Die multizentrische CAVA-Schwindelstudie (CAVA 2)

Hierbei handelt es sich um eine multizentrische diagnostische Genauigkeitsstudie mit einem Rekrutierungsziel von 255 erwachsenen Teilnehmern. Die Rekrutierung erfolgt über einen Zeitraum von zwei Jahren an zehn Standorten im Vereinigten Königreich. Um teilnahmeberechtigt zu sein, müssen die Teilnehmer eine bestehende Diagnose von Morbus Ménière, vestibulärer Migräne oder BPPV haben. Für die Studie werden 85 Teilnehmer mit jeder Erkrankung rekrutiert. Die Diagnose jedes Patienten bildet den „Referenzstandard“, der später mit einer automatisierten Computerdiagnose verglichen wird.

Jeder Teilnehmer trägt das CAVA-Gerät dreißig Tage lang nahezu ununterbrochen. Das Gerät zeichnet während dieser Zeit alle Augen- und Kopfbewegungen auf, auch während etwaiger Schwindelanfälle. Wenn bei einem Patienten eine Schwindelepisode auftritt, wird er gebeten, einen Ereignismarker auf dem CAVA-Gerät zu aktivieren und den Beginn und die Dauer des Anfalls in einem Tagebuch schriftlich festzuhalten. Obwohl diese manuelle Protokollierung nicht für die Algorithmusentwicklung herangezogen wird, werden die gesamten 30 Tage an Daten verwendet, um Phasen von Augenbewegungen zu erkennen, die mit Schwindelgefühlen einhergehen.

Die Forscher werden Computeralgorithmen entwickeln, die die von den CAVA-Geräten erfassten Daten verwenden, um zwischen drei Zielbedingungen zu unterscheiden. Diese Algorithmen werden auf den Algorithmen aufbauen, die während der aktuellen MRC-Förderung entwickelt wurden und hervorragende Ergebnisse erbracht haben.10,11,17. Die Algorithmen nutzen Deep Learning Neural Networks (DNNs) in einem sogenannten „End-to-End“-Ansatz. Bei diesem Ansatz verwendet ein mehrschichtiges Netzwerk „rohe“ Zeitbereichsdaten als Eingabe und gibt eine Klassifizierungsentscheidung aus, ohne explizite Zwischendarstellungen des Signals zu verwenden (wie Signalentropie, Leistung, Schiefe, Kurtosis usw.). Es hat sich gezeigt, dass End-to-End-Ansätze, die typischerweise abwechselnde Sequenzen von Faltungs- und Pooling-Schichten, vollständig verbundene Schichten, Auto-Encoder und LSTM-Schichten (Long Short-Term Memory) verwenden, traditionelle Ansätze in Fällen übertreffen, in denen große Trainingsmengen erforderlich sind Daten vorhanden sind. Allerdings geben sie wenig Aufschluss darüber, wie sie funktionieren (d. h. welche Merkmale des Signals für die Klassifizierung wichtig sind). Es wird daher auch darüber nachgedacht, Methoden zu entwickeln, in denen Zwischendarstellungen generiert werden, und diese Eingabemerkmale dann zum Testen einer Reihe von Klassifikatoren zu verwenden (z. B. Boosted Trees, Random Forests, logistische Regression, Support Vector Machines usw.).

