Tidig prediktion av bronkopulmonell dysplasi hos prematurbarn med kliniska data

Bakgrund:

Förtidsbörd är en viktig orsak till neonatal sjuklighet och dödlighet. Bronkopulmonell dysplasi (BPD) är en av de vanligaste kroniska lungsjukdomarna hos för tidigt födda barn, särskilt hos de med mycket låg gestationsålder eller födelsevikt. BPD ökar långsiktigt syreberoende, vårdtiden på sjukhus och respiratoriska komplikationer. Tidig prediktion av BPD är avgörande för att optimera klinisk behandling.

Gestationsålder, födelsevikt, varaktighet av mekanisk ventilation, syrgasbehandling, infektioner och hemodynamiska faktorer är kända riskfaktorer för BPD. Flera kliniska riskmodeller har utvecklats för att prediktera BPD tidigt, men deras kliniska tillämpbarhet är begränsad.

Nyligen framsteg inom artificiell intelligens (AI) och maskininlärning har visat potential i att analysera kliniska data och prediktera sjukdomsrisk. Stora språkmodeller (LLMs) som ChatGPT, Gemini och Claude kan tolka komplexa kliniska dataset och generera riskprediktioner. Studier som utvärderar deras prestanda i att prediktera BPD hos för tidigt födda barn är dock begränsade.

Syfte:

Att retrospektivt utvärdera prestandan hos olika LLMs i att prediktera BPD hos för tidigt födda barn (<32 veckors gestationsålder eller <1 500 gram) med hjälp av kliniska data från postnatala vecka 1, 2 och 3. Studien syftar till att jämföra AI-genererade prediktioner med faktiska kliniska utfall.

Studiedesign:

Retrospektiv, observationsstudie, encentrumsstudie. Kliniska data från NICU på Konya City Hospital kommer att extraheras från sjukhusjournaler och anonymiseras. AI-modeller (ChatGPT, Gemini, Claude) kommer att få standardiserade dataset inklusive gestationsålder, födelsevikt, kön, respiratoriskt stöd, syrgasbehov, varaktighet av mekanisk ventilation, infektionsstatus och andra relevanta parametrar. AI-prediktioner kommer att klassificera BPD-risk som låg, medel eller hög med uppskattade sannolikhetsprocent.

Deltagare:

Inklusion: För tidigt födda barn <32 veckors gestationsålder eller <1 500 gram, med kompletta kliniska data, som vårdats på NICU under studieperioden. Exklusion: Barn med större medfödda missbildningar, ofullständiga kliniska data eller tidig postpartal död.

Utfall:

Primärt: Noggrannheten hos AI-modeller i att prediktera BPD jämfört med faktiska kliniska utfall. Sekundärt: Sensitivitet och specificitet hos AI-prediktioner, jämförelse av veckovisa prediktioner, prestandajämförelse mellan AI-modeller.

Statistisk analys:

Beskrivande statistik (medelvärde, standardavvikelse, antal, procent). Prediktionsprestandamått: noggrannhet, sensitivitet, specificitet, ROC-analys. Jämförelse av modeller och veckovisa prediktioner med DeLong-test. Statistisk signifikans: p < 0,05.

Miljö:

Encentrum, sjukhusbaserad, Konya City Hospital NICU. Retrospektiv insamling av kliniska data.

Urval:

Målgrupp: För tidigt födda barn med hög risk för BPD (<32 veckor eller <1 500 gram). Urvalsstorlek: Minst 108 barn beräknad med G-power-programvara (80% styrka, 5% signifikansnivå, medelstor effektstorlek = 0,3).

AI-modellprotokoll:

Standardiserade prompts för varje postpartal vecka:

Kliniska data för ett för tidigt fött barn i postpartal [1:a/2:a/3:e] vecka:

• Gestationsålder: [veckor + dagar]
• Födelsevikt: [gram]
• Kön: [man/kvinna]
• Antenatal steroidbehandling: [Ja/Nej]
• Surfaktantbehandling: [dosantal]
• Respiratoriskt stöd: [MV/CPAP/HFNC]
• FiO2-behov: [%]
• Sepsis/PDA-status: [Ja/Nej]

Prediktera BPD-risk (Låg/Medel/Hög) och ange sannolikhet (%) för varje kategori.

Etik:

Studien godkänd av institutionell etikprövningsnämnd. Data anonymiserade och konfidentialitet bevarad.