Using artificial intelligence to predict and prevent non-cancer mortality in patients with cancer: ARILIS study protocol

Full Text

Обоснование

Злокачественные новообразования (ЗНО) занимают второе место по частоте причин смерти среди онкологических пациентов как в мире, так и в России, уступая лишь сердечно-сосудистым заболеваниям [1]. Однако за последние десятилетия достигнут значительный прогресс в области хирургического, лучевого и лекарственного лечения рака, что позволяет успешно лечить большее число пациентов. Это приводит к уменьшению онкологической смертности [2, 3] и увеличению опухолеспецифической выживаемости при большинстве видов рака во всём мире [4–6].

В эпидемиологическом исследовании N.G. Zaorsky и соавт. [7] представлены данные американской популяционной базы SEER и показано, что значительная часть онкологических больных погибает от неонкологической патологии. Причины смерти, не связанные с ЗНО, составляют более половины случаев и являются наиболее частыми у пациентов с раком толстой и прямой кишки, мочевого пузыря, почек, эндометрия, молочной железы, простаты и яичек. Из этих случаев 40% обусловлены сердечно-сосудистыми заболеваниями. Относительный риск смерти от сердечно-сосудистых заболеваний в 2–6 раз выше по сравнению с неонкологической популяцией того же возраста [7]. В исследовании Л.Е. Вальковой и соавт. на основе данных Архангельского областного регистра рака смертность онкологических пациентов от нераковых причин составляла от 31,1% до 60,9% от специфической смертности при раке предстательной железы у мужчин и при раке толстой и прямой кишки, молочной железы и почек у женщин [8].

Вклад различных причин в общую смертность изменяется. За 25 лет, с 1981–1985 по 2006–2010 гг., в странах с очень высоким уровнем человеческого развития смертность от сердечно-сосудистых заболеваний уменьшилась на 53%, снизившись с 642 до 301 случая на 100 000 человек. В то же время смертность от рака сократилась на 17% — с 371 до 308 случаев на 100 000 человек. Аналогичные, но менее выраженные изменения наблюдаются и в странах со средним и высоким индексом человеческого развития [9].

Скрининг сердечно-сосудистых заболеваний, направленный на предотвращение смертности, главным образом базируется на непрямых индикаторах. Например, индекс SCORE использует для этого возраст, пол, уровень артериального давления, курение, уровень холестерина в крови, а также факт проживания в стране высокого/низкого риска [10]. При этом SCORE неточно предсказывает сердечно-сосудистые события [11, 12] и плохо коррелирует с уровнем коронарного кальция, определённого по данным компьютерной томографии (КТ) органов грудной клетки (ГК) [13].

Мультитаргетный алгоритм искусственного интеллекта (мтИИ), созданный ООО «АЙРА Лабс», по данным КТ органов ГК позволяет одновременно определить признаки до 10 различных патологий, включая расширение/аневризму аорты и расширение лёгочного ствола, индекс коронарного кальция, повышенный объём эпи- и паракардиального жира, эмфизему, лёгочные узлы и признаки остеопороза (компрессионные переломы и снижение минеральной плотности тел позвонков). Такие находки на КТ ГК, выполненных онкологическим пациентам в связи с основными диагнозами, могут характеризоваться как случайные, не определённые врачами ранее [14]. При этом такие случайные находки нередко имеют важное прогностическое значение, требуют дополнительных обследований и медицинских вмешательств. Независимые тестирования на закрытых датасетах, проведённые в рамках Московского эксперимента, подтверждают высокую предсказательную точность диагностики с помощью мтИИ (площадь под характеристической (ROC) кривой от 0,96 до 1,00). Заключения, полученные с использованием мтИИ, позволяют существенно уменьшить число случаев пропуска патологий [15].

АРхангельское исследование по влиянию мультицелевого искусственного Интеллекта для КТ на снижение неонкологических Летальных ИCходов у больных раком (сокр. — АРИЛИС) ставит целью изучение потенциала внедрения разработанного ООО «АЙРА Лабс» мтИИ для анализа КТ органов ГК в клиническую практику с целью прогнозирования и предотвращения смертности от неонкологических заболеваний у онкологических больных.

Задачи исследования:

• сравнение количества и выраженности КТ-признаков сердечно-сосудистой, лёгочной и костной патологии, выявленных с помощью мтИИ у онкологических пациентов и в контрольных группах;
• оценка влияния КТ-признаков сердечно-сосудистой, лёгочной и костной патологии, выявленных на КТ ГК с помощью мтИИ (случайных находок), на частоту и стадии клинических диагнозов, впервые установленных онкологическим пациентам в течение года после применения мтИИ;
• оценка связи обнаруженных с помощью мтИИ случайных находок с пятилетним риском смерти (с учётом причин) у онкологических пациентов;
• создание программного продукта, обеспечивающего возможность и удобство применения мтИИ в клинической практике в целях повышения точности классификации и последующей коррекции рисков.

Материал и методы

Тип исследования

Исследование планируется провести в четыре этапа (рис. 1).

 

Рис. 1. Схематичное изображение этапов проекта.

Fig. 1. Schematic representation of the project stages.

