條文本
PDF
文摘
介紹靜脈注射糖皮質激素脈衝療法是一線治療嚴重和活躍的墳墓的眼病,大部分患者療效差、暴露於糖皮質激素不良反應的風險。我們引入一個新的協議來建立一個預測模型,旨在識別患者墳墓的眼病的人不太可能受益於靜脈注射糖皮質激素脈衝治療管理之前,所以這些患者可以提前接受適當的治療。現有預測模型預測Graves眼病的通常集中在傳統的臨床指標沒有充分考慮軌道軟組織變化。我們的協議模型發展將解決這個限製,使用人工智能模型量化麵部形態變化。
和分析方法本研究是一個隻有,前瞻性觀察性研究。樣本量278是嚴重和活躍的墳墓的眼病患者將前瞻性招募上海第九人民醫院眼科診所收集臨床和人工智能模型的基線數據作為潛在變量發展預測模型。他們將獲得12周靜脈注射糖皮質激素脈衝療法根據2021年歐洲小組墳墓的眼病變治療指南。課程標準藥物治療後12周後觀察,病人將評估治療的效果在我們的眼科診所和分為glucocorticoids-sensitive和glucocorticoids-insensitive組。模型將開發的多元邏輯回歸來選擇最佳的糖皮質激素治療療效的預測變量之前管理。這項研究的結果將提供證據的使用預測模型為嚴重患者個性化治療方案和活躍的墳墓的眼病。
道德和傳播這項研究獲得倫理委員會批準的上海第九人民醫院(倫理批準文號:sh9h - 2020 t211 - 1。結果將通過同行評議的出版物和會議演講傳播。
試驗注冊號碼ChiCTR2000036584 (Pre-results)。
- 眼科學
- 甲狀腺疾病
- 臨床試驗
這是一個開放的分布式條依照創作共用署名非商業性(4.0 CC通過數控)許可證,允許別人分發,混音,適應,建立這個工作非商業化,和許可他們的衍生產品在不同的協議,提供了最初的工作是正確地引用,給出合適的信用,任何更改表示,非商業使用。看到的:http://creativecommons.org/licenses/by-nc/4.0/。
來自Altmetric.com的統計
本研究的優點和局限性
這項研究是前瞻性收集各項臨床指標進行盡可能全麵,它提供了一種更精確的病人狀況的照片。
我們建議使用人工智能(AI)算法給定量表示的形態變化,它允許快速、客觀的和可重複的評估軌道的軟組織。
我們的目標是將積極預測的值從四個解決人工智能模型作為“考試成績”,與其他傳統的臨床指標,預測模型的發展,提供了一個集成人工智能模型與臨床研究的新方法。
本研究是單中心研究人口相對同質的(種族),這可能會限製發展預測模型的應用到其他人群。
結構化病曆信息的記錄和標準化的多個指標可能增加的複雜性和研究的重複性的工作。
介紹
Graves眼病(去),甲狀腺眼病或甲狀腺相關眼病變(道)是一種自身免疫性炎症的軌道組織和最常見的墳墓的extra-thyroid症狀的疾病。1它是最普遍的軌道的疾病,導致畸形和失明,2 3在中國大約有1000萬患者。去有一個複雜的病因學,多樣化的表現,許多治療選項。糖皮質激素(gc)、免疫抑製劑、放射治療、單克隆抗體和手術都可以治療或改善症狀。4目前臨床研究軌道疾病進行國際關注的功能性核磁共振成像,5視神經病變的診斷6對軌道和計算機導航手術,7有助於提高診斷的準確性和治療的效率。8嚴重患者的比例和主動去很大,條件的快速進步和最有價值的治療。道國際治療指南8(歐洲甲狀腺協會的指導方針和2021年歐洲集團在墳墓的眼病變(2021)EUGOGO)規定,高劑量係統性gc是一線治療嚴重和活躍。