Diagnóstico y predicción de aprendizaje automático para la mielopatía cervical (MCM)

1. INTRODUCCIÓN

   1.1 ANTECEDENTES

   La mielopatía cervical espondilótica (CSM) es una patología de la médula espinal que culmina en una compresión progresiva de la médula espinal cervical. Es una de las causas más comunes de patología de la médula espinal a nivel mundial y puede tener efectos perjudiciales significativos para la calidad de vida de los pacientes (Merali et al., 2019). El tratamiento estándar de oro actual para CSM es la descompresión quirúrgica, que restaura la función y mejora la calidad de vida; sin embargo, la descompresión quirúrgica no beneficia a todos los pacientes. Dada esta dicotomía, es evidente que es fundamental identificar correctamente a los pacientes aptos para la cirugía, para evitar a los pacientes no aptos los riesgos innecesarios de la cirugía. Los cirujanos de columna deben analizar grandes cantidades de datos de pacientes, incluidos parámetros clínicos y radiológicos, para estratificar correctamente a los pacientes. Sin embargo, sigue siendo elusivo cómo se debe ponderar cada parámetro y si se han identificado todos los parámetros predictivos. Además, es fundamental que el diagnóstico de CSM se realice lo antes posible, ya que se ha informado que los resultados quirúrgicos mejoran significativamente si se diagnostica en una etapa temprana de la enfermedad en comparación con una etapa tardía. Se informó que realizado en etapas anteriores durante el curso de CSM tuvo más éxito en comparación con la etapa posterior (Baron & Young, 2007). Se han identificado parámetros radiológicos que pueden ayudar en la detección temprana, incluidas las imágenes de tensor de difusión y el aumento de la densidad de las imágenes ponderadas en T2 de resonancia magnética; -métodos estadísticos de aprendizaje profundo, que es muy probable que hayan pasado por alto parámetros destacados debido a limitaciones estadísticas inherentes. El aprendizaje automático es el estándar de oro estadístico actual para el modelado y análisis de datos. Combina la informática y las estadísticas para producir la máxima precisión predictiva. Recientemente, el aprendizaje automático se ha aplicado cada vez más y con éxito a la investigación médica y quirúrgica para predecir los resultados de enfermedades y tratamientos para diversas afecciones, lo que arroja resultados superiores a los métodos estadísticos convencionales. Para continuar, además de los signos radiológicos, se han identificado algunos signos clínicos como el signo de Hoffman para ayudar en el diagnóstico temprano de la mielopatía cervical (Denno & Meadows, 1991), sin embargo, los hallazgos sobre los predictores clínicos son escasos y la pregunta sigue siendo cómo se comparan con los radiológicos. y biomarcadores bioquímicos y si existen predictores clínicos no identificados. Merali et al. utilizaron un modelo de aprendizaje automático para combinar parámetros clínicos y bioquímicos para crear un modelo predictivo holístico, pero no incluyeron parámetros radiológicos, además de centrarse principalmente en el resultado del tratamiento en lugar del diagnóstico temprano. Por lo tanto, este estudio tiene como objetivo llenar el vacío en la literatura y analizar todos los datos fundamentales de los pacientes, a saber, radiológicos, bioquímicos y clínicos, para detectar nuevos y sopesar los predictores existentes relevantes para el diagnóstico temprano de la mielopatía cervical y el resultado del tratamiento, así como la estratificación del progreso de la enfermedad.