 

Первый этап — оценка распределения выявленных с помощью мтИИ случайных находок КТ-признаков сердечно-сосудистой, лёгочной и костной патологии у онкологических больных.

Второй этап — сравнение частоты и распределения случайных находок КТ-признаков сердечно-сосудистой, лёгочной и костной патологии в группе онкологических больных и в контрольных группах.

Первый и второй этапы будут выполнены в формате поперечного исследования.

Третий этап — изучение частоты и стадии клинических диагнозов, впервые установленных онкологическим пациентам в течение года после применения мтИИ, а также оценка связи обнаруженных с помощью мтИИ случайных находок и установленных на их основании новых клинических диагнозов с не менее чем пятилетним риском смерти.

На этом этапе также планируется провести сравнение количества и стадии новых клинических диагнозов неонкологической патологии, установленных в течение одного года в двух группах онкологических больных, образованных путём стратифицированной по возрасту рандомизации, в одной из которых будет применяться мтИИ для анализа данных КТ ГК, в другой — не будет применяться. Эти две группы онкологических больных также будут сравниваться на предмет не менее чем пятилетнего риска смерти.

Данный этап будет выполнен в формате двустороннего когортного исследования, включающего ретроспективный (исторический) и проспективный сбор данных об интересующих исходах.

Четвёртый этап — определение алгоритмов действий по предотвращению смертности больных от неонкологической патологии на основании случайных находок мтИИ и разработка программного продукта с функциями высокоточной автоматизированной классификации рисков, формирования рекомендаций по их коррекции.

Исследуемая популяция

В исследование предполагается включить сплошную популяцию больных с установленным диагнозом ЗНО, проходивших обследование с использованием КТ ГК и лечение в государственном бюджетном учреждении здравоохранения Архангельской области «Архангельский клинический онкологический диспансер» (АКОД) в 2019–2023 гг. В качестве контрольных групп планируется использовать больных COVID-19 с пневмонией, больных с общесоматической патологией, а также когорту исследования «Узнай своё сердце» (УCC) с использованием данных КТ ГК для каждой из них.

Другими условиями включения будут следующие:

1. возраст больных старше 18 лет;
2. формат DICOM для изображений КТ;
3. охват всей ГК и верхнего отдела брюшной полости областью исследования КТ;
4. компьютерный томограф не менее чем 32-срезовый;
5. для онкологических больных наличие страхового номера индивидуального лицевого счёта (СНИЛС) для объединения проанализированных данных с базой данных Архангельского областного канцер-регистра (АОКР).

Из анализа будут исключены следующие случаи:

1. возраст больных младше 18 лет;
2. отсутствие возможности обработки данных КТ алгоритмом искусственного интеллекта;
3. технические искажения данных КТ (толщина среза более 1,5 мм, неполный охват области сканирования, сильные двигательные артефакты и т.д.), не позволяющие достоверно выявить патологии.

Исходя из ежегодного количества проводимых исследований, предполагаемое количество включённых онкологических больных составит 18 000.

Процедуры сбора данных (выбранные инструменты и методы измерений, КТ, МРТ и др.)

На первом этапе исследования для оценки распределения случайных находок индикаторов сердечно-сосудистой и лёгочной патологии у онкологических больных будут выполнены определённые действия.

Из центрального архива медицинских изображений АКОД будут извлечены все серии КТ органов ГК онкологических больных с 2019 по 2023 г.

Обезличенные сеты с номером СНИЛС в качестве ключа будут направлены по защищённому каналу в компанию «АЙРА Лабс» и обработаны алгоритмом мтИИ Chest-IRA с определением качественных и количественных характеристик выявленной патологии.

Результаты обработки КТ мтИИ в виде таблиц Excel будут направлены по защищённому каналу в АОКР.

По ключу СНИЛС направленные из «АЙРА Лабс» базы данных с результатами обработки мтИИ будут объединены с базами данных АОКР. Для реализации задач первого и последующего этапов исследования из регистра рака будут извлечены следующие переменные: пол, возраст, место жительства (город/село), дата установления диагноза, топографический и морфологический коды ЗНО, стадия ЗНО, а также сведения о дате и причине смерти.

Будет изучена частота находок искусственного интеллекта на КТ (табл. 1) и оценено их распределение по возрасту, полу, топографии рака. Частота находок в когорте больных раком будет сравнена с таковой во внешних доступных сетах данных.

 

Таблица 1. Типы и критерии определения патологических находок инструмента искусственного интеллекта от «АЙРА Лабс» для исследования АРИЛИС

Table 1. Types and criteria for determining pathological findings of the artificial intelligence tool from IRA Labs for the ARILIS study