8 - 10靜脈注射GCs比口語更有效更耐受的gc。11 - 15號因此,GCs優先給予靜脈注射治療嚴重和活躍。然而,靜脈GCs有效性大大限製了個體的差異性。16隻有約60%的病人對GC治療敏感,其餘40%有可憐的功效,延誤最佳治療時間,帶來了GC的副作用,嚴重限製了疾病的整體治療水平。17不良事件與靜脈GCs治療並不罕見,甚至是嚴重的推薦劑量。10 18如果GC-insensitive患者可以篩選之前GCs和接受二線治療及時,它可以大大提高患者的預後和拯救經濟和社會成本。預測模型的建立,因此,具有十分重要的意義。
患者會經常出現“突出”和“外觀變化”。他們的軌道軟組織解剖顯著改變,導致獨特的麵部特征。17日19日20然而,傳統的臨床指標不能充分描述成像,外觀和麵部結構變化。軟組織形態因素的考慮還不夠,導致尺寸有限的病人肖像。因此,當前統計模型基於臨床或生物指標不滿意篩查GC-insensitive患者治療之前。缺乏有效的預後預測模型。
研究的目標
我們的目標是開發一個多變量預測模型,確定了患者不能從靜脈GCs脈衝療法中獲益。我們建議整合陽性預測值(ppv)輸出的四個人工智能(AI)模型建立在之前的工作團隊的“考試成績”,與其他傳統的臨床指標,進入一種新的預測模型,豐富了圖像細節,病人的外表和麵部形態變化描述中通常忽略了傳統的臨床資料。然後,我們可以建立一個多變量模型來預測患者的GCs治療的療效在管理和幫助醫生更好的治療決策。
方法
可行性
上海第九人民醫院眼科折磨到上海交通大學醫學院有可靠來源的患者。在初步研究中,我們的團隊取得了眼部結構識別,參數標簽和自動測量通過使用多個網絡,為準確的自動標注技術基礎的2 d圖像。自動處理和識別的各個方麵的軌道圖像數據探索,包括智能識別和提取CT的軌道區域和自動修正軌道CT。在這些研究中,我們係統地優化軌道圖像數據,有效地前裝和統一的數據清洗過程需要很多時間才能完成。因此,我們可以控製噪聲研究中可能遇到的。此外,開發一係列的工具並不僅限於特定的疾病研究目的;他們是普遍的疾病種類和需求較低圖像方向和角度。和工具可以無需人工幹預的情況下自動運行。因此,所有類型的軌道成像研究可以直接在此基礎上進行而不需要大量pre-calibration坐標係統和錯誤的計算,提高研究效率。21
在先前的研究中,我們的團隊從335例回顧性收集數據是嚴重和活躍。使用麵部關鍵點掃描技術和人工智能算法,我們設置4人工智能模型,實現了曲線下麵積(AUC) 0.8或更高版本。發表了兩篇文章對這些人工智能模型我們的團隊。5日22解決人工智能模型成像是一個強大的補充細節,病人麵部形態變化的外觀和描述。將它們與傳統的臨床數據可以豐富病人肖像維度和預計預測GCs功效治療之前,提高醫生的決策水平和患者的預後。這一前瞻性研究倫理委員會批準上海第九人民醫院和中國臨床試驗注冊登記的網站。我們計劃報名符合條件的患者從2021年6月15日到2022年2月15日。
研究設計
這個項目是一個隻有,前瞻性觀察性研究,沒有額外的診斷和治療幹預措施圖1)。不涉及隨機,隻有統計和評估者蒙蔽。符合入選標準的患者將前瞻性的接受靜脈注射GCs脈衝療法根據EUGOGO 2021指南8上海第九人民醫院,眼科。在治療之前,PPV輸出四個建造人工智能模型,以及傳統的臨床數據將被記錄下來作為潛在變量。的研究中,病人會分化成GCs-sensitive和GCs-insensitive團體基於GCs療效評估。GCs療效預測模型將由使用多元邏輯回歸分析來實現預處理GC-insensitive患者的篩查。