   Tres estudios recientes han analizado el aprendizaje automático en el contexto de CSM. En primer lugar, Merali et al. (2019) investigaron el uso del aprendizaje automático para predecir los resultados quirúrgicos en pacientes con CSM. Su modelo funcionó bien, sin embargo, no consideró ninguna imagen radiológica, lo cual es una limitación significativa para este estudio, ya que las imágenes brindan pistas fundamentales, particularmente para el diagnóstico temprano de CSM. Además, mientras creaban un modelo de aprendizaje automático, los autores no lograron crear una herramienta para que la usaran los médicos que se basa en el modelo de aprendizaje automático. El segundo estudio, también de Merali et al. (2021) aplicaron el aprendizaje automático a las imágenes radiológicas para la detección de la patología CSM. Nuevamente, el modelo funcionó razonablemente bien; sin embargo, solo se incluyeron pacientes con MCE confirmados, lo cual es una gran limitación. Es fundamental incluir pacientes de CSM en etapa temprana para analizar cómo funciona el modelo de aprendizaje automático en comparación con los métodos convencionales en términos de predicción y si puede ayudar en la detección temprana. Además, ambos estudios fueron de naturaleza retrospectiva, lo que significa que no habría sido posible ninguna comparación entre el modelo de aprendizaje automático y los métodos convencionales. Hopkins et al. (2019) analizaron el uso del aprendizaje automático en el diagnóstico, en lugar de la predicción, de CSM. Sin embargo, una limitación importante de este estudio es que solo utilizó imágenes radiológicas, descuidando por completo los parámetros clínicos y bioquímicos. De hecho, Merali et al. (2019) también ignoraron por completo los parámetros bioquímicos en su análisis. Potencialmente, esta es una importante variable inexplorada en la patogenia y el diagnóstico de la CSM que debe explorarse. Para concluir, los estudios han analizado el aprendizaje automático para diagnosticar y hacer predicciones en CSM, sin embargo, tienen limitaciones severas que solo observan fragmentos de la vía de diagnóstico. Con ese fin, dado que el diagnóstico y las predicciones con respecto a la progresión de la enfermedad de CSM y el resultado del tratamiento comparten una multitud de variables exactamente iguales, es lógico y necesario analizarlos juntos, en lugar de en estudios separados. Además, es necesario incluir variables radiológicas, pero también clínicas y bioquímicas para lograr un modelo de aprendizaje automático casi óptimo, ya que estas son las herramientas a las que un médico también tendría acceso para basar sus diagnósticos y predicciones. Por lo tanto, este estudio examinará las variables radiológicas, clínicas y bioquímicas con el aprendizaje automático en el contexto del diagnóstico, así como las predicciones sobre la progresión de la enfermedad y los resultados del tratamiento. Luego, todos los estudios fallaron en examinar el uso del aprendizaje automático para el diagnóstico temprano. Dado que el diagnóstico temprano es fundamental para mejorar el resultado del tratamiento, este es un gran vacío en la literatura, que este estudio de investigación pretende llenar, centrándose en las variables que ayudan a la detección temprana de CSM a través de la inclusión de casos leves de CSM. En última instancia, ninguno de los estudios ha utilizado la evaluación de la calidad de vida basada en el paciente (es decir, JOACMEQ) como variable de resultado que podría ser más importante que mJOA.

   En resumen Las limitaciones de los estudios sobre el tema de CSM y la predicción del resultado del tratamiento hasta ahora han sido que solo usaron mJOA como variable de resultado, en lugar de usar el JOACMEQ basado en el paciente. Esta es una gran limitación, ya que, en última instancia, solo el paciente puede evaluar subjetivamente y evaluar el resultado del tratamiento. En cuanto al tema del diagnóstico precoz de la MCE, no existen estudios que hayan explorado este tema en absoluto.

   1.2 FUNDAMENTO DEL ESTUDIO ACTUAL

   OBJETIVOS

   El objetivo general de este estudio de investigación es crear dos modelos predictivos de aprendizaje automático que se basen en variables radiológicas, clínicas y bioquímicas, lo que permite a los cirujanos de columna diagnosticar CSM antes y con mayor precisión, además de permitirles brindar a los pacientes diagnósticos altamente individualizados y precisos. información predictiva sobre los resultados del tratamiento.