Патология Pathology	Критерии патологии Criteria of pathology
Инфильтративные изменения в лёгких, характерные для вирусной пневмонии (COVID-19 в условиях пандемии) Infiltrative changes in the lungs characteristic of viral pneumonia (COVID-19 in a pandemic)	1. Инфильтрация лёгочной паренхимы по типу «матового стекла» с обеих сторон, преимущественно периферической локализации, с наличием или отсутствием инфильтрации лёгочной паренхимы по типу консолидации с положительным признаком «воздушной бронхограммы». 2. Инфильтрация лёгочной паренхимы по типу «булыжной мостовой» (утолщение междолькового интерстиция на фоне «матового стекла») с обеих сторон, преимущественно периферической локализации, с наличием или отсутствием инфильтрации лёгочной паренхимы по типу консолидации с положительным признаком «воздушной бронхограммы» [16] 1. Infiltration of the pulmonary parenchyma by the type of "frosted glass" on both sides, mainly peripheral localization, with the presence or absence of infiltration of the pulmonary parenchyma by the type of consolidation with a positive sign of an "air bronchogram". 2. Infiltration of the pulmonary parenchyma by the type of "cobblestone pavement" (thickening of the interlobular interstitium against the background of "frosted glass") on both sides, mainly peripheral localization, with the presence or absence of infiltration of the pulmonary parenchyma by the type of consolidation with a positive sign of an "air bronchogram" [16]
Эмфизема лёгких Emphysema of the lungs	Наличие суммарно в обоих лёгких ≥6% (по объёму) участков (без учёта просвета бронхов) с КТ плотностью ≤-950 HU [17, 18] The presence of a total of ≥6% (by volume) sites in both lungs (excluding bronchial lumen) with a CT density of ≤-950 HU [17, 18]
Аневризма / дилатация аорты Aneurysm/dilation of the aorta	1. Дилатация восходящей части грудной аорты: на нативных изображениях наибольший диаметр восходящей части грудной аорты от 40 до 49 мм включительно в аксиальной плоскости. 2. Аневризма восходящей части грудной аорты: на нативных изображениях наибольший диаметр восходящей части грудной аорты ≥50 мм в аксиальной плоскости. 3. Дилатация нисходящей части грудной аорты: на нативных изображениях наибольший диаметр нисходящей части грудной аорты от 31 до 39 мм в аксиальной плоскости. 4. Аневризма нисходящей части грудной аорты: на нативных изображениях наибольший диаметр нисходящей части грудной аорты ≥40 мм в аксиальной плоскости [19]. 5. Дилатация брюшного отдела аорты: наибольший диаметр от 25 до 29 мм включительно. 6. Аневризма брюшного отдела аорты: наибольший диаметр ≥30 мм [20, 21] 1. Dilation of the ascending part of the thoracic aorta: in native images, the largest diameter of the ascending part of the thoracic aorta is from 40 to 49 mm inclusive in the axial plane. 2. Aneurysm of the ascending part of the thoracic aorta: in native images, the largest diameter of the ascending part of the thoracic aorta is ≥50 mm in the axial plane. 3. Dilation of the descending part of the thoracic aorta: in native images, the largest diameter of the descending part of the thoracic aorta is from 31 mm to 39 mm in the axial plane. 4. Aneurysm of the descending part of the thoracic aorta: in native images, the largest diameter of the descending part of the thoracic aorta is ≥40 mm in the axial plane [19]. 5. Dilation of the abdominal aorta: the largest diameter is from 25 to 29 mm inclusive. 6. Abdominal aortic aneurysm: the largest diameter ≥30 mm [20, 21]
Дилатация лёгочного ствола Dilation of the pulmonary trunk	Диаметр лёгочного ствола ≥29 мм [22] The diameter of the pulmonary trunk ≥29 mm [22]
Коронарный кальциноз по индексу Agatston Coronary calcification according to the Agatston index	На нативных изображениях кальциевый индекс/индекс Agatston (сумма площадей в проекции коронарных сосудов, умноженных на индивидуальные факторы плотности*) ≥1 либо класс CAC - DRS A 1– A 3 [23]: * фактор 1: 130–199 HU; фактор 2: 200–299 HU; фактор 3: 300–399 HU; фактор 4: ≥400 HU In native images, the calcium index/Agatston index (the sum of the areas in the projection of coronary vessels multiplied by individual density factors*) ≥1 or the CAC-DRS class A1–A3 [23]: * factor 1: 130–199 HU; factor 2: 200–299 HU; factor 3: 300–399 HU; factor 4: ≥400 HU
Оценка плотности губчатого вещества тел позвонков для выявления остеопороза/остеопении Assessment of the density of the spongy substance of the vertebral bodies for the detection of osteoporosis/osteopenia	Снижение минеральной плотности костной ткани в телах позвонков в интервале Th 11– L 3 (оптимально L 1– L 2) согласно критериям ACR 2018, позиции ISCD 2019 [24] Reduction of bone mineral density in vertebral bodies in the range T11–L3 (optimally L1–L2) according to the criteria of ACR 2018, ISCD 2019 positions [24]
Компрессионные переломы позвонков для выявления остеопороза Compression fractures of the vertebrae to detect osteoporosis	Наличие позвонков, имеющих компрессионную деформацию тел ≥25%, по полуколичественной шкале Genant , степень 2–3. Степень деформации рассчитывается по формуле: степень деформации = (отношение максимального размера тела позвонка – минимальный)/максимальный размер*100% [25] The presence of vertebrae with compression deformation of bodies ≥25%, according to the semi-quantitative Genant scale, degree 2–3. The degree of deformation is calculated by the formula: degree of deformation = (ratio of the maximum size of the vertebral body to the minimum)/maximum size*100% [25]
Количественное определение объёма эпикардиального жира Quantification determination of the volume of epicardial fat volume	Наличие объёма эпикардиального жира ≥125 мл [26] The presence of epicardial fat volume ≥125 ml [26]
Количественное определение объёма паракардиального жира Quantitative determination of the volume of paracardial fat	Наличие объёма паракардиального жира ≥200 мл [26] The presence of paracardial fat volume ≥200 ml [26]