研究設計。AUC,曲線下的麵積;EUGOGO 2021年,2021年歐洲小組墳墓”之影響;GCs,糖皮質激素;PPV,陽性預測值。
病人和公眾參與
不適當的患者或公眾參與設計,或行為,或報告,或傳播我們的研究計劃。這項研究是觀察沒有額外的治療幹預措施。所有參與者都診斷和接受他們的治療根據國際公認的指導方針。統計分析和多變量邏輯回歸結果生產完成。
患者招募和資格
入選標準
18歲到60歲的患者被診斷為嚴重和活躍(臨床活動得分(CAS)≥3)根據EUGOGO 2021指南8和沒有有資格參與治療。所有的病人都接受靜脈注射GCs脈衝療法。病人滿足所有入學標準和提供知情同意將承認這項研究。
排除標準
患者嚴重的心髒,肝、腎功能不全、糖尿病、不受控製的高血壓、精神疾病、自身免疫性疾病如係統性紅斑狼瘡、類風濕性關節炎、結核、艾滋病毒感染或艾滋病,GC過敏會被排除在外。孕婦,母乳喂養或那些收到肝炎疫苗接種在入學前1個月,將被排除在外。越來越多的排除標準:收到係統性免疫療法(口服或靜脈注射GCs,各種免疫抑製劑和GO-related靶向藥物),收到軌道放療或眼科手術之前報名收到dysthyroid視神經病變(不)。這個過程將排除患者不推薦接受靜脈注射GCs治療。
基線數據收集
收集的所有數據將在開始治療之前研究的一個特定的經驗豐富的研究員可能的係統性錯誤降到最低。我們將使用MedCohort上海第九人民醫院的係統數據錄入,所以我們可以確保臨床數據的標準化和安全,提高研究數據的利用效率。
傳統治療前臨床數據收集。列出了每個指標的具體項目表1。PPV輸出的四個解決人工智能模型(表2)是治療之前收集以及傳統的臨床數據。四個人工智能模型關注不同的網站和避免功能重複原則上,描繪病人肖像從不同維度具有良好的互補效應。
藥物的使用
所有的參與者在這個研究將處理一線療法去治療指南規定的(EUGOGO 2021)8:靜脈GCs脈衝方案:500毫克甲基強的鬆龍每周6周,然後改為250毫克每周6周(12周總累積劑量為4.5 g)。為了防止GCs治療的副作用,將靜脈注射每周40毫克奧美拉唑。鈣,維生素D和胃粘膜保護藥會經常應用結合gc。
跟蹤和效果評估
總隨訪時間24周由12周的治療,另一個由於滯後GCs治療12周觀察療效。病人登記後,將第一次隨訪患者治療前收集所有必要的基線數據作為潛在變量的發展預測模型。第二次隨訪時間12周完成後GCs治療。病人將在治療效果評估標準EUGOGO 20218指導方針。這完全是由客觀的措施:≥2毫米減少蓋子孔徑,≥1點減少5-item CAS(不包括主觀,patient-reported自發的或gaze-evoked疼痛),≥2毫米減少眼球突出和≥8°增加眼部肌肉沉。改善≥2的特性在另一隻眼睛一眼不惡化可能被視為一個積極的對治療的反應。8整個隨訪,研究人員將密切監控GCs副作用,必要時及時采取對症治療。
預測模型的發展
ppv輸出的四個解決原始的人工智能模型(分別反映成像、化妝品和麵部結構變化)GCs治療前將作為變量的預測模型,與傳統的臨床指標(人口指標、曆史、實驗室指標、眼睛檢查,中科院,成像和一般條件)。在研究結束時,眼球突出的變化,中科院,複視得分,眼球運動的得分和壓縮視神經病變的判斷將被記錄,根據治療效果將被歧視。那些對GCs治療將被用作研究GCs-sensitive患者組與對照組。每一個潛在變量之間的相關性和病人的預後將由多元邏輯回歸分析分析。Akaike信息標準,R2和c指數將用於屏幕變量獲得最佳預測模型。接受者操作特性曲線將建立模型的選擇最好的截止值。Hosmer-Lemeshow的擬合優度檢驗將被用來評估預測模型的校準。預測模型的結果將以圖形方式給出使用列線圖。
