由人工智能生成的合成数据,以优化外科试验设计

科学领域:

• 手术创新和临床试验方法.
• 人工智能在医学研究中的应用.

背景情况:

• 新手术技术的临床试验面临重大障碍.
• 合成数据 (SD) 提供了优化试验设计的潜力,当与真实世界的数据进行验证时.
• 过切割和单段式解剖 (TTSS) 与双段式 (DS) 技术相比,有望降低解剖性泄漏 (AL) 率.

研究的目的:

• 评估基于人工智能的合成数据生成在外科研究中的准确性和实用性.
• 将来自合成数据的结果与真实世界患者数据进行比较.
• 评估AI产生的SD在临床试验环境中的潜力.

主要方法:

• 训练了一个人工智能生成模型在一个真实世界的数据集的最小侵入性全腹腔切除患者 (2010-2024).
• 利用由火车 (SAFE) 驱动的合成验证框架工作来评估数据忠实性,临床实用性和隐私.
• 为分析生成了原始队列的合成副本和平衡队列.

主要成果:

• 与真实数据相比,人工智能生成的SD显示了高统计准确性,临床实用性和隐私保护.
• 对合成数据的分析证实了现实世界的发现:TTSS显著降低了AL率 (P<0.0001).
• 一个平衡的合成队列 (n=1200) 使用SAFE.显示了强大的性能指标.

结论:

• 人工智能生成的合成数据准确地复制真实世界患者群体的复杂临床特征和统计特征.
• 这项技术显示出作为一种增强和加速外科研究的工具的显著前景.
• 合成数据可以有效地支持对手术技术和临床试验设计的评估.