 

Протокол КТ

Протокол сканирования будет выбран из стандартного списка протоколов, установленных производителем на томографах. В исследование будут включены сканирования, включающие органы ГК или органы ГК и брюшной полости без или с внутривенным введением рентгенконтрастного препарата. Для всех пациентов сканирование выполняется при напряжении 120 кВ, а сила тока настраивается автоматически, основываясь на конституции пациента, благодаря технологиям встроенным в томограф. Ключевым требованием является наличие реконструкций сканирования с мягкотканным и отдельно лёгочным кернелом в аксиальной плоскости с толщиной срезов не более 1 мм. Протокол введения рентгенконтрастного препарата выбирается для каждого пациента индивидуально в соответствии с его весом.

Для поиска патологии на КТ органов ГК будет использован алгоритм искусственного интеллекта компании «АЙРА Лабс», медицинское изделие «Программное обеспечение для анализа исследований компьютерной томографии с помощью технологии искусственного интеллекта Intelligent Radiology Assistants» по ТУ 58.29.32-001-44270315-2021», регистрационное удостоверение № РЗН 2024/22895. Основные цели и критерии их определения алгоритмом представлены в табл. 1.

На втором этапе исследования по вышеуказанному алгоритму будут изучены находки искусственного интеллекта на следующих сериях КТ:

• из областной клинической больницы Архангельска за 2020–2021 гг.; значительная часть исследований будет представлена исследованиями из инфекционного отделения, куда в период пандемии COVID-19 госпитализировали больных с подозрением на вирусную пневмонию (когорта «COVID»); общая численность — не менее 22 000 человек;
• из Северного медицинского центра им. Семашко, который специализируется на диагностике и лечении общесоматической патологии (когорта «Общесоматические больные»); численность — не менее 9 000 человек;
• в качестве контрольной группы планируется использование когорты численностью около 1300 человек, сформированной из участников поперечного популяционного исследования УСС, проведённого в 2015–2017 гг. в Архангельске на базе СГМУ [27]; в 2021–2024 гг. были осуществлены несколько этапов обследования участников УСС в рамках других научных проектов [28]; с момента обследования в рамках УСС его участники наблюдаются на предмет новых клинических диагнозов и смерти от всех причин, возраст участников — 44–78 лет, который приблизительно соответствует возрастному диапазону больных раком в исследовании АРИЛИС; с учётом высокой «обследованности» участников УСС (имеются данные лабораторных, инструментальных исследований и данные анамнеза, собранные в нескольких точках времени в период с 2015 по 2024 г.) и наличия результатов их динамического наблюдения данная когорта может быть использована в качестве группы сравнения, которую можно считать репрезентативной для населения Архангельской области.

На третьем этапе в четырёх исследуемых когортах будет изучено следующее:

1. частота необратимых исходов: общая выживаемость (событие — смерть от любой причины); выживаемость, специфичная по классам причин смерти;
2. частота новых прижизненных диагнозов: сердечно-сосудистые заболевания (инфаркт миокарда, остановка сердца, подтверждённая стенокардия, требующая реваскуляризации) [29]; заболевания лёгких (хроническая обструктивная болезнь лёгких, дыхательная недостаточность); заболевания опорно-двигательного аппарата (остеопороз, переломы).

Сведения о летальных исходах и новых диагнозах будут получены из регулярно обновляющейся базы данных Медицинского информационного аналитического центра Архангельской области и по ключу СНИЛС будут внесены в базу данных АРИЛИС.

Будет оценена связь применения мтИИ к данным КТ ГК онкологических больных с количеством и тяжестью новых неонкологических диагнозов, установленных в течение года, а также с пятилетним риском смерти.

На четвёртом этапе исследования предполагается изучить предсказательное значение предикторов неонкологической патологии (сердечно-сосудистой, лёгочной, остеопороза) в популяции онкологических больных и в сравниваемых когортах. В когорте УСС также планируется сравнение предсказательной силы КТ-предикторов, выявленных алгоритмом искусственного интеллекта и по традиционным шкалам на основе косвенных параметров, например, шкалы SCORE для прогнозирования сердечно-сосудистых событий. Финальным этапом исследования планируется создание калькуляторов риска сердечно-сосудистых, лёгочных и костных событий на основе находок мтИИ по КТ органов ГК для общей популяции и для отдельных анализируемых групп больных в описанных когортах.

Анализ данных

При обработке исследований КТ будет применяться программное обеспечение на основе технологий искусственного интеллекта от компании IRA Labs (ООО «АЙРА Лабс»). Качество работы этого продукта подтверждено в рамках тестирования разработчиков искусственного интеллекта в эксперименте по использованию инновационных технологий в области компьютерного зрения для анализа медицинских изображений и дальнейшего применения этих технологий в системе здравоохранения в Москве [30, 31]. Этот продукт содержит набор алгоритмов, которые способны выполнять параллельный анализ с целью выявления, количественной оценки и классификации рентгенологических симптомов с использованием критериев, принятых в рамках эксперимента в Москве, основанных на клинических рекомендациях Минздрава России и лучших практиках.

