Multicentrická zkouška závratě CAVA (CAVA 2)

Jedná se o multicentrickou studii přesnosti diagnostiky s cílem náboru 255 dospělých účastníků. Nábor bude probíhat na deseti místech ve Spojeném království po dobu dvou let. Aby byli účastníci způsobilí, musí mít existující diagnózu Ménièrovy choroby, vestibulární migrény nebo BPPV. Studie přijme osmdesát pět účastníků s každou podmínkou. Diagnóza každého pacienta bude tvořit „referenční standard“, který bude později porovnán s automatizovanou počítačovou diagnostikou.

Každý účastník bude nosit zařízení CAVA v blízkosti nepřetržitě po dobu třiceti dnů. Zařízení během této doby zaznamená všechny pohyby očí a hlavy, včetně případných epizod závratí. Když pacient pocítí epizodu vertiga, bude požádán, aby aktivoval značku události na zařízení CAVA a vedl si písemný záznam začátku záchvatu a trvání v deníku. Přestože se při vývoji algoritmu nebude spoléhat na toto ruční protokolování, celých 30 dní bude použito dat k detekci období pohybu očí spojených se závratěmi.

Vyšetřovatelé vyvinou počítačové algoritmy, které využívají data zachycená zařízeními CAVA k rozlišení tří cílových podmínek. Tyto algoritmy budou stavět na algoritmech, které byly vyvinuty během současného grantu MRC a které přinesly vynikající výsledky.10,11,17. Algoritmy využívají hloubkové učení neuronových sítí (DNN) v takzvaném „end-to-end“ přístupu. V tomto přístupu používá vícevrstvá síť jako vstupní „surová“ data v časové doméně a vydává rozhodnutí o klasifikaci bez použití jakýchkoli explicitních mezilehlých reprezentací signálu (jako je entropie signálu, výkon, šikmost, špičatost atd.). End-to-end přístupy, které typicky využívají střídavé sekvence konvolučních a sdružovacích vrstev, plně propojené vrstvy, automatické kodéry a vrstvy s dlouhou krátkodobou pamětí (LSTM), ukázaly, že překonávají tradiční přístupy v případech, kdy velké množství tréninku údaje jsou k dispozici. Poskytují však malý přehled o tom, jak fungují (tj. které vlastnosti signálu jsou důležité pro klasifikaci). Bude proto také zváženo vyvinout metody, ve kterých jsou generovány mezilehlé reprezentace, a poté použít tyto vstupní funkce k testování řady klasifikátorů (např. zesílené stromy, náhodné lesy, logistická regrese, podpůrné vektorové stroje atd.).

Výkonnost algoritmů bude posouzena pomocí techniky křížové validace „leave-one-out“, což je obvyklý způsob hodnocení klasifikátorů.22 Při této technice se data od jednoho pacienta odloží stranou a zbývající data od ostatních pacientů se použijí k „trénování“ klasifikátoru. Bude odkazováno na algoritmus, který je trénován k rozlišení tří podmínek jako „klasifikátor“. Klasifikátor je poté testován na vyčleněných datech: testovací proces spočívá v porovnání předpokládané diagnózy klasifikátoru („Ménièrova nemoc“, „vestibulární migréna“ nebo „BPPV“) se skutečnou diagnózou (referenční standardní označení). Tento proces se opakuje, pokaždé se odstraní data jiného pacienta a vznikne automatická diagnóza pro všech 255 pacientů. Ačkoli je to výpočetně nákladné, zajišťuje to, že klasifikátor během trénování „neviděl“ data od pacienta, kterého testuje, což by zkreslilo jeho rozhodnutí. Také se úzce shoduje s reálným scénářem, kdy se nový pacient hlásí ke svému lékaři a diagnóza je stanovena na základě jejich zkušeností s jinými pacienty.

Studie představí senzitivitu a specificitu pro diagnostiku každého ze tří cílových stavů a ​​křivek operátora přijímače (ROC), přičemž ukáže, jak se mění diagnostická přesnost pro různé prahové hodnoty klasifikace.

Cílové stavy mají různý výskyt. Zohlednění této nerovnováhy ve statistických výpočtech této studie by vyžadovalo mnoho tisíc pacientů s nejběžnějším z těchto stavů. Předpokládá se, že by to nebylo ekonomicky životaschopné a nepřidalo by to studii hodnotu. Získané výsledky budou dostatečně robustní, aby prokázaly účinnost systému a očekávanou míru detekce pro každé onemocnění.

Health Economist (HE) posoudí potenciální zdroje, finanční úspory a přínosy pro pacienty diagnostickou cestou zahrnující CAVA ve srovnání se stávajícími cestami. Návrh studie zajišťuje, že do studie je začleněn vhodný sběr dat pro ekonomické hodnocení. Na základě retrospektivních údajů o pacientech (např. historie, počet testů a návštěv v nemocnici) bude vyvinut časný model nákladové efektivity. Model odhalí potenciální úspory a přínosy prediktivních algoritmů CAVA při různých hypotetických prahových hodnotách diagnostické přesnosti oproti standardní diagnostické cestě. V porovnání se standardní běžnou péčí bude vyvinuta kontrafaktuální cesta diagnostiky s přístrojem CAVA, aby bylo možné informovat o nejpravděpodobnějších potenciálních ekonomických přínosech.

Konzultant komercializace bude dohlížet na portfolio prací na podporu komercializace systému CAVA. Vypracují plán přístupu na trh s podrobnostmi o cestě CAVA ke komercializaci a potvrdí umístění CAVA v rámci stávajících cest NHS a způsob, jakým bude implementována. Vyšetřovatelé budou navazovat na předchozí práci v rámci skupiny zaměřené na akci zúčastněných stran zahrnující odborníky, pacienty a zainteresované strany v oblasti IT z organizací NHS. Vyšetřovatelé identifikují problémy důležité pro zúčastněné strany týkající se proveditelnosti adopce v rámci NHS a vytvoří podporu pro adopci. Bude uspořádána akce PPI za účelem přezkoumání prozatímních zjištění ze studie a akce zaměřená na veřejné šíření informací s veřejností. V průběhu projektu budou zapojeny potenciální licence.