樣本大小
根據每變量邏輯回歸模型使用事件(EPV)方法,將使用通常的EPV值為10,這意味著事件的數量較少出現在因變量獨立變量的數目的10倍。結合上述人工智能模型ppv和傳統的臨床指標,共有10個獨立變量預計將保留在這個研究。這也是一個保守的方法來計算樣本大小與10個獨立變量邏輯回歸模型。因此,基於EPV方法估計樣本容量,100(10×10)患者需要招募GCs-insensitive組。根據以前的文獻,GCs-insensitive患者的比例大約是40%,所以總樣本量250(100/0.4)病例。考慮到後續損失10%,病人被招募的數量是278。
結果
研究的主要結果將是AUC的發展預測模型。指標模型的其餘部分,包括敏感性,特異性,PPV,消極的預測價值,陽性似然比、陰性似然比和約旦指數,將二次研究的結果。
數據分析計劃
統計分析將使用R軟件V.4.0.2執行。有效性測試都將使用一個雙邊執行測試,和p值≤0.05將被認為是顯著的差異測試。
所有紙質版本的原始材料將拍照並保存在一個加密的數據庫。所有的電子數據將存儲在電子醫療記錄上海第九人民醫院。
討論
當前研究去治療效果預測臨床檢查和基因組學數據,但它們通常有局限性,如小樣本大小,一些感興趣的變量和互動因素,限製了預後判斷的效用模型和基於他們個性化治療的有效發展。第23 - 25此外,基因組學研究的局限性被入侵和昂貴的。和它越來越大數據量的手工管理帶來了挑戰和結果解釋,減少其可伸縮性和再現性在臨床實踐中。26當前熱點研究的興趣去prognosis-related因素包括內部特性,也就是說,改變基因組,蛋白質組,血液測試和tear-related特性;的成像特性,具體測量CT和MRI的軌道;和外部特征,觀察眼瞼的充血和水腫、結膜和角膜,-軟組織形態因素的充分考慮。中臉的研究價值形態數據(特別是軟組織)被低估了,缺乏各自的測量方法和定量表示。傳統上,形態變化的決心像腫脹是基於主觀的決心與臨床經驗的醫生,這是不穩定的。這可能是一個發展的主要障礙的治療效果預測模型。17日19宣布的大規模麵部模型(LSFM)算法,人臉識別技術越來越成熟。多達2000眼LSFM頂點,眼睛的軟組織形態可以表示沒有遺漏2000的三維坐標變量和它們之間的位置關係。這允許快速、客觀、可重複和定量評價眼部組織,這使得它可以定量表示的非量化描述等形態變化,腫脹和腫脹沉降。軟組織形態的定量描述更準確的觀察成為可能,但這不是相當於端點指標的臨床研究,也不能直接用來描述的疾病狀態。為了建立一個明確的定量觀察和端點之間的關係指標,傳統的統計方法如聚類方法需要分析數據本身的特點,介紹了以客觀質量控製關鍵軟組織的標簽過程信息。30.因此,智能模型的研究中,我們的團隊提出使用人工智能算法提取深度參與建模過程特性和輸出一定量化預期值。在這項研究中,我們的目標是四個解決人工智能模型的ppv合並到“考試成績”的預測模型以及其他傳統的臨床指標,如上所述,提供更準確和全麵的病人狀況的照片。