Результаты тестирования алгоритмов искусственного интеллекта оценены по показателям чувствительности, специфичности, точности и «площади под кривой» (ROC AUC), указанные в табл. 1 [32]. Критерии всех выявляемых рентгенологических симптомов по данным изображений КТ представлены в табл. 2.

 

Таблица 2. Величины метрик диагностической точности мультитаргетного алгоритма искусственного интеллекта для компьютерной томографии органов грудной клетки, полученные на датасетах в рамках Московского эксперимента

Table 2. Values of metrics of diagnostic accuracy of the multitargeted artificial intelligence algorithm for computed tomography of the chest organs obtained on datasets within the framework of the Moscow experiment

Название алгоритма искусственного интеллекта «Multi-IRA» для отдельных видов патологий The name of the artificial intelligence algorithm “ Multi-IRA ” for certain types of pathologies	ROC AUC	Чувствительность Sensitivity	Специфичность Specificity	Точность Accuracy
COVID-IRA (выявление областей инфильтрации лёгких) COVID-IRA (identification of lung infiltration areas)	0,98	0,95	0,94	0,94
LungNodule-IRA (выявление узлов в лёгких) LungNodule-IRA (detection of nodes in the lungs of the lungs)	0,96	0,94	0,94	0,94
PleuralEffusion-IRA (выявление плеврального выпота) PleuralEffusion-IRA (detection of pleural effusion)	1,00	0,98	1,00	0,99
Aorta-IRA: органы грудной клетки (анализ диаметра грудной аорты) Aorta-IRA: chest organs (analysis of the diameter of the thoracic aorta)	0,99	0,96	1,00	0,98
Aorta-IRA: органы грудной клетки + органы брюшной полости (анализ диаметра грудной и брюшной аорты) Aorta-IRA: chest organs + abdominal organs (analysis of the diameter of the thoracic and abdominal aorta)	1,00	0,98	1,00	0,99
PulmTrunk-IRA (анализ диаметра ствола лёгочной артерии) PulmTrunk-IRA (analysis of the diameter of the trunk of the pulmonary artery)	1,00	1,00	0,98	0,99
Agatston-IRA (анализ кальциевого индекса по Agatson) Agatston-IRA (Agatston Calcium Index Analysis)	0,986	0,96	0,96	0,96
Genant-IRA (анализ высоты тел позвонков) Genant-IRA (vertebral body height analysis)	0,995	1,00	0,98	0,99
Emphysema-IRA ( выявление эмфиземы ) Emphysema-IRA (detection of emphysema)	0,99	0,94	0,98	0,96
Adrenal-IRA (оценка толщины надпочечников для поиска образований и гиперплазии) Adrenal-IRA (assessment of the thickness of the adrenal glands to search for formations and hyperplasia)	0,96	1,00	0,96	0,98
Fat-IRA (оценка объёма паракардиальной жировой ткани для прогноза риска ишемической болезни сердца) Feat-IRA (assessment of the volume of pericardial adipose tissue to predict the risk of coronary heart disease)	0,99	0,98	0,98	0,98

 

Дизайн работы алгоритма и примеры обработки изображений представлены на рис. 2 и 3.

 

Рис. 2. Результаты анализа компьютерной томографии с использованием многозадачной технологии искусственного интеллекта; изображение в аксиальной плоскости с данными о выявленных патологиях: зелёным цветом отмечены значения находок в пределах нормы, жёлтым и оранжевым — клинически незначимые находки, красным — клинически значимые; справа представлен скроллинг, соответствующий КТ-серии, на которой цветами отображаются патологии, выявленные с помощью искусственного интеллекта на срезах.

Fig. 2. The results of the analysis of computed tomography using multitasking artificial intelligence technology; an image in the axial plane with data on detected pathologies: green indicates the values of findings within the normal range, yellow and orange — clinically insignificant findings, red — clinically significant; on the right is a scrolling corresponding to the CT series, on which colors are displayed pathologies identified by artificial intelligence on slices.

 

Рис. 3. Результат обработки компьютерной томографии с помощью мультитаргетной технологии искусственного интеллекта. Для каждого КТ-исследования создаются 4 ключевые изображения, сгруппированные по следующему принципу: находки в дыхательной системе, находки в сердечно-сосудистой системе, находки в органах брюшной полости и забрюшинного пространства, находки в костной системе.

Fig. 3. The result of processing computed tomography using multi-target artificial intelligence technology. For each CT scan, 4 key images are created, grouped according to the following principle: findings in the respiratory system, findings in the cardiovascular system, findings in the organs of the abdominal cavity and retroperitoneal space, findings in the bone system.

 

Для сравнения распространённости патологических находок искусственного интеллекта на КТ в различных группах будет использован метод хи-квадрат Пирсона, при необходимости — с поправкой Йетса на непрерывность данных. При ожидаемых частотах менее 5 будет использован точный критерий Фишера. Независимое влияние каждого из изучаемых предикторов будет оцениваться с помощью многомерных логистических регрессионных моделей при частоте исхода до 10% и с помощью регрессионных моделей Пуассона с расчётом робастных стандартных ошибок для более частых исходов.

