CAVA Multicenter Svimmelhedsforsøg (CAVA 2)

Dette er et multicenter diagnostisk nøjagtighedsstudie med et rekrutteringsmål på 255 voksne deltagere. Rekruttering vil finde sted på tværs af ti steder i Storbritannien over to år. For at være berettiget skal deltagerne have en eksisterende diagnose af Ménières sygdom, vestibulær migræne eller BPPV. Undersøgelsen vil rekruttere 85 deltagere med hver betingelse. Hver patients diagnose vil danne "referencestandarden", som senere vil blive sammenlignet med en automatiseret computerdiagnose.

Hver deltager vil bære CAVA-enheden næsten uafbrudt i tredive dage. Enheden vil registrere alle øjen- og hovedbevægelser i løbet af denne tid, inklusive under alle episoder med svimmelhed. Når en patient oplever en episode af svimmelhed, vil de blive bedt om at aktivere en hændelsesmarkør på CAVA-enheden og føre en skriftlig registrering af angrebets begyndelse og varighed i en dagbog. Selvom denne manuelle logning ikke vil være afhængig af algoritmeudvikling, vil hele 30 dages data blive brugt til at detektere perioder med øjenbevægelser forbundet med svimmelhed.

Efterforskerne vil udvikle computeralgoritmer, der bruger de data, der er fanget af CAVA-enhederne, til at skelne mellem tre måltilstande. Disse algoritmer vil bygge på de algoritmer, der er blevet udviklet under den nuværende MRC-bevilling, som har givet fremragende resultater.10,11,17. Algoritmerne bruger deep learning neurale netværk (DNN'er) i en såkaldt 'end-to-end' tilgang. I denne tilgang tager et flerlagsnetværk som input 'rå' tidsdomænedata og udsender en klassificeringsbeslutning uden at bruge nogen eksplicitte mellemrepræsentationer af signalet (såsom signalentropi, effekt, skævhed, kurtosis osv.). End-to-end tilgange, som typisk anvender alternerende sekvenser af foldning og pooling lag, fuldt forbundne lag, auto-encodere og lang korttidshukommelse (LSTM) lag, har vist sig at overgå traditionelle tilgange i tilfælde, hvor store mængder træning data er tilgængelige. De giver dog ringe indsigt i, hvordan de fungerer (dvs. hvilke funktioner i signalet, der er vigtige for klassificering). Det vil derfor også blive overvejet at udvikle metoder, hvori mellemrepræsentationer genereres og derefter bruge disse inputfunktioner til at teste en række klassifikatorer (f.eks. boostede træer, tilfældige skove, logistisk regression, støttevektormaskiner osv.).

Algoritmernes ydeevne vil blive vurderet ved hjælp af 'leave-one-out cross-validation'-teknikken, som er den sædvanlige måde at evaluere klassifikatorer på.22 I denne teknik sættes data fra en enkelt patient til side, og de resterende data fra de andre patienter bruges til at 'træne' klassifikatoren. Der vil blive henvist til en algoritme, der er trænet til at skelne de tre betingelser som en 'klassifikator'. Klassifikatoren testes derefter på de afsatte data: Testprocessen består i at sammenligne klassifikatorens forudsagte diagnose ('Ménières sygdom', 'vestibulær migræne' eller 'BPPV') med den sande diagnose (referencestandardmærket). Denne proces gentages og fjerner en anden patients data hver gang, hvilket giver en automatiseret diagnose for alle 255 patienter. Selvom det er beregningsmæssigt dyrt, sikrer dette, at klassifikatoren ikke har 'set' under træningen dataene fra den patient, den tester, hvilket ville påvirke dens beslutning. Det matcher også nøje scenariet i den virkelige verden, hvor en ny patient præsenterer sin kliniker, og en diagnose stilles på grundlag af deres erfaringer med andre patienter.

Undersøgelsen vil præsentere sensitiviteten og specificiteten for diagnosticering af hver af de tre måltilstande og Receiver Operator Curves (ROC'er), der viser, hvordan den diagnostiske nøjagtighed ændres for forskellige klassifikationstærskler.

Målforholdene har forskellig forekomst. At afspejle denne ubalance i denne undersøgelses statistiske beregninger ville kræve mange tusinde patienter med den mest almindelige af disse tilstande. Det menes, at dette ikke ville være økonomisk rentabelt og ikke ville tilføje værdi til undersøgelsen. De opnåede resultater vil være tilstrækkeligt robuste til at demonstrere systemets effektivitet og den forventede påvisningshastighed for hver sygdom.

En sundhedsøkonom (HE) vil vurdere de potentielle ressourcer, økonomiske besparelser og patientfordele ved en diagnostisk vej, der inkorporerer CAVA sammenlignet med eksisterende veje. Undersøgelsesdesignet sikrer, at passende dataindsamling er indlejret i undersøgelsen til den økonomiske evaluering. En tidlig omkostningseffektivitetsmodel vil blive udviklet ved hjælp af retrospektive patientdata (f.eks. historie, antal tests og hospitalsbesøg). Modellen vil afsløre de potentielle besparelser og fordele ved CAVAs prædiktive algoritmer ved forskellige hypotetiske tærskler for diagnostisk nøjagtighed versus en standard diagnostisk vej. En kontrafaktisk diagnosticeringsvej med CAVA-enheden vil blive udviklet i forhold til standarden for sædvanlig pleje i øjeblikket for at informere om de mest sandsynlige potentielle økonomiske fordele.

En kommercialiseringskonsulent vil overvåge en portefølje af arbejde for at understøtte kommercialiseringen af ​​CAVA-systemet. De vil producere en markedsadgangsplan, der beskriver CAVAs vej til kommercialisering og bekræfter CAVAs placering inden for eksisterende NHS-veje, og hvordan den ville blive implementeret. Efterforskerne vil bygge videre på det tidligere fokusgruppearbejde med en interessentbegivenhed, der involverer fagfolk, patienter og it-interessenter fra NHS-organisationer. Efterforskerne vil identificere de spørgsmål, der er vigtige for interessenter med hensyn til gennemførligheden af ​​adoption inden for NHS og vil etablere støtte til adoption. En PPI-begivenhed vil blive afholdt for at gennemgå de foreløbige resultater fra forsøget og en offentlig formidlingsbegivenhed for at dele resultaterne med offentligheden. Gennem hele projektet vil potentielle licenser blive engageret.