目前,缺乏有效的模型預測患者的GCs治療的有效性。在預研,我們開發了一個基於傳統邏輯回歸預後判斷模型在335名患者的臨床指標。眼球突出,成像判斷是否眼外肌肉壓縮軌道頂端視神經、眼瞼腫脹、結膜充血、吸煙指數和性別的六個指標保留在預測模型。但AUC隻有0.63,這使得它很難被應用在臨床實踐和解決需要開發一種新型修改預測模型。因此,我們計劃前瞻性招募患者嚴重並積極去接受靜脈注射GCs脈衝治療,這樣我們可以記錄各項臨床指標盡可能全麵。建立模型將預測靜脈GCs脈衝療法的功效是嚴重和積極治療之前,患者篩選GCs-insensitive個人和協助決定GCs脈衝方案,以避免無效的治療。在此基礎上,發展“新一線療法”GCs-insensitive患者是可行的,提高的個性化治療。
本研究的創新在於,當多個人工智能模型用於進行臨床研究,每個人工智能模型被認為是一個新的客觀測試。PPV特定主題包含在臨床預測模型作為“試驗結果”,和它的應用價值是由統計預測模型本身的邏輯而不是人為的。這提供了一種新的人工智能模型與臨床研究相結合的方式,通過允許人工智能模型來確定客觀的價值。醫學研究人員沒有AI足夠的背景知識可以直接使用模型。至於限製,本研究是一個人口相對同質的隻有研究(種族),這可能會限製發展預測模型的應用報告以來的其他人群在亞洲和西方是不同的人群由於解剖、免疫、遺傳、社會經濟和環境的變化。31日在基線數據收集過程中,結構化病曆信息的記錄和標準化收集多個指標奠定堅實基礎統計處理和分析後,但也增加了研究的複雜性和重複的工作。此外,建立預測模型後,需要招募新病人進行診斷測試誤差為5%和95%置信水平來驗證模型的敏感性和特異性,以評估的臨床應用價值,提出了高要求,治療項目的管理和數據管理工作。
道德和傳播
這項研究獲得倫理委員會批準上海第九人民醫院(倫理批準文號:sh9h - 2020 t211 - 1)。結果將通過同行評議的出版物和會議演講傳播。
倫理語句
病人同意出版
確認
我們想感謝劉自駕先生和Chenyi林夫人的幫助早期開發的軟件參與這個項目。
引用
腳注
YW和HW共同第一作者。
YW和HW同樣起到了推波助瀾的作用。
貢獻者研究概念和設計:赫茲和x。算法編譯:HW和我。起草的手稿:YW。獲得資助:赫茲,x, JS和YL。所有作者閱讀和批準最終的手稿,是至關重要的修訂手稿的重要的知識內容和提供行政、技術或材料的支持。
資金本研究支持中國國家重點研發項目(2018 yfc1106100和2018 yfc1106101),中國國家自然科學基金(81770960、81770960、82071003、82071003),上海市科學技術委員會科研補助金(20 dz2270800 17 dz2260100, 19410761100和19 dz2331400),上海市臨床醫學教育Commission-Gaofeng給予支持(20152228),上海交通大學轉化醫學交叉研究基金(ZH2018ZDA12和ZH2018QNA07),醫療機器人的項目(IMR-NPH202002)臨床醫療機器人研究所的聯合研究中心,上海交通University-Shanghai第九人民醫院轉化醫學的協作研究項目的協同創新中心,上海交通大學醫學院(TM201718),臨床研究計劃SHDC (SHDC2020CR3051B)的主題特征樣本銀行的項目第九人民醫院、上海交通大學醫學院(YBKB201901)。投資者沒有參與研究設計、數據收集和分析,決定發表,或準備的手稿。
相互競爭的利益沒有宣布。
病人和公眾參與病人和/或公眾沒有參與設計,或行為,或報告,或傳播本研究計劃。
出處和同行評議不是委托;外部同行評議。
作者注XS和赫茲同樣起到了推波助瀾的作用。XS和赫茲聯合相應的作者。