Diagnostika a predikce cervikální myelopatie pomocí strojového učení (MCM)

1. ÚVOD

   1.1 POZADÍ

   Cervikální spondilotická myelopatie (CSM) je patologie míchy, která kulminuje progresivní kompresí krční míchy. Je jednou z nejčastějších příčin míšní patologie na celém světě a může mít za následek významné škodlivé účinky na kvalitu života pacientů (Merali et al., 2019). Současný zlatý standard léčby CSM je chirurgická dekomprese, která obnovuje funkci a zlepšuje kvalitu života; chirurgická dekomprese však neprospívá všem pacientům. Vzhledem k této dichotomii je zřejmé, že je klíčové správně identifikovat pacienty vhodné k operaci, ušetřit nevhodné pacienty zbytečných rizik operace. Páteřní chirurgové musí analyzovat obrovské množství údajů o pacientech, včetně radiologických a klinických parametrů, aby správně rozvrstvili pacienty. Zůstává však nejasné, jak by měl být každý parametr vážen a zda byly identifikovány všechny prediktivní parametry. Kromě toho je klíčové, aby diagnóza CSM byla stanovena co nejdříve, protože bylo hlášeno, že chirurgické výsledky se významně zlepšily, pokud jsou diagnostikovány v časném stádiu onemocnění ve srovnání s pozdním stádiem. Uvádí se, že prováděné v dřívějších fázích v průběhu CSM byly úspěšnější ve srovnání s pozdějšími fázemi (Baron & Young, 2007). Byly identifikovány radiologické parametry, které mohou pomoci při časné detekci, včetně zobrazení difuzního tenzoru a zvýšené hustoty MRI T2 vážených snímků, nicméně bylo prokázáno, že tyto parametry mají nízkou citlivost (15–65 %) a byly získány konvenčními, ne -statistické metody hlubokého učení, u kterých je vysoce pravděpodobné, že kvůli přirozeným statistickým omezením postrádají hlavní parametry. Strojové učení je současným zlatým statistickým standardem pro modelování a analýzu dat. Kombinuje informatiku a statistiku, aby poskytla maximální prediktivní přesnost. V poslední době se strojové učení stále více a úspěšněji používá v lékařském a chirurgickém výzkumu k predikci nemocí a léčebných výsledků pro různé stavy, což přináší lepší výsledky než konvenční statistické metody. Abychom pokračovali, kromě radiologických příznaků byly identifikovány některé klinické příznaky, jako je Hoffmanův příznak, které napomáhají časné diagnostice cervikální myelopatie (Denno & Meadows, 1991), nicméně nálezy o klinických prediktorech jsou řídké a zůstává otázkou, jak jsou ve srovnání s radiologickými příznaky. a biochemické biomarkery a zda existují neidentifikované klinické prediktory. Merali a kol. použili model strojového učení ke kombinaci klinických a biochemických parametrů k vytvoření holistického prediktivního modelu, ale nedokázali zahrnout radiologické parametry ani se primárně zaměřit na výsledek léčby spíše než na včasnou diagnózu. Tato studie si proto klade za cíl zaplnit mezeru v literatuře a analyzovat všechna klíčová data o pacientech, jmenovitě radiologická, biochemická a klinická, za účelem detekce nových a zvážení existujících prediktorů relevantních pro časnou diagnostiku cervikální myelopatie a výsledek léčby, stejně jako stratifikaci postupu onemocnění.

   Tři nedávné studie se zabývaly strojovým učením v kontextu CSM. Za prvé, Merali a kol. (2019) zkoumali využití strojového učení při predikci chirurgických výsledků u pacientů s CSM. Jejich model fungoval dobře, ale nezohledňoval žádné radiologické zobrazení, což je významné omezení této studie, protože zobrazování poskytuje klíčová vodítka zejména pro časnou diagnostiku CSM. Navíc při vytváření modelu strojového učení se autorům nepodařilo vytvořit nástroj, který by lékaři mohli používat a který je založen na modelu strojového učení. Druhá studie, rovněž od Merali et al. (2021) aplikovali strojové učení na radiologické zobrazování pro detekci patologie CSM. Model opět fungoval poměrně dobře, ale byli zahrnuti pouze potvrzení pacienti s CSM, což je obrovské omezení. Je klíčové zahrnout pacienty s CSM v raném stádiu, aby bylo možné analyzovat, jak model strojového učení funguje ve srovnání s konvenčními metodami z hlediska predikce a zda může pomoci při včasné detekci. Obě studie byly navíc retrospektivní povahy, což znamená, že by nebylo možné srovnání mezi modelem strojového učení a konvenčními metodami. Hopkins a kol. (2019) analyzovali použití strojového učení při diagnostice, spíše než predikci CSM. Důležitým omezením této studie je však to, že používal pouze radiologické zobrazování, přičemž zcela zanedbával klinické a biochemické parametry. Ve skutečnosti Merali a spol. (2019) při svém rozboru také zcela opomíjeli biochemické parametry. Potenciálně se jedná o důležitou neprozkoumanou proměnnou v patogenezi a diagnostice CSM, kterou je třeba prozkoumat. Závěrem lze říci, že studie se zabývaly strojovým učením k diagnostice a předpovědi v CSM, avšak mají vážná omezení pouze při pohledu na fragmenty diagnostické cesty. Za tímto účelem, vzhledem k tomu, že diagnóza a předpovědi týkající se progrese onemocnění CSM a výsledku léčby sdílejí velké množství přesně stejných proměnných, je logické a nutné je analyzovat společně, spíše než v samostatných studiích. Navíc je nutné zahrnout radiologické, ale také klinické a biochemické proměnné, aby bylo dosaženo téměř optimálního modelu strojového učení, protože to jsou nástroje, které by měl lékař také přístup k zakládání svých diagnóz a předpovědí. Tato studie tedy bude zkoumat radiologicko-klinicko-biochemické proměnné se strojovým učením v kontextu diagnózy, stejně jako předpovědi progrese onemocnění a výsledků léčby. Dále, všechny studie selhaly při zkoumání využití strojového učení pro včasnou diagnostiku. Vzhledem k tomu, že pro zlepšení výsledku léčby je klíčová včasná diagnostika, jde o obrovskou mezeru v literatuře, kterou se tato výzkumná studie snaží zaplnit tím, že se zaměřuje na proměnné, které napomáhají včasné detekci CSM prostřednictvím zahrnutí mírných případů CSM. Nakonec žádná ze studií nepoužila hodnocení QOL na základě pacienta (tj. JOACMEQ) jako výsledná proměnná, která může být důležitější než mJOA.