   HIPÓTESIS

   Existen características del paciente, parámetros bioquímicos, radiológicos y clínicos no identificados que podrían ayudar en el diagnóstico temprano y la predicción del tratamiento de la mielopatía cervical cuando se combinan con biomarcadores ya conocidos. Estos patrones se pueden identificar y ponderar con aprendizaje automático supervisado y no supervisado, así como con regresión lineal multivariada. Posteriormente, el modelo de aprendizaje automático se puede entrenar con validación cruzada anidada para lograr un ajuste óptimo, evitando el sobreajuste, para predecir el diagnóstico de mielopatía cervical. En última instancia, se puede desarrollar una herramienta de punto de atención para médicos de cabecera y cirujanos de columna para ayudar detección temprana de mielopatía cervical y predicción del resultado del tratamiento de pacientes con mielopatía cervical. Se supone que las predicciones de aprendizaje automático con respecto al resultado del tratamiento y la progresión de la enfermedad son significativamente más precisas que la capacidad predictiva actual de los médicos.

   RIESGOS Y BENEFICIOS

   Riesgos: Molestias potenciales durante el examen. Esto se mitigará preguntando por el dolor antes del examen y utilizando técnicas de examen suaves. Los posibles inconvenientes se mitigarán encontrando un momento que sea conveniente para el paciente.

   Beneficio: en caso de recurrencia de sus síntomas después de la cirugía, nuestro modelo y algoritmo de aprendizaje automático pueden ayudar a los neurocirujanos tratantes a diagnosticar la recurrencia de la mielopatía cervical en una etapa temprana y predecir con mayor precisión si se beneficiarán de la cirugía nuevamente o si se beneficiarían. de la gestión conservadora en su lugar.

   Los pacientes no recibirán ningún pago, reembolso de gastos ni ningún otro beneficio o incentivo por participar en esta investigación, ni ningún pago personal por encima del salario normal, ni ningún otro beneficio o incentivo, y el Investigador Jefe o cualquier otro investigador/colaborador no tiene ninguna participación personal directa (p. financieros, accionariales, relaciones personales, etc.) en las organizaciones que patrocinan o financian la investigación que puedan dar lugar a un posible conflicto de interés.

   Los participantes de la investigación no recibirán ningún pago, reembolso de gastos ni ningún otro beneficio o incentivo por participar en esta investigación.

2. OBJETIVOS DEL ESTUDIO

OBJETIVOS

Diagnóstico precoz de CSM

1. Identificar predictores clínicos tempranos del diagnóstico de mielopatía cervical en función de los síntomas informados por pacientes individuales mediante el uso de un cuestionario retrospectivo y, posiblemente, un análisis retrospectivo de datos bioquímicos, radiológicos y clínicos mediante la detección de patrones con aprendizaje automático o, alternativamente, regresión lineal multivariada.
2. Convertir los hallazgos del modelo de aprendizaje automático o el análisis de regresión multivariante en un sistema de puntuación o una herramienta de aprendizaje automático que se puede usar clínicamente para calificar a los pacientes en grupos de CSM con probabilidad baja, probabilidad moderada o alta para ayudar al diagnóstico clínico temprano y prevenir uso innecesario de imágenes.

Predicción del resultado del tratamiento de CSM

1. Realizar un seguimiento prospectivo de una cohorte de pacientes con CSM recopilando tantas variables independientes clínicas, bioquímicas y radiológicas relevantes como sea posible, además de utilizar el cuestionario JOACMEQ y mJOA antes, como variables de resultado. La relación de las variables independientes y de resultado se analizará mediante métodos convencionales y aprendizaje automático.
2. Construir y entrenar un modelo de aprendizaje automático para predecir con precisión el resultado del tratamiento en pacientes diagnosticados.
3. Usar el modelo de aprendizaje automático como base para diseñar una herramienta de puntuación o un algoritmo de punto de atención que se pueda usar clínicamente para calificar a los pacientes en pacientes con poca probabilidad, probabilidad moderada o alta de ser respondedores de cirugía de CSM para ayudar al manejo adecuado de CSM pacientes

3. DISEÑO DEL ESTUDIO

Tipo de estudio: Estudio de cohortes prospectivo y retrospectivo no aleatorizado Duración: Prospectivo: Observaciones antes del tratamiento, después del tratamiento a los 3 meses y 6 meses (mínimo 18 meses).

