Machine Learning Diagnose und Vorhersage für zervikale Myelopathie (MCM)

1. EINFÜHRUNG

   1.1 HINTERGRUND

   Die zervikale spondylotische Myelopathie (CSM) ist eine Pathologie des Rückenmarks, die in einer fortschreitenden Kompression des zervikalen Rückenmarks gipfelt. Es ist weltweit eine der häufigsten Ursachen für Rückenmarkspathologien und kann zu erheblichen nachteiligen Auswirkungen auf die Lebensqualität der Patienten führen (Merali et al., 2019). Die derzeitige Goldstandardbehandlung für CSM ist die chirurgische Dekompression, die die Funktion wiederherstellt und die Lebensqualität verbessert; Die chirurgische Dekompression kommt jedoch nicht allen Patienten zugute. Angesichts dieser Dichotomie ist es offensichtlich, dass es entscheidend ist, Patienten, die für eine Operation geeignet sind, korrekt zu identifizieren, um ungeeigneten Patienten unnötige Risiken einer Operation zu ersparen. Wirbelsäulenchirurgen müssen große Mengen an Patientendaten analysieren, einschließlich radiologischer und klinischer Parameter, um Patienten richtig zu stratifizieren. Es bleibt jedoch schwer fassbar, wie jeder Parameter gewichtet werden sollte und ob alle prädiktiven Parameter identifiziert wurden. Darüber hinaus ist es entscheidend, dass die Diagnose von CSM so früh wie möglich gestellt wird, da berichtet wurde, dass die chirurgischen Ergebnisse signifikant verbessert werden, wenn sie in einem frühen Krankheitsstadium diagnostiziert werden, verglichen mit einem späten Stadium. Es wurde berichtet, dass die in früheren Stadien während des Verlaufs von CSM durchgeführten Übungen im Vergleich zu späteren Stadien erfolgreicher waren (Baron & Young, 2007). Radiologische Parameter, die bei der Früherkennung helfen können, wurden identifiziert, einschließlich Diffusions-Tensor-Bildgebung und erhöhter Dichte von T2-gewichteten MRT-Bildern. Diese Parameter haben jedoch nachweislich eine geringe Empfindlichkeit (15-65 %) und wurden mit konventionellen, nicht erzielt -Statistische Deep-Learning-Methoden, bei denen aufgrund inhärenter statistischer Einschränkungen mit hoher Wahrscheinlichkeit wichtige Parameter übersehen wurden. Maschinelles Lernen ist der aktuelle statistische Goldstandard für die Datenmodellierung und -analyse. Es kombiniert Informatik und Statistik, um eine maximale Vorhersagegenauigkeit zu erzielen. In jüngster Zeit wurde maschinelles Lernen zunehmend und erfolgreich in der medizinischen und chirurgischen Forschung eingesetzt, um Krankheits- und Behandlungsergebnisse für verschiedene Erkrankungen vorherzusagen, was konventionellen statistischen Methoden überlegene Ergebnisse liefert. Um fortzufahren, neben radiologischen Zeichen wurden einige klinische Zeichen wie das Hoffman-Zeichen identifiziert, um bei der frühen Diagnose einer zervikalen Myelopathie zu helfen (Denno & Meadows, 1991), jedoch sind die Ergebnisse zu klinischen Prädiktoren spärlich und es bleibt die Frage, wie sie im Vergleich zu radiologischen stehen und biochemische Biomarker und ob es nicht identifizierte klinische Prädiktoren gibt. Meraliet al. verwendeten ein maschinelles Lernmodell, um klinische und biochemische Parameter zu kombinieren, um ein ganzheitliches Vorhersagemodell zu erstellen, aber sie enthielten keine radiologischen Parameter und konzentrierten sich in erster Linie auf das Behandlungsergebnis und nicht auf eine frühe Diagnose. Daher zielt diese Studie darauf ab, die Lücke in der Literatur zu schließen und alle entscheidenden Patientendaten, nämlich radiologische, biochemische und klinische, zu analysieren, um neue und vorhandene Prädiktoren zu erkennen und zu gewichten, die für die frühe Diagnose und das Behandlungsergebnis der zervikalen Myelopathie sowie für die Stratifizierung des Krankheitsverlaufs relevant sind.

