Machine Learning Diagnose og forudsigelse for cervikal myelopati (MCM)

1. INTRODUKTION

   1.1 BAGGRUND

   Cervikal spondylotisk myelopati (CSM) er en patologi i rygmarven, der kulminerer i progressiv kompression af den cervikale rygmarv. Det er en af ​​de mest almindelige årsager til rygmarvspatologi globalt og kan resultere i betydelige skadelige virkninger for patienters livskvalitet (Merali et al., 2019). Den nuværende guldstandardbehandling for CSM er kirurgisk dekompression, som genopretter funktionen og forbedrer livskvaliteten; dog gavner kirurgisk dekompression ikke alle patienter. I betragtning af denne dikotomi er det tydeligt, at det er afgørende at identificere patienter, der er egnede til operation, for at skåne uegnede patienter fra unødvendige risici ved operation. Rygsøjlekirurger skal analysere enorme mængder patientdata, herunder radiologiske og kliniske parametre, for at stratificere patienterne korrekt. Det er dog stadig uhåndgribeligt, hvordan hver parameter skal vægtes, og om alle prædiktive parametre er blevet identificeret. Endvidere er det afgørende, at diagnosen CSM stilles så tidligt som muligt, da kirurgiske resultater er blevet rapporteret at være væsentligt forbedret, hvis diagnosticeret på et tidligt sygdomsstadie sammenlignet med et sent stadium. udført i tidligere stadier i løbet af CSM blev rapporteret at være mere succesrige sammenlignet med senere stadier (Baron & Young, 2007). Radiologiske parametre, der kan hjælpe med tidlig detektion, er blevet identificeret, herunder diffusionstensor-billeddannelse og øget tæthed af MRI T2-vægtede billeder, men disse parametre har vist sig at have lav følsomhed (15-65%) og er blevet givet med konventionelle, ikke -deep-learning statistiske metoder, som med stor sandsynlighed har overset fremtrædende parametre på grund af iboende statistiske begrænsninger. Machine learning er den nuværende statistiske guldstandard for datamodellering og analyse. Den kombinerer datalogi og statistik for at give maksimal prædiktiv nøjagtighed. For nylig er maskinlæring i stigende grad og med succes blevet anvendt til medicinsk og kirurgisk forskning for at forudsige sygdoms- og behandlingsresultater for forskellige tilstande, hvilket giver overlegne resultater i forhold til konventionelle statistiske metoder. For at fortsætte, udover radiologiske tegn, er nogle kliniske tegn, såsom Hoffmans tegn, blevet identificeret for at hjælpe med tidlig diagnose af cervikal myelopati (Denno & Meadows, 1991), men resultaterne af kliniske prædiktorer er sparsomme, og spørgsmålet er stadig, hvordan de sammenlignes med radiologiske og biokemiske biomarkører og om der er uidentificerede kliniske prædiktorer. Merali et al. brugte en maskinlæringsmodel til at kombinere kliniske og biokemiske parametre for at skabe en holistisk prædiktiv model, men de undlod at inkludere radiologiske parametre, ligesom de primært fokuserede på behandlingsresultat frem for tidlig diagnose. Derfor sigter denne undersøgelse på at udfylde hullet i litteraturen og analysere alle centrale patientdata, nemlig radiologiske, biokemiske og kliniske, for at detektere nye og veje eksisterende prædiktorer, der er relevante for tidlig cervikal myelopatidiagnose og behandlingsresultat, såvel som sygdomsfremskridtstratificering.