Retrospectivo: Mínimo últimos 2 años. Número de pacientes: aproximadamente 300 (100 prospectivos, 200 retrospectivos).

Esta muestra se determinó sobre la base de estimaciones de pacientes con mielopatía cervical en el Imperial College NHS Healthcare Trust en el pasado para un estudio prospectivo. 100 pacientes con mielopatía cervical tratados en Imperial College NHS Healthcare Trust en los siguientes 18 meses como mínimo para el brazo prospectivo, así como 100 pacientes tratados en los últimos 2 años como mínimo en ICHT, y 100 pacientes con diagnóstico negativo de un solo equipo de Community MSK de Hounslow y Richmond Community Healthcare NHS Trust, que se encuentra en el área de captación de Imperial College Healthcare NHS Trust Neurosurgery. Dado el enfoque de aprendizaje automático, este tamaño de muestra puede parecer demasiado pequeño para mantener la precisión (como se explica detalladamente aquí: https://www.fharrell.com/post/ml-sample-size/ ), sin embargo, se han tomado las medidas adecuadas para garantizar una alta precisión y evitar el sobreajuste. Para el aprendizaje automático, se ha demostrado que la validación cruzada anidada (NCV) no se ve afectada por el sesgo debido a los tamaños de muestra pequeños, de hecho, no responde de manera lineal positiva o negativa a los cambios en el tamaño de la muestra, manteniéndose muy precisa y robusta (Vabalas et al. ., 2019). Por lo tanto, utilizaremos NCV. Además, el tamaño de la muestra de n = 100 y n = 200 respectivamente, se ve reforzado por la gran cantidad de rasgos característicos (250+ para el estudio prospectivo, 10-50 para el [dependiendo de la limpieza de los datos de CMSK] ver ambos cuestionarios) , que tiene una influencia significativamente positiva en la precisión del modelo (Vabalas et al. 2019) Métricas de datos: información recopilada a través de exámenes clínicos y cuestionarios realizados retrospectivamente por teléfono, antes de la operación y a los 3 y 6 meses después de la operación. El cuestionario "Cuestionario de resultados del tratamiento de la mielopatía cervical" adjunto registra información relacionada con las comorbilidades y la sintomatología. El examen será un examen neurológico completo además de un examen cardiovascular enfocado. Marcadores sanguíneos bioquímicos de marcadores sanguíneos existentes o de registros de médicos de cabecera, que se han realizado o se habrían realizado independientemente de este ensayo. Los hallazgos radiológicos se tomarán de la resonancia magnética de rutina y las radiografías de la columna cervical realizadas como parte del trabajo de diagnóstico de CSM. El cuestionario retrospectivo "Cuestionario de diagnóstico temprano de CSM" contiene todas las preguntas que se recopilarán retrospectivamente por teléfono. Además, los datos clínicos, bioquímicos y radiológicos de las bases de datos locales de SystemOne se recopilarán para el análisis y la comparación de los pacientes del equipo de MSK de la comunidad, los que finalmente hayan sido diagnosticados con CM y los examinados para la consulta de CM.

El modelo se convertirá en una herramienta de predicción de resultados de tratamiento en el punto de atención basada en la web utilizando el paquete Shiny en R. Los datos y toda la documentación apropiada se almacenarán según la política de Trust, incluido el período de seguimiento.

3.1 MEDIDAS DE RESULTADO DEL ESTUDIO La puntuación mJOA y la puntuación JOACMEQ son las medidas de resultado para el brazo prospectivo del estudio. La buena respuesta a la cirugía es una mejora de 1 punto en la puntuación mJOA a los 3 y 6 meses. La confirmación radiológica de mielopatía cervical es la medida de resultado para el brazo retrospectivo.