   Drei aktuelle Studien haben maschinelles Lernen im Kontext von CSM untersucht. Erstens haben Merali et al. (2019) untersuchten den Einsatz von maschinellem Lernen bei der Vorhersage chirurgischer Ergebnisse bei Patienten mit CSM. Ihr Modell schnitt gut ab, berücksichtigte jedoch keine radiologische Bildgebung, was eine erhebliche Einschränkung dieser Studie darstellt, da die Bildgebung entscheidende Hinweise insbesondere für die Früherkennung von CSM liefert. Darüber hinaus haben die Autoren bei der Erstellung eines Modells für maschinelles Lernen versäumt, ein Tool zu erstellen, das Kliniker verwenden können und das auf dem Modell für maschinelles Lernen basiert. Die zweite Studie, ebenfalls von Merali et al. (2021) wandten maschinelles Lernen auf die radiologische Bildgebung zur Erkennung von CSM-Pathologien an. Das Modell schnitt wieder einigermaßen gut ab, allerdings wurden nur bestätigte CSM-Patienten eingeschlossen, was eine immense Einschränkung darstellt. Es ist entscheidend, CSM-Patienten im Frühstadium einzubeziehen, um zu analysieren, wie das maschinelle Lernmodell im Vergleich zu herkömmlichen Methoden in Bezug auf die Vorhersage abschneidet und ob es zur Früherkennung beitragen kann. Darüber hinaus waren beide Studien retrospektiver Natur, was bedeutet, dass kein Vergleich zwischen maschinellem Lernmodell und herkömmlichen Methoden möglich gewesen wäre. Hopkinset al. (2019) analysierten die Verwendung von maschinellem Lernen bei der Diagnose und nicht bei der Vorhersage von CSM. Eine wichtige Einschränkung dieser Studie besteht jedoch darin, dass er nur radiologische Bildgebung verwendete und klinische und biochemische Parameter vollständig vernachlässigte. Tatsächlich haben Merali et al. (2019) haben biochemische Parameter in ihrer Analyse ebenfalls komplett vernachlässigt. Dies ist möglicherweise eine wichtige unerforschte Variable in der Pathogenese und Diagnose von CSM, die erforscht werden muss. Zusammenfassend lässt sich sagen, dass Studien sich mit maschinellem Lernen befasst haben, um in CSM zu diagnostizieren und Vorhersagen zu treffen, aber sie haben schwerwiegende Einschränkungen, wenn sie nur Fragmente des Diagnosewegs betrachten. Angesichts der Tatsache, dass die Diagnose und Vorhersagen bezüglich des Fortschreitens der CSM-Krankheit und des Behandlungsergebnisses eine Vielzahl genau derselben Variablen aufweisen, ist es logisch und notwendig, sie zusammen und nicht in separaten Studien zu analysieren. Darüber hinaus ist es notwendig, radiologische, aber auch klinische und biochemische Variablen einzubeziehen, um ein nahezu optimales maschinelles Lernmodell zu erreichen, da dies die Werkzeuge sind, auf die ein Kliniker auch Zugriff hätte, um seine Diagnosen und Vorhersagen zu stützen. Daher wird diese Studie radiologisch-klinisch-biochemische Variablen mit maschinellem Lernen im Kontext der Diagnose sowie Vorhersagen zum Krankheitsverlauf und Behandlungsergebnissen untersuchen. Außerdem versäumten es alle Studien, den Einsatz von maschinellem Lernen für die Früherkennung zu untersuchen. Da die frühe Diagnose entscheidend für die Verbesserung des Behandlungsergebnisses ist, ist dies eine große Lücke in der Literatur, die diese Forschungsstudie schließen soll, indem sie sich auf Variablen konzentriert, die die Früherkennung von CSM durch Einbeziehung leichter CSM-Fälle unterstützen. Letztendlich hat keine der Studien eine patientenbasierte QOL-Bewertung verwendet (d. h. JOACMEQ) als Ergebnisvariable, die wichtiger sein könnte als mJOA.

   Zusammenfassend Die Limitationen von Studien zum Thema CSM und Vorhersage des Behandlungsergebnisses bestanden bisher darin, dass sie nur mJOA als Ergebnisvariable verwendeten, anstatt den patientenbasierten JOACMEQ zu verwenden. Dies ist eine enorme Einschränkung, da letztendlich nur der Patient das Ergebnis der Behandlung subjektiv beurteilen und bewerten kann. Zum Thema Früherkennung von CSM gibt es keinerlei Studien, die sich mit diesem Thema auseinandergesetzt haben.

   1.2 BEGRÜNDUNG FÜR DIE AKTUELLE STUDIE

   ZIELE

   Das übergeordnete Ziel dieser Forschungsstudie ist es, zwei prädiktive Modelle für maschinelles Lernen zu erstellen, die auf radiologischen, klinischen und biochemischen Variablen basieren, die es Wirbelsäulenchirurgen ermöglichen, CSM früher und genauer zu diagnostizieren, und es ihnen ermöglichen, Patienten hochgradig individualisiert und genau zu behandeln prädiktive Informationen zu Behandlungsergebnissen.