Die Leistung der Algorithmen wird mithilfe der Technik der „Leave-One-Out-Kreuzvalidierung“ bewertet, die die übliche Methode zur Bewertung von Klassifikatoren darstellt.22 Bei dieser Technik werden die Daten eines einzelnen Patienten beiseite gelegt und die verbleibenden Daten der anderen Patienten zum „Training“ des Klassifikators verwendet. Als „Klassifikator“ wird ein Algorithmus bezeichnet, der darauf trainiert ist, die drei Bedingungen zu unterscheiden. Der Klassifikator wird dann anhand der beiseite gelegten Daten getestet: Der Testprozess besteht aus dem Vergleich der vorhergesagten Diagnose des Klassifikators („Ménière-Krankheit“, „vestibuläre Migräne“ oder „BPPV“) mit der wahren Diagnose (der Referenzstandardbezeichnung). Dieser Vorgang wird wiederholt, wobei jedes Mal die Daten eines anderen Patienten entfernt werden und eine automatisierte Diagnose für alle 255 Patienten erstellt wird. Dies ist zwar rechenintensiv, stellt aber sicher, dass der Klassifikator während des Trainings die Daten des getesteten Patienten nicht „gesehen“ hat, was seine Entscheidung beeinflussen würde. Es entspricht auch sehr gut dem realen Szenario, in dem ein neuer Patient sich bei seinem Arzt vorstellt und eine Diagnose auf der Grundlage seiner Erfahrungen mit anderen Patienten gestellt wird.

Die Studie wird die Sensitivität und Spezifität für die Diagnose jeder der drei Zielbedingungen und Receiver Operator Curves (ROCs) darstellen und zeigen, wie sich die Diagnosegenauigkeit für verschiedene Klassifizierungsschwellen ändert.

Die Zielbedingungen haben unterschiedliche Inzidenzen. Um dieses Ungleichgewicht in den statistischen Berechnungen dieser Studie widerzuspiegeln, wären viele tausend Patienten mit den häufigsten dieser Erkrankungen erforderlich. Man geht davon aus, dass dies wirtschaftlich nicht tragbar wäre und keinen Mehrwert für die Studie darstellen würde. Die erhaltenen Ergebnisse werden ausreichend belastbar sein, um die Wirksamkeit des Systems und die erwartete Erkennungsrate für jede Krankheit zu belegen.

Ein Gesundheitsökonom (HE) wird die potenziellen Ressourcen, finanziellen Einsparungen und Patientenvorteile eines Diagnosepfads unter Einbeziehung von CAVA im Vergleich zu bestehenden Pfaden bewerten. Das Studiendesign stellt sicher, dass eine entsprechende Datenerhebung zur wirtschaftlichen Bewertung in die Studie eingebettet ist. Mithilfe retrospektiver Patientendaten (z. B. Anamnese, Anzahl der Tests und Krankenhausbesuche) wird ein frühes Kosteneffektivitätsmodell entwickelt. Das Modell wird die potenziellen Einsparungen und Vorteile der Vorhersagealgorithmen von CAVA bei verschiedenen hypothetischen Schwellenwerten der diagnostischen Genauigkeit im Vergleich zu einem Standarddiagnosepfad aufzeigen. Ein kontrafaktischer Diagnoseweg mit dem CAVA-Gerät wird derzeit im Vergleich zum Standard der üblichen Pflege entwickelt, um den wahrscheinlichsten potenziellen wirtschaftlichen Nutzen zu ermitteln.

Ein Kommerzialisierungsberater überwacht ein Portfolio an Arbeiten zur Unterstützung der Kommerzialisierung des CAVA-Systems. Sie werden einen Marktzugangsplan erstellen, der den Weg von CAVA zur Kommerzialisierung detailliert beschreibt und die Platzierung von CAVA in bestehenden NHS-Pfaden sowie die Art und Weise seiner Umsetzung bestätigen. Die Ermittler werden auf der vorherigen Fokusgruppenarbeit mit einer Stakeholder-Veranstaltung aufbauen, an der Fachleute, Patienten und IT-Stakeholder von NHS-Organisationen teilnehmen. Die Ermittler werden die für die Interessengruppen wichtigen Probleme im Hinblick auf die Durchführbarkeit einer Adoption innerhalb des NHS identifizieren und Unterstützung für die Adoption ermitteln. Es wird eine PPI-Veranstaltung veranstaltet, um die vorläufigen Ergebnisse der Studie zu überprüfen, und eine öffentliche Verbreitungsveranstaltung, um die Ergebnisse mit der Öffentlichkeit zu teilen. Während des gesamten Projekts werden potenzielle Lizenzen vergeben.