Оценка выживаемости участников исследования будет проведена с использованием метода Каплана–Майера и построения кривых дожития. Различия в выживаемости между подгруппами будут оценены с помощью лог-рангового теста. Бивариантные сравнения в дожитии пациентов в рамках заранее заданных временны ́ х интервалов будут осуществляться с помощью расчёта таблиц дожития (актуариальный метод), а сравнения между подгруппами будут выполняться с помощью критерия Вилкоксона–Джихана.

Для учёта потенциальных конфаундеров в анализе выживаемости в зависимости от степени выраженности находок мтИИ на КТ будут применяться многомерные модели пропорциональных рисков Кокса, являющиеся наиболее оптимальным методом для оценки независимого эффекта изучаемых признаков на исход.

Все расчёты будут произведены с помощью программного обеспечения STATA-MP v.18.0 x64 (Stata Corp, College Station, TX, USA).

Исследование одобрено на заседании локального этического комитета ФГБОУ ВО СГМУ (Архангельск) Минздрава России 18.10.2023 г., протокол № 07/10-23.

Ожидаемые результаты и их обсуждение

1. Будут оценены распространённость и прогностическое значение патологии сердечно-сосудистой, лёгочной и костной систем, выявляемые с помощью мтИИ по данным КТ у онкологических пациентов.
2. Будет оценена распространённость находок мтИИ на КТ в других популяциях больных и в популяции, представляющей Архангельскую область. Будет оценена связь применения мтИИ к данным КТ ГК онкологических больных с количеством и стадией новых неонкологических диагнозов, установленных в течение года, а также с пятилетним риском смерти.
3. Будет изучен потенциал мтИИ от IRA Labs в предсказании и реклассификации риска сердечно-сосудистых, лёгочных и костных событий, а также общей смертности/выживаемости.
4. Будет создана удобная для использования в клинической практике многофакторная математическая модель для оценки риска сердечно-сосудистых, лёгочных и костных событий с интегральным анализом лучевых и анамнестических данных с помощью технологий искусственного интеллекта. Предсказательная эффективность этой модели будет сравнена с существующими шкалами оценки рисков этих событий и изучен её потенциал для реклассификации рисков.

В большинстве экономически развитых стран население быстро стареет из-за снижения рождаемости и увеличения продолжительности жизни, что создаёт новые вызовы. Так, в США, по прогнозам, число людей в возрасте 50 лет и старше достигнет 221,13 млн человек в 2050 г., что на 61,11% больше, чем в 2020 г. Это приведёт к увеличению на 99% числа людей старше 50 лет, имеющих по крайней мере одно хроническое заболевание, и мультиморбидности — на 91% [33].

Рак и сердечно-сосудистые заболевания являются двумя ведущими причинами смертности во всём мире. Хотя исторически рак рассматривался как состояние, характеризующееся аномальным ростом и пролиферацией клеток, сейчас признано, что он может приводить к различным сердечно-сосудистым заболеваниям. Это связано с прямым воздействием онкологического процесса на сердце и сосуды, что может вызвать миокардит, перикардит и васкулит. Кроме того, больные раком часто испытывают системные эффекты, такие как окислительный стресс, воспаление и метаболическая дерегуляция, которые могут способствовать развитию сердечно-сосудистых факторов риска (гипертонии, дислипидемии и резистентности к инсулину). Важно внимательно следить за пациентами с раком, особенно за теми, кто проходит химиотерапию или лучевую терапию, на предмет сердечно-сосудистых факторов риска и оперативно устранять их [34].

Согласно данным анализа SEER, в американской популяции у пациентов с раком прямой кишки, мочевого пузыря, почек, эндометрия, молочной железы, простаты и яичек чаще фиксируются неонкологические причины смерти, чем смерть от рака [35]. При этом 40% смертей обусловлены сердечными заболеваниями. Наиболее высокие стандартизованные по возрасту отношения смертности (СОС), по сравнению с общей популяцией, связаны с небактериальными инфекциями, особенно среди лиц младше 50 лет (например, СОС >1000 для лимфом, p <0,001). Наибольшие значения СОС обычно наблюдаются в течение первого года после постановки диагноза рака (СОС 10–10 000, p <0,001) [7].

В нашем исследовании мы планируем оценить риск смерти от неонкологических заболеваний и других событий, связанных с выявленными на сериях КТ, у больных раком с помощью лидирующего в мире алгоритма мтИИ, способного выявлять, количественно оценивать и классифицировать рентгенологические симптомы патологий в различных органах и системах организма. Мы полагаем, что эти предсказания, сделанные на основе объективных количественных данных о кальцинозе коронарных сосудов, диаметре аорты и лёгочного ствола, объёме эпи- и паракардиального сердечного жира, эмфиземе лёгких, минеральной плотности позвонков, будут более точными по сравнению с используемыми в настоящее время моделями, опирающимися на косвенные данные. Ключевым результатом нашего исследования станет разработка методологии, позволяющей интегрировать данные, полученные с помощью искусственного интеллекта, в клиническую практику. Это направлено на повышение точности прогнозирования и персонализацию лечения пациентов. Такой подход может способствовать более раннему выявлению потенциальных рисков и оптимальному распределению медицинских ресурсов. Мы также ожидаем, что применение мтИИ не только улучшит точность диагностики, но и значительно сократит время, необходимое для анализа медицинских изображений, что особенно важно в условиях высокой загруженности медицинских учреждений. Предварительные результаты показывают, что алгоритмы искусственного интеллекта способны эффективно идентифицировать и классифицировать различные патологии, что делает их незаменимым инструментом для рентгенологов [15].