   HYPOTHESEN

   Es gibt nicht identifizierte Patientenmerkmale, biochemische, radiologische und klinische Parameter, die in Kombination mit bereits bekannten Biomarkern bei der Früherkennung und Behandlungsvorhersage der zervikalen Myelopathie helfen könnten. Diese Muster können mit überwachtem und unüberwachtem maschinellem Lernen sowie multivariater linearer Regression identifiziert und gewichtet werden. Anschließend kann das maschinelle Lernmodell mit verschachtelter Kreuzvalidierung trainiert werden, um eine optimale Passform zu erreichen und gleichzeitig eine Überanpassung zu vermeiden, um die Diagnose einer zervikalen Myelopathie vorherzusagen. Letztendlich kann ein Point-of-Care-Tool entwickelt werden, das Hausärzten und Wirbelsäulenchirurgen helfen kann Früherkennung von zervikaler Myelopathie und Vorhersage des Behandlungsergebnisses von Patienten mit zervikaler Myelopathie. Es wird angenommen, dass die Vorhersagen des maschinellen Lernens bezüglich des Behandlungsergebnisses und des Krankheitsverlaufs wesentlich genauer sind als die derzeitige Vorhersagefähigkeit der Kliniker.

   RISIKEN UND VORTEILE

   Risiken: Mögliche Beschwerden während der Untersuchung. Dies wird gemildert, indem vor der Untersuchung nach Schmerzen gefragt wird und schonende Untersuchungstechniken angewendet werden. Mögliche Unannehmlichkeiten werden gemildert, indem ein für den Patienten günstiger Zeitpunkt gefunden wird.

   Nutzen: Im Falle eines Wiederauftretens ihrer Symptome nach einer Operation können unser maschinelles Lernmodell und unser Algorithmus ihren behandelnden Neurochirurgen helfen, ein Wiederauftreten der zervikalen Myelopathie in einem frühen Stadium zu diagnostizieren und genauer vorherzusagen, ob sie wieder von einer Operation profitieren werden oder ob sie davon profitieren würden vom konservativen Management.

   Patienten erhalten keine Zahlungen, Kostenerstattungen oder andere Vorteile oder Anreize für die Teilnahme an dieser Forschung, keine persönliche Zahlung über das normale Gehalt hinaus oder andere Vorteile oder Anreize, und der leitende Prüfarzt oder ein anderer Prüfarzt/Mitarbeiter hat keine direkte persönliche Beteiligung (z. Finanzen, Aktienbesitz, persönliche Beziehung usw.) in den Organisationen, die die Forschung sponsern oder finanzieren, was zu einem möglichen Interessenkonflikt führen kann.

   Forschungsteilnehmer erhalten keine Zahlungen, Kostenerstattungen oder andere Vorteile oder Anreize für die Teilnahme an dieser Forschung.

2. LERNZIELE

ZIELE

Früherkennung von CSM

1. Identifizierung früher klinischer Prädiktoren für die Diagnose einer zervikalen Myelopathie auf der Grundlage individueller, von Patienten berichteter Symptome durch Verwendung eines retrospektiven Fragebogens und möglicherweise einer retrospektiven Analyse biochemischer, radiologischer und klinischer Daten mittels Mustererkennung mit maschinellem Lernen oder alternativ multivariater linearer Regression.
2. Um die Ergebnisse des maschinellen Lernmodells oder der multivariaten Regressionsanalyse in ein Bewertungssystem oder ein maschinelles Lernwerkzeug umzuwandeln, das klinisch verwendet werden kann, um Patienten in Gruppen mit unwahrscheinlicher, mäßiger oder hoher Wahrscheinlichkeit von CSM zu bewerten, um die frühe klinische Diagnose und Prävention zu unterstützen unnötiger Einsatz von Bildverarbeitung.

Vorhersage des Behandlungsergebnisses von CSM

1. Eine Kohorte von CSM-Patienten prospektiv zu verfolgen, indem so viele relevante klinische, biochemische und radiologische unabhängige Variablen wie möglich erhoben werden, sowie zuvor der JOACMEQ-Fragebogen und mJOA als Ergebnisvariablen verwendet wurden. Das Verhältnis von unabhängigen und Ergebnisvariablen wird mit konventionellen Methoden und maschinellem Lernen analysiert.
2. Erstellen und Trainieren eines maschinellen Lernmodells zur genauen Vorhersage des Behandlungsergebnisses bei diagnostizierten Patienten.
3. Verwendung des maschinellen Lernmodells als Grundlage für die Entwicklung eines Bewertungsinstruments oder eines Point-of-Care-Algorithmus, der klinisch verwendet werden kann, um Patienten als unwahrscheinlich, mäßig wahrscheinlich oder hochwahrscheinlich CSM-Chirurgie-Responder zu bewerten, um eine angemessene Behandlung von CSM zu unterstützen Patienten.