   Tre nyere undersøgelser har set på maskinlæring i forbindelse med CSM. For det første har Merali et al. (2019) undersøgte brugen af ​​maskinlæring til at forudsige kirurgiske resultater hos patienter med CSM. Deres model fungerede godt, men den tog ikke hensyn til nogen radiologisk billeddannelse, hvilket er en væsentlig begrænsning for denne undersøgelse, da billeddannelse giver afgørende fingerpeg, især for tidlig diagnose af CSM. Desuden undlod forfatterne, mens de skabte en maskinlæringsmodel, at skabe et værktøj, som klinikere kan bruge, som er baseret på maskinlæringsmodellen. Den anden undersøgelse, også af Merali et al. (2021) anvendte maskinlæring til radiologisk billeddannelse til påvisning af CSM-patologi. Modellen fungerede igen rimeligt godt, men kun bekræftede CSM-patienter blev inkluderet, hvilket er en enorm begrænsning. Det er afgørende at inkludere tidlige CSM-patienter for at analysere, hvordan maskinlæringsmodellen klarer sig sammenlignet med konventionelle metoder med hensyn til forudsigelse, og om den kan hjælpe med tidlig detektion. Desuden var begge undersøgelser retrospektive, hvilket betyder, at ingen sammenligning mellem maskinlæringsmodellen og konventionelle metoder ville have været mulig. Hopkins et al. (2019) analyserede brugen af ​​maskinlæring i diagnosticering, snarere end forudsigelse, af CSM. En vigtig begrænsning ved denne undersøgelse er imidlertid, at han kun brugte radiologisk billeddannelse, idet han fuldstændig negligerede kliniske og biokemiske parametre. Faktisk har Merali et al. (2019) forsømte også fuldstændigt biokemiske parametre i deres analyse. Potentielt er dette en vigtig uudforsket variabel i patogenesen og diagnosen af ​​CSM, som skal udforskes. For at konkludere, har undersøgelser set på maskinlæring til at diagnosticere og forudsige i CSM, men de har alvorlige begrænsninger, der kun ser på fragmenter af den diagnostiske vej. Med henblik herpå er det logisk og nødvendigt at analysere dem sammen, snarere end i separate undersøgelser, i betragtning af at diagnosen og forudsigelserne vedrørende CSM-sygdomsprogression og behandlingsresultat deler en lang række af de nøjagtige samme variabler. Desuden er det nødvendigt at inkludere radiologiske, men også kliniske og biokemiske variabler for at opnå en næsten optimal maskinlæringsmodel, da det er de værktøjer, en kliniker også vil have adgang til at basere sine diagnoser og forudsigelser. Derfor vil denne undersøgelse undersøge radiologisk-klinisk-biokemiske variabler med maskinlæring i forbindelse med diagnose, såvel som forudsigelser om sygdomsprogression og behandlingsresultater. Dernæst undlod alle undersøgelser at undersøge brugen af ​​maskinlæring til tidlig diagnose. Da tidlig diagnose er afgørende for at forbedre behandlingsresultatet, er dette et stort hul i litteraturen, som denne forskningsundersøgelse sigter mod at udfylde, ved at fokusere på variabler, der hjælper med tidlig påvisning af CSM via inklusion af milde CSM-tilfælde. I sidste ende har ingen af ​​undersøgelserne brugt patientbaseret QOL-vurdering (dvs. JOACMEQ) som resultatvariabel, der kan være vigtigere end mJOA.

   Sammenfattende Begrænsningerne af undersøgelser om emnet CSM og forudsigelse af behandlingsresultat har hidtil været, at de kun har brugt mJOA som resultatvariabel i stedet for at bruge den patientbaserede JOACMEQ. Dette er en enorm begrænsning, da det i sidste ende kun er patienten, der subjektivt kan vurdere og vurdere resultatet af behandlingen. Med hensyn til emnet tidlig diagnosticering af CSM, har der ikke været nogen undersøgelser, der har udforsket dette emne overhovedet.

   1.2 BEGRUNDELSE FOR NUVÆRENDE UNDERSØGELSE

   MÅL

   Det overordnede formål med denne forskningsundersøgelse er at skabe to prædiktive maskinlæringsmodeller, der er baseret på radiologiske, kliniske og biokemiske variabler, som gør det muligt for rygsøjlekirurger at diagnosticere CSM tidligere og mere præcist, samt at give dem mulighed for at give patienterne meget individualiserede og præcise prædiktiv information om behandlingsresultater.

