upprätta en nationell multi-center blodcells multimodal databas med inte mindre än 100 000 personer, och att använda artificiell intelligens-teknologi för att uppnå korrekt, repeterbar och opartisk identifiering och klassificering baserat på skillnader i cellmorfologi och strukturell distribution. En högpresterande prediktionsmodell kommer att konstrueras i upptäcktskohorten för att förutsäga överlevnadsrisken för kritiskt sjuka barn; modellens prestanda kommer att valideras i valideringskohorten för att utvärdera dess tillämpbarhet i den kinesiska befolkningen av kritiskt sjuka barn. Denna studie kommer att tillhandahålla solida bevis för evidensbaserad medicin baserad på kohortstudier med flera centra och erbjuda potentiella nya inspektionstekniker för att förutsäga överlevnadsrisken för kritiskt sjuka barn, tillhandahålla extra beslutsstöd för kliniker, förbättra överlevnaden för kritiskt sjuka barn, och främja utvecklingen av precisionsmedicin.