   Shrnutí Omezení studií na téma CSM a predikce výsledku léčby doposud spočívalo v tom, že jako výslednou proměnnou používaly pouze mJOA namísto použití JOACMEQ založeného na pacientech. To je velké omezení, protože v konečném důsledku může subjektivně posoudit a zhodnotit výsledek léčby pouze pacient. Pokud jde o téma časné diagnostiky CSM, nebyly provedeny žádné studie, které by se tímto tématem zabývaly.

   1.2 ODŮVODNĚNÍ AKTUÁLNÍ STUDIE

   CÍLE

   Celkovým cílem této výzkumné studie je vytvořit dva prediktivní modely strojového učení, které jsou založeny na radiologických, klinických a biochemických proměnných, což umožňuje páteřním chirurgům diagnostikovat CSM dříve a přesněji a zároveň jim umožňuje poskytovat pacientům vysoce individualizované a přesné prediktivní informace o výsledcích léčby.

   HYPOTÉZY

   Existují neidentifikované charakteristiky pacienta, biochemické, radiologické a klinické parametry, které by mohly pomoci v časné diagnostice a predikci léčby cervikální myelopatie v kombinaci s již známými biomarkery. Tyto vzorce lze identifikovat a zvážit pomocí strojového učení pod dohledem a bez dozoru, stejně jako pomocí vícerozměrné lineární regrese. Následně lze model strojového učení trénovat s vnořenou křížovou validací, aby se dosáhlo optimálního přizpůsobení a zároveň se zabránilo nadměrnému přizpůsobení, aby bylo možné predikovat diagnózu cervikální myelopatie. Nakonec lze pro praktické lékaře a páteřní chirurgy vyvinout nástroj v místě péče. včasná detekce cervikální myelopatie a predikce výsledku léčby u pacientek s cervikální myelopatií. Předpokládá se, že předpovědi strojového učení týkající se výsledku léčby a progrese onemocnění jsou výrazně přesnější než současná prediktivní schopnost lékařů.

   RIZIKA A VÝHODY

   Rizika: Potenciální diskomfort při vyšetření. To bude zmírněno tím, že před vyšetřením požádáte o bolest a použijete jemné vyšetřovací techniky. Případné nepohodlí zmírníte nalezením času, který je pro pacienta vhodný.

   Přínos: V případě recidivy jejich symptomů po operaci může náš model a algoritmus strojového učení pomoci jejich ošetřujícím neurochirurgům diagnostikovat recidivu cervikální myelopatie v časném stadiu a přesněji předvídat, zda budou mít z operace opět užitek nebo zda by pro ně byl přínosem. místo toho od konzervativního managementu.

   Pacienti nebudou dostávat žádné platby, náhradu výdajů ani žádné jiné výhody nebo pobídky za účast na tomto výzkumu, žádné osobní platby nad rámec běžné mzdy ani žádné jiné výhody nebo pobídky, a hlavní zkoušející nebo jakýkoli jiný vyšetřovatel/spolupracovník nemá přímou osobní účast (např. finanční, držení akcií, osobní vztahy atd.) v organizacích sponzorujících nebo financujících výzkum, což může vést k možnému střetu zájmů.

   Účastníci výzkumu neobdrží žádné platby, náhradu výdajů ani žádné jiné výhody či pobídky za účast na tomto výzkumu.