Заключение

Исследование АРИЛИС направлено на проверку гипотезы о том, что применение мтИИ в клинической практике может повысить точность и своевременность диагностических процедур и улучшить прогноз в онкологии и других областях медицины, обеспечивая при этом своевременное начало лечения, его более высокую эффективность и безопасность.

Дополнительная информация

Вклад авторов. Все авторы внесли существенный вклад в разработку концепции и подготовку статьи, прочли и одобрили финальную версию перед публикацией.

Источник финансирования. Авторы заявляют об отсутствии финансирования проекта в настоящее время. В дальнейшем планируется подача заявок на гранты фондов различного уровня для обеспечения финансирования отдельных этапов проекта.

Конфликт интересов. Авторы декларируют отсутствие явных и потенциальных конфликтов интересов, связанных с публикацией настоящей статьи.

Информированное согласие на участие в исследовании. Все участники исследования «Узнай своё сердце» до включения в исследование добровольно подписали форму информированного согласия, утверждённую в составе протокола исследования этическим комитетом. Все больные, проходившие компьютерную томографию органов грудной клетки в медицинских организациях, подписывали информированное согласие на проведение исследования. Изображения из медицинских организаций в момент обработки мультитаргетного алгоритма искусственного интеллекта и совмещения с базами данных регистра не будут содержать персональных данных больных, на их использование в обезличенном виде дано разрешение этического комитета.

Additional information

Authors’ contribution . All authors have made a significant contribution to the development of the concept of the study, drafting the text, its critical evaluation, editing and approval of the final version.

Funding sources. The authors declare that there is currently no funding for the project. In the future, it is planned to submit applications for grants from funds of various levels to ensure financing of individual stages of the project.

Competing interests . The authors declare that they have no competing interests.

Patients’ consent . Written consent was obtained from all the participants of KYH study before the study screening in according to the study protocol approved by the local ethic committee. All patients who underwent CT scanning of the chest in medical organizations signed informed consent for the study. Images from medical organizations, when processed by the mtAI and combined with the registry database, will not contain personal data of patients; permission from the ethics committee has been obtained for their use in anonymized form.

About the authors

Mikhail Yu. Valkov

Northern State Medical University; Arkhangelsk Regional Oncological Dispensary

Author for correspondence.
Email: i@mvalkov.ru
ORCID iD: 0000-0003-3230-9638
SPIN-code: 8608-8239

MD, Dr. Sci (Medicine), Professor

Russian Federation, 51 Troitsky ave., 163069 Arkhangelsk; Arkhangelsk

Andrej М. Grjibovski

Northern State Medical University; Northern (Arctic) Federal University n.a. M.V. Lomonosov; M.K. Ammosov North-Eastern Federal University

Email: a.grjibovski@yandex.ru
ORCID iD: 0000-0002-5464-0498
SPIN-code: 5118-0081

MD, MPhil, PhD

Russian Federation, 51 Troitsky ave., 163069 Arkhangelsk; Arkhangelsk; Yakutsk

Alexander V. Kudryavtsev

Northern State Medical University

Email: ispha09@gmail.com
ORCID iD: 0000-0001-8902-8947
SPIN-code: 9296-2930

PhD

Russian Federation, 51 Troitsky ave., 163069 Arkhangelsk

Maxim A. Bogdanov

Northern State Medical University

Email: chief-bma@ya.ru
ORCID iD: 0009-0002-3469-658X
Russian Federation, 51 Troitsky ave., 163069 Arkhangelsk

Dmitriy V. Bogdanov

Northern State Medical University; Arkhangelsk Regional Oncological Dispensary

Email: bogdanovdv@onko29.ru
ORCID iD: 0000-0002-4105-326X
SPIN-code: 2507-1354
Russian Federation, 51 Troitsky ave., 163069 Arkhangelsk; Arkhangelsk

Andrey A. Dyachenko

Northern State Medical University

Email: andreydyachenko3@gmail.com
ORCID iD: 0000-0001-8421-5305
SPIN-code: 5887-5750

MD, Cand. Sci. (Medicine)

Russian Federation, 51 Troitsky ave., 163069 Arkhangelsk

Valeria Yu. Chernina

JSC “IRA Labs”

Email: chernina909@gmail.com
ORCID iD: 0000-0002-0302-293X
SPIN-code: 8896-8051
Russian Federation, Moscow

Mikhail G. Belyaev

JSC “IRA Labs”

Email: belyaevmichel@gmail.com
ORCID iD: 0000-0001-9906-6453
SPIN-code: 2406-1772