3. STUDIENDESIGN

Studientyp: Nicht-randomisierte prospektive und retrospektive Kohortenstudie Dauer: Prospektiv: Beobachtungen vor der Behandlung, Nachbehandlung nach 3 Monaten und 6 Monaten (mindestens 18 Monate).

Retrospektive: Mindestens letzte 2 Jahre. Patientenzahl: Etwa 300 (100 prospektive, 200 retrospektive Patienten).

Diese Stichprobe wurde basierend auf Schätzungen von Patienten mit zervikaler Myelopathie des Imperial College NHS Healthcare Trust in der Vergangenheit für prospektive Studien bestimmt. 100 Patienten mit zervikaler Myelopathie, die in den folgenden mindestens 18 Monaten im prospektiven Arm am Imperial College NHS Healthcare Trust behandelt wurden, sowie 100 Patienten, die in den letzten 2 Jahren mindestens in ICHT behandelt wurden, und 100 Patienten mit negativer Diagnose von einem einzigen Community MSK-Team aus Hounslow und Richmond Community Healthcare NHS Trust, der sich im Einzugsgebiet des Imperial College Healthcare NHS Trust Neurosurgery befindet. Angesichts des maschinellen Lernansatzes scheint diese Stichprobengröße zu klein zu sein, um die Genauigkeit beizubehalten (wie hier ausführlich erklärt: https://www.fharrell.com/post/ml-sample-size/ ), es wurden jedoch geeignete Maßnahmen ergriffen, um eine hohe Genauigkeit zu gewährleisten und gleichzeitig eine Überanpassung zu vermeiden. Für das maschinelle Lernen hat sich gezeigt, dass die verschachtelte Kreuzvalidierung (NCV) nicht durch Verzerrungen aufgrund kleiner Stichprobengrößen beeinflusst wird, sondern tatsächlich nicht linear positiv oder negativ auf Änderungen der Stichprobengröße reagiert und sehr genau und robust bleibt (Vabalas et al ., 2019). Daher werden wir NCV verwenden. Zusätzlich wird die Stichprobengröße von n=100 bzw. n=200 durch die hohe Anzahl an charakteristischen Merkmalen weiter gestärkt (250+ für die prospektive Studie, 10-50 für die [je nach CMSK-Datensauberkeit] siehe beide Fragebögen) , was einen signifikant positiven Einfluss auf die Modellgenauigkeit hat (Vabalas et al. 2019) Datenmetriken: Informationen, die durch klinische Untersuchung und Fragebögen gesammelt wurden, die retrospektiv telefonisch, vor der Operation und 3 und 6 Monate nach der Operation durchgeführt wurden. Der beigefügte Fragebogen „Fragebogen zum Behandlungsergebnis bei zervikaler Myelopathie“ erfasst Informationen zu Komorbiditäten und Symptomen. Die Untersuchung wird neben einer fokussierten kardiovaskulären Untersuchung eine gründliche neurologische Untersuchung sein. Biochemische Blutmarker aus bestehenden Blutmarkern oder aus Hausarztunterlagen, die unabhängig von dieser Studie durchgeführt wurden oder durchgeführt worden wären. Im Rahmen der CSM-Diagnostik werden radiologische Befunde aus Routine-MRT und HWS-Röntgenaufnahmen erhoben. Der retrospektive Fragebogen „CSM-Früherkennungsfragebogen“ enthält alle Fragen, die retrospektiv telefonisch erhoben werden. Darüber hinaus werden die klinischen, biochemischen und radiologischen Daten der lokalen SystemOne-Datenbanken von Patienten aus dem MSK-Team der Gemeinde, denen, bei denen schließlich CM diagnostiziert wurde, und denjenigen, die auf CM untersucht wurden, zur Analyse und zum Vergleich gesammelt.

Modell wird mithilfe des Shiny-Pakets in R in ein webbasiertes Tool zur Vorhersage des Point-of-Care-Behandlungsergebnisses umgewandelt. Daten und alle entsprechenden Unterlagen werden gemäß der Trust-Richtlinie gespeichert, einschließlich des Nachsorgezeitraums.

3.1 STUDIENERGEBNISMESSUNGEN Der mJOA-Score und der JOACMEQ-Score sind die Ergebnismessungen für den prospektiven Arm der Studie. Ein gutes Ansprechen auf die Operation ist eine Verbesserung des mJOA-Scores um 1 Punkt nach 3 und 6 Monaten. Die radiologische Bestätigung der zervikalen Myelopathie ist der Ergebnismaßstab für den retrospektiven Arm.