   HYPOTESER

   Der er uidentificerede patientkarakteristika, biokemiske, radiologiske og kliniske parametre, der kan hjælpe med tidlig diagnose og behandlingsforudsigelse af cervikal myelopati, når de kombineres med allerede kendte biomarkører. Disse mønstre kan identificeres og vægtes med overvåget og ikke-overvåget maskinlæring samt multivariat lineær regression. Efterfølgende kan maskinlæringsmodellen trænes med indlejret krydsvalidering for at opnå optimal pasform, samtidig med at overfitting undgås, for at forudsige cervikal myelopatidiagnose. I sidste ende kan et point-of-care-værktøj udvikles til praktiserende læger og rygsøjlekirurger til at hjælpe med tidlig påvisning af cervikal myelopati og forudsigelse af behandlingsresultater for patienter med cervikal myelopati. Maskinlæringsforudsigelserne vedrørende behandlingsresultat og sygdomsprogression antages at være væsentligt mere nøjagtige end klinikernes nuværende forudsigelsesevne.

   RISICI OG FORDELE

   Risici: Potentielt ubehag under undersøgelse. Dette vil blive dæmpet ved at bede om smerter før undersøgelse og ved at bruge blide undersøgelsesteknikker. Potentielle gener vil blive afbødet ved at finde et tidspunkt, der er passende for patienten.

   Fordel: I tilfælde af gentagelse af deres symptomer efter operationen, kan vores maskinlæringsmodel og algoritme hjælpe deres behandlende neurokirurger med at diagnosticere tilbagefald af cervikal myelopati på et tidligt tidspunkt og mere præcist forudsige, om de vil have gavn af operationen igen, eller om de ville have gavn af det. fra konservativ ledelse i stedet.

   Patienter vil ikke modtage nogen betalinger, refusion af udgifter eller andre fordele eller incitamenter for at deltage i denne forskning, ikke nogen personlig betaling ud over normal løn eller andre fordele eller incitamenter, og Chief Investigator eller nogen anden investigator/samarbejdspartner ikke har nogen direkte personlig involvering (f.eks. økonomisk, aktiebesiddelse, personlig relation osv.) i de organisationer, der sponsorerer eller finansierer forskningen, der kan give anledning til en mulig interessekonflikt.

   Forskningsdeltagere vil ikke modtage nogen betalinger, refusion af udgifter eller andre fordele eller incitamenter for at deltage i denne forskning.

2. STUDIEMÅL

MÅL

Tidlig diagnose af CSM

1. At identificere tidlige kliniske prædiktorer for cervikal myelopatidiagnose baseret på individuelle patientrapporterede symptomer ved brug af et retrospektivt spørgeskema, og eventuelt retrospektiv analyse af biokemiske, radiologiske og kliniske data ved hjælp af mønsterdetektion med maskinlæring, eller alternativt multivariat lineær regression.
2. At konvertere resultaterne af maskinlæringsmodellen eller multivariat regressionsanalyse til et scoringssystem eller maskinlæringsværktøj, der kan bruges klinisk til at score patienter til ikke-sandsynlige, moderat sandsynlige eller høje sandsynlige CSM-grupper for at hjælpe med tidlig klinisk diagnose og forebygge unødvendig brug af billedbehandling.

Behandlingsresultat forudsigelse af CSM

1. At prospektivt følge en kohorte af CSM-patienter, der indsamler så mange relevante kliniske, biokemiske og radiologiske uafhængige variabler som muligt, samt at bruge JOACMEQ-spørgeskemaet og mJOA før, som udfaldsvariable. Forholdet mellem uafhængige og udfaldsvariable vil blive analyseret ved hjælp af konventionelle metoder og maskinlæring.
2. At bygge og træne en maskinlæringsmodel til præcist at forudsige behandlingsresultater hos diagnosticerede patienter.
3. At bruge maskinlæringsmodellen som base til at designe et scoringsværktøj eller point-of-care-algoritme, der kan bruges klinisk til at score patienter til ikke-sandsynlige, moderat sandsynlige eller høj sandsynlige CSM-kirurgi-responderere for at hjælpe med passende håndtering af CSM patienter.