2. STUDIJNÍ CÍLE

CÍLE

Včasná diagnostika CSM

1. Identifikovat časné klinické prediktory diagnózy cervikální myelopatie na základě individuálních příznaků hlášených pacientem pomocí retrospektivního dotazníku a případně retrospektivní analýzy biochemických, radiologických a klinických dat pomocí detekce vzorů se strojovým učením nebo alternativně multivariační lineární regrese.
2. Převést zjištění z modelu strojového učení nebo vícerozměrné regresní analýzy do skórovacího systému nebo nástroje strojového učení, který lze klinicky použít ke skórování pacientů do skupin CSM s nepravděpodobnou, střední pravděpodobností nebo vysokou pravděpodobností, aby se napomohlo včasné klinické diagnostice a prevenci zbytečné použití zobrazování.

Predikce výsledku léčby CSM

1. Prospektivně sledovat kohortu pacientů s CSM, kteří shromažďují co nejvíce relevantních klinických, biochemických a radiologických nezávislých proměnných, a také pomocí dotazníku JOACMEQ a dříve mJOA jako výstupních proměnných. Vztah nezávislých a výstupních proměnných bude analyzován pomocí konvenčních metod a strojového učení.
2. Sestavit a trénovat model strojového učení, který přesně předpovídá výsledek léčby u diagnostikovaných pacientů.
3. Používat model strojového učení jako základ pro návrh skórovacího nástroje nebo algoritmu bodové péče, který lze klinicky použít ke skórování pacientů na pacienty s malou pravděpodobností, středně pravděpodobnou nebo vysokou pravděpodobností, že budou reagovat na operaci CSM, aby se napomohlo vhodnému řízení CSM pacientů.

3. DESIGN STUDIA

Typ studie: Nerandomizovaná prospektivní a retrospektivní kohortová studie Délka: Prospektivní: Pozorování před léčbou, po léčbě ve 3 měsících a 6 měsících (minimálně 18 měsíců).

Retrospektiva: Minimálně poslední 2 roky. Počet pacientů: Přibližně 300 (100 prospektivních, 200 retrospektivních pacientů).

Tento vzorek byl určen na základě odhadů pacientů s cervikální myelopatií v Imperial College NHS Healthcare Trust v minulosti pro prospektivní studii. 100 pacientů s cervikální myelopatií léčených v Imperial College NHS Healthcare Trust v následujících 18 měsících minimálně pro prospektivní větev, stejně jako 100 pacientů léčených minimálně za poslední 2 roky v ICHT a 100 pacientů s negativní diagnózou od jediného týmu Community MSK z Hounslow a Richmond Community Healthcare NHS Trust, která je ve spádové oblasti Imperial College Healthcare NHS Trust Neurosurgery. Vzhledem k přístupu strojového učení se tato velikost vzorku může zdát příliš malá na to, aby byla zachována přesnost (jak je podrobně vysvětleno zde: https://www.fharrell.com/post/ml-sample-size/ ), byla však přijata vhodná opatření k zajištění vysoké přesnosti a zamezení nadměrné montáže. U strojového učení se ukázalo, že vnořená křížová validace (NCV) není ovlivněna zkreslením kvůli malým velikostem vzorků, ve skutečnosti nereaguje lineárně pozitivně ani negativně na změny velikosti vzorku a zůstává velmi přesná a robustní (Vabalas et al. ., 2019). Proto budeme používat NCV. Velikost vzorku n=100 a n=200 je navíc dále posílena vysokým počtem charakteristických znaků (250+ pro prospektivní studii, 10-50 pro [v závislosti na čistotě dat CMSK] viz oba dotazníky) , což má významný pozitivní vliv na přesnost modelu (Vabalas et al. 2019) Metriky dat: Informace shromážděné prostřednictvím klinického vyšetření a dotazníků provedených retrospektivně po telefonu, před operací a 3 a 6 měsíců po operaci. Přiložený dotazník „Dotazník výsledků léčby cervikální myelopatie“ zaznamenává informace týkající se komorbidit a symptomologie. Vyšetření bude kromě zaměřeného kardiovaskulárního vyšetření důkladným neurologickým vyšetřením. Biochemické krevní markery ze stávajících krevních markerů nebo ze záznamů praktického lékaře, které byly nebo by byly provedeny bez ohledu na tuto studii. Radiologické nálezy budou převzaty z rutinních MRI a rentgenů krční páteře provedených v rámci diagnostického zpracování CSM Retrospektivní dotazník „Dotazník včasné diagnózy CSM“ obsahuje všechny otázky, které budou zpětně sbírány telefonicky. Dále budou shromažďována pro analýzu a srovnání pacientů z komunitního týmu MSK, pacientů s případnou diagnózou CM a pacientů vyšetřených na dotaz CM, jejich klinická, biochemická a radiologická data z místních databází SystemOne.

model bude převeden na webový nástroj pro predikci výsledku ošetření v místě péče pomocí paketu Shiny v R. Data a veškerá příslušná dokumentace budou uloženy v souladu se zásadami Trust, včetně období sledování.

3.1 MĚŘENÍ VÝSLEDKU STUDIE Skóre mJOA a skóre JOACMEQ jsou měřítka výsledku pro prospektivní větev studie. Dobrou odpovědí na operaci je 1-bodové zlepšení skóre mJOA po 3 a 6 měsících. Radiologické potvrzení cervikální myelopatie je výsledným měřítkem pro retrospektivní rameno.