El ensayo de mareo multicéntrico CAVA (CAVA 2)

Este es un estudio multicéntrico de precisión diagnóstica con un objetivo de reclutamiento de 255 participantes adultos. El reclutamiento se llevará a cabo en diez sitios en el Reino Unido, durante dos años. Para ser elegible, los participantes deben tener un diagnóstico existente de enfermedad de Ménière, migraña vestibular o VPPB. El estudio reclutará a ochenta y cinco participantes con cada condición. El diagnóstico de cada paciente formará el "estándar de referencia" que luego se comparará con un diagnóstico computarizado automatizado.

Cada participante usará el dispositivo CAVA casi continuamente durante treinta días. El dispositivo registrará todos los movimientos de los ojos y la cabeza durante este tiempo, incluso durante cualquier episodio de vértigo. Cuando un paciente experimente un episodio de vértigo, se le pedirá que active un marcador de evento en el dispositivo CAVA y mantenga un registro escrito del inicio y la duración del ataque en un diario. Aunque no se confiará en este registro manual para el desarrollo de algoritmos, los 30 días completos de datos se utilizarán para detectar períodos de movimiento ocular asociados con mareos.

Los investigadores desarrollarán algoritmos informáticos que utilicen los datos capturados por los dispositivos CAVA para diferenciar entre tres condiciones objetivo. Estos algoritmos se basarán en los algoritmos que se han desarrollado durante la subvención actual de MRC que han producido excelentes resultados.10,11,17. Los algoritmos utilizan redes neuronales de aprendizaje profundo (DNN) en un enfoque llamado "extremo a extremo". En este enfoque, una red multicapa toma como entrada datos de dominio de tiempo 'sin procesar' y emite una decisión de clasificación sin utilizar ninguna representación intermedia explícita de la señal (como entropía de señal, potencia, asimetría, curtosis, etc.). Se ha demostrado que los enfoques de extremo a extremo, que suelen utilizar secuencias alternas de capas de convolución y agrupación, capas totalmente conectadas, codificadores automáticos y capas de memoria a corto plazo (LSTM), superan a los enfoques tradicionales en casos en los que se requieren grandes cantidades de capacitación. los datos están disponibles. Sin embargo, brindan poca información sobre cómo funcionan (es decir, qué características de la señal son importantes para la clasificación). Por lo tanto, también se considerará desarrollar métodos en los que se generen representaciones intermedias y luego usar estas características de entrada para probar una variedad de clasificadores (por ejemplo, árboles potenciados, bosques aleatorios, regresión logística, máquinas de vectores de soporte, etc.).

El rendimiento de los algoritmos se evaluará utilizando la técnica de 'validación cruzada dejando uno fuera', que es la forma habitual de evaluar clasificadores.22 En esta técnica, los datos de un solo paciente se reservan y los datos restantes de los otros pacientes se utilizan para "entrenar" al clasificador. Se hará referencia a un algoritmo que está entrenado para distinguir las tres condiciones como un "clasificador". Luego, el clasificador se prueba con los datos reservados: el proceso de prueba consiste en comparar el diagnóstico predicho del clasificador ('enfermedad de Ménière', 'migraña vestibular' o 'VPPB') con el diagnóstico verdadero (la etiqueta estándar de referencia). Este proceso se repite, eliminando los datos de un paciente diferente cada vez, produciendo un diagnóstico automatizado para los 255 pacientes. Aunque computacionalmente costoso, esto asegura que el clasificador no haya 'visto' durante el entrenamiento los datos del paciente que prueba, lo que sesgaría su decisión. También coincide estrechamente con el escenario del mundo real de un nuevo paciente que se presenta a su médico y se proporciona un diagnóstico sobre la base de su experiencia con otros pacientes.

El estudio presentará la sensibilidad y la especificidad para diagnosticar cada una de las tres condiciones objetivo y las curvas de operador del receptor (ROC), mostrando cómo cambia la precisión del diagnóstico para varios umbrales de clasificación.

Las condiciones objetivo tienen diferentes incidencias. Reflejar este desequilibrio en los cálculos estadísticos de este estudio requeriría muchos miles de pacientes con la más común de estas condiciones. Se cree que esto no sería económicamente viable y no agregaría valor al estudio. Los resultados obtenidos serán lo suficientemente robustos para demostrar la eficacia del sistema y la tasa de detección esperada para cada enfermedad.

Un economista de la salud (HE) evaluará los recursos potenciales, los ahorros financieros y los beneficios para el paciente de una vía de diagnóstico que incorpore CAVA en comparación con las vías existentes. El diseño del estudio garantiza que la recopilación de datos adecuada esté integrada en el estudio para la evaluación económica. Se desarrollará un modelo temprano de costo-efectividad utilizando datos retrospectivos del paciente (p. ej., historial, número de pruebas y visitas al hospital). El modelo revelará los ahorros y beneficios potenciales de los algoritmos predictivos de CAVA en varios umbrales hipotéticos de precisión diagnóstica frente a una vía de diagnóstico estándar. Se desarrollará una vía contrafactual de diagnóstico con el dispositivo CAVA contra el estándar de atención habitual en este momento, para informar los beneficios económicos potenciales más probables.

Un consultor de comercialización supervisará una cartera de trabajo para respaldar la comercialización del sistema CAVA. Producirán un plan de acceso al mercado que detallará la ruta de comercialización de CAVA y confirmarán la ubicación de CAVA dentro de las rutas existentes del NHS y cómo se implementaría. Los investigadores se basarán en el trabajo anterior de grupos focales con un evento de partes interesadas en el que participarán profesionales, pacientes y partes interesadas de TI de las organizaciones del NHS. Los investigadores identificarán los temas importantes para las partes interesadas con respecto a la viabilidad de la adopción dentro del NHS y establecerán el apoyo para la adopción. Se organizará un evento de PPI para revisar los hallazgos provisionales del ensayo y un evento de difusión pública para compartir los hallazgos con el público. A lo largo del proyecto se contratarán las licencias prospectivas.