3. STUDIEDESIGN

Undersøgelsestype: Ikke-randomiseret prospektivt og retrospektivt kohortestudie Varighed: Prospektivt: Observationer ved forbehandling, efterbehandling efter 3 måneder og 6 måneder (minimum 18 måneder).

Retrospektiv: Minimum sidste 2 år. Patientantal: Cirka 300 (100 prospektive, 200 retrospektive patienter).

Denne prøve blev bestemt baseret på estimeringer af cervikal myelopatipatienter ved Imperial College NHS Healthcare Trust i fortiden til prospektiv undersøgelse. 100 cervikal myelopatipatienter behandlet på Imperial College NHS Healthcare Trust i de følgende 18 måneder minimum for den potentielle arm, samt 100 patienter behandlet i de sidste 2 år minimum i ICHT, og 100 patienter med negativ diagnose fra et enkelt Community MSK-team fra Hounslow og Richmond Community Healthcare NHS Trust, som er i oplandet til Imperial College Healthcare NHS Trust Neurosurgery. I betragtning af maskinlæringstilgangen kan denne stikprøvestørrelse virke for lille til at bevare nøjagtigheden (som udførligt forklaret her: https://www.fharrell.com/post/ml-sample-size/ ), men passende foranstaltninger er blevet truffet for at sikre høj nøjagtighed og samtidig undgå overmontering. For maskinlæring er det blevet vist, at indlejret krydsvalidering (NCV) ikke påvirkes af bias på grund af små stikprøvestørrelser, faktisk reagerer den ikke lineært positivt eller negativt på prøvestørrelsesændringer, forbliver meget nøjagtig og robust (Vabalas et al. ., 2019). Derfor vil vi bruge NCV. Derudover er stikprøvestørrelsen på henholdsvis n=100 og n=200 yderligere styrket af det høje antal karakteristiske træk (250+ for den prospektive undersøgelse, 10-50 for [afhængigt af CMSK-datarenhed] se begge spørgeskemaer) , som har signifikant positiv indflydelse på modellens nøjagtighed (Vabalas et al. 2019) Datametrics: Information indsamlet gennem klinisk undersøgelse og spørgeskemaer udført retrospektivt over telefonen, før operation og 3- og 6 måneder efter operationen. Det vedlagte spørgeskema "Cervical myelopati treatment outcome questionnaire" registrerer information vedrørende følgesygdomme og symptomologi. Undersøgelsen vil være en grundig neurologisk undersøgelse foruden en fokuseret hjerte-kar-undersøgelse. Biokemiske blodmarkører fra eksisterende blodmarkører eller fra lægejournaler, som er blevet eller ville være blevet udført uanset dette forsøg. Radiologiske fund vil blive taget fra rutinemæssige MR- og cervikal rygsøjlensrøntgenbilleder udført som led i CSM-diagnostisk oparbejdning. Det retrospektive spørgeskema "CSM early diagnosis questionnaire" indeholder alle de spørgsmål, som vil blive indsamlet retrospektivt via telefon. Desuden vil patienter fra community MSK-teamet, dem, der i sidste ende bliver diagnosticeret med CM og dem, der er undersøgt for CM-forespørgsel, deres kliniske, biokemiske og radiologiske data fra de lokale SystemOne-databaser blive indsamlet til analyse og sammenligning.

model vil blive konverteret til et webbaseret point-of-care behandlingsresultat forudsigelsesværktøj ved hjælp af Shiny-pakken i R. Data og al relevant dokumentation vil blive gemt i henhold til Trust-politikken, inklusive opfølgningsperioden.

3.1 STUDIERESULTATMÅL MJOA-scoren og JOACMEQ-scoren er resultatmålene for den potentielle del af undersøgelsen. God respons på operation er en forbedring på 1 point i mJOA-score efter 3 og 6 måneder. Radiologisk bekræftelse af cervikal myelopati er udfaldsmålet for den retrospektive arm.