Cand. Sci. (Physics and Mathematics), Professor

Russian Federation, Moscow

Farukh R. Yaushev

JSC “IRA Labs”; Moscow Institute of Physics and Technology

Email: yaushev@phystech.edu
ORCID iD: 0009-0006-1210-5311
Russian Federation, Moscow; Dolgoprudny

Elena V. Panina

JSC “IRA Labs”

Email: panina@npcmr.ru
ORCID iD: 0009-0008-2981-2957
SPIN-code: 7633-4770
Russian Federation, Moscow

Maria A. Donskova

JSC “IRA Labs”

Email: m.donskova@ira-labs.com
ORCID iD: 0009-0001-5095-1723
SPIN-code: 1892-3711
Moscow

Evgenia A. Soboleva

JSC “IRA Labs”

Email: info@ira-labs.com
ORCID iD: 0009-0009-4037-6911
Russian Federation, Moscow

Maria V. Basova

JSC “IRA Labs”

Email: m.basova@ira-labs.com
ORCID iD: 0009-0000-3325-8452
Russian Federation, Moscow

Maxim E. Pisov

JSC “IRA Labs”

Email: max@ira-labs.com
ORCID iD: 0000-0001-8727-5792
SPIN-code: 7812-9031
Russian Federation, Moscow

Maria N. Dugova

JSC “IRA Labs”

Email: dugovamaria@yandex.ru
ORCID iD: 0009-0004-5586-8015
Russian Federation, Moscow

Ekaterina A. Petrash

JSC “IRA Labs”

Email: e.a.petrash@gmail.com
ORCID iD: 0000-0001-6572-5369
SPIN-code: 6910-8890
Russian Federation, Moscow

Regina R. Gareeva

JSC “IRA Labs”

Email: regina.gareeva@phystech.edu
ORCID iD: 0009-0007-5519-7268
Russian Federation, Moscow

Alexey E. Shevtsov

JSC “IRA Labs”

Email: a.shevtsov@ira-labs.com
ORCID iD: 0000-0003-3085-4325
Russian Federation, Moscow

Vilgelm V. Volman

JSC “IRA Labs”

Email: v.volman@ira-labs.com
ORCID iD: 0009-0000-6631-1256
Russian Federation, Moscow

Zelimhan G.-M. Berikhanov

Sechenov First Moscow State Medical Univesity

Email: berikkhanov_z_g@staff.sechenov.ru
ORCID iD: 0000-0002-4335-3987
SPIN-code: 5506-9748

MD, Cand. Sci. (Medicine)

Russian Federation, Moscow

Sergey N. Avdeev

Sechenov First Moscow State Medical Univesity

Email: serg_avdeev@list.ru
ORCID iD: 0000-0002-5999-2150
SPIN-code: 1645-5524

MD, Dr. Sci. (Medicine), Professor

Russian Federation, Moscow

Natalya S. Serova

Sechenov First Moscow State Medical Univesity

Email: serova_n_s@staff.sechenov.ru
ORCID iD: 0000-0001-6697-7824
SPIN-code: 4632-3235

MD, Dr. Sci. (Medicine), Professor

Russian Federation, Moscow

Marina I. Sekacheva

Sechenov First Moscow State Medical Univesity

Email: serova_n_s@staff.sechenov.ru
ORCID iD: 0000-0003-0015-7094
SPIN-code: 4801-3742

PhD, Associate Professor

Russian Federation, Moscow

Yaroslav I. Ashikhmin

Center for Healthcare Quality Assessment and Control

Email: ashikhmin@rosmedex.ru
ORCID iD: 0000-0002-1243-5701
SPIN-code: 3871-1099

MD, Cand. Sci. (Medicine)

Russian Federation, Moscow

Zhanna E. Belaya

Endocrinology Research Center

Email: jannabelaya@gmail.com
ORCID iD: 0000-0002-6674-6441
SPIN-code: 4746-7173

MD, Dr. Sci. (Medicine)

Russian Federation, Moscow

Vitaly V. Omelyanovskiy

Center for Healthcare Quality Assessment and Control

Email: vvo@rosmedex.ru
ORCID iD: 0000-0003-1581-0703
SPIN-code: 1776-4270

MD, Dr. Sci. (Medicine), Professor

Russian Federation, Moscow

Mikhail Yu. Goncharov

JSC “IRA Labs”; Artificial Intelligence Research Institute

Email: m.goncharov@ira-labs.com
ORCID iD: 0009-0009-8417-0878
SPIN-code: 7877-3375
Russian Federation, Moscow; Moscow

Aleksandr S. Gershtanskiy

Northern State Medical University

Email: zdrav@dvinaland.ru
ORCID iD: 0009-0000-9646-1511
Russian Federation, 51 Troitsky ave., 163069 Arkhangelsk

Victor A. Gombolevskiy

JSC “IRA Labs”; Sechenov First Moscow State Medical Univesity; Artificial Intelligence Research Institute

Email: g_victor@mail.ru
ORCID iD: 0000-0003-1816-1315
SPIN-code: 6810-3279

MD, Cand. Sci. (Medicine)

Moscow; Moscow; Moscow

References

Supplementary files