Fono- ja elektrokardiogrammi-avusteinen läppäsairauden havaitseminen (PEA-Valve)

Fono- ja elektrokardiogrammiavusteinen läppäsairauden havaitseminen (PEA-läppätutkimus)

Erityiset tavoitteet Tavoite 1: Voiko samanaikaisista fono- ja elektrokardiogrammin tallennuksista johdettu koneoppimisalgoritmi diagnosoida kliinisesti tärkeän aorttastenoosin luotettavasti?

Tavoite 2: Voiko samanaikaisista fono- ja elektrokardiogrammin tallennuksista johdettu koneoppimisalgoritmi diagnosoida kliinisesti tärkeän mitraalisen regurgitaation luotettavasti?

Merkitys Sydänläppäsairaus (VHD) on yleinen maailmanlaajuinen terveysongelma, ja väestöpohjaiset tutkimukset osoittavat, että aorttastenoosin (AS) esiintyvyys on 10 % ja mitraalisen vajaatoiminnan (MR) esiintyvyys 20 %. Uudet kirurgiset ja interventiotoimenpiteet mahdollistavat potilaiden hoidon vanhempana tai joiden interventioriski olisi aiemmin ollut kestämätön. Koska sekä MR:n että AS:n ilmaantuvuus lisääntyy iän myötä, on kasvava tarve tunnistaa nämä sairaudet sairauksia muuttavien hoitojen tarjoamiseksi.

Nykyisessä kliinisessä käytännössä VHD:n diagnoosi perustuu voimakkaasti kaikukardiografiaan. Tämä puolestaan ​​vaatii sekä lähetteen palveluntarjoajalta, jolla on kliininen epäily VHD:stä, tyypillisesti kuuntelun poikkeavuudesta, että pääsyä itse kaikukuvaukseen. MR ja AS johtavat molemmat luotettavasti toistettavissa oleviin auskultatiivisiin löydöksiin: holosystolisiin ja systolisiin crescendo-decrescendo sivuääniin, vastaavasti. Tästä huolimatta auskultaatio diagnostisena työkaluna on tunnetusti huono: sen tarkkuus MR:n ja AS:n havaitsemiseksi on vain 5-40 %. Kaikki nämä tekijät aiheuttavat huolta näiden yhä paremmin hoidettavissa olevien sairauksien alidiagnoosista.

Tässä tutkijat käsittelevät tarpeita sekä paremman saatavuuden että VHD-testauksen diagnostisen tarkkuuden parantamiseksi. Tutkijat hyödyntävät yhdistelmää fonokardiogrammia (PCG) ja yksikytkentäisiä EKG-tallenteita, jotka synkronoidaan reaaliajassa turvalliselle pilvipohjaiselle palvelimelle käyttämällä Eko Duo elektronista stetoskooppia. Näiden tietojen avulla tutkijat kehittävät ja validoivat koneoppimisalgoritmin kliinisesti tärkeän AS:n tai MR:n diagnosoimiseksi. Koska Eko Duo on pohjimmiltaan samanlainen kuin perinteinen stetoskooppi, ikoninen työkalu, jonka potilaat ja palveluntarjoajat hyväksyvät laajalti, sen käyttö automatisoidun tunnistusalgoritmin ohjaamiseen on sekä mahdollista että houkuttelevaa perinteisen auskultoinnin korvikkeena. Lisäksi siirtämällä testin tulkinnan taakkaa kliinikolta ja algoritmin päälle, tutkijat olettavat, että tämä parantaa yleistä diagnostista tarkkuutta.

Menetelmät Suunnittelun yleiskatsaus: Poikkileikkaustutkimus kaikista potilaista, joille tehdään kliiniset kaikukuvaukset UCSF:n aikuisten kaikukardiografialaboratoriossa

Tutkimuskohteet Yleiskatsaus: Tutkijat rekisteröivät aikuisia koehenkilöitä, joille tehdään kliiniset kaikukuvaukset UCSF Parnassus -kampuksella. Nämä aiheet ryhmitellään johtamis- ja validointikohortteihin peräkkäin tapauksen tilan mukaan ositettuina, jotta saavutetaan odotettu otoskoko. Tällainen ryhmittely tapahtuu oppiaineen ilmoittautumisen ja tiedonkeruun jälkeen.

Kohdepopulaatio: Aikuiset, joilla on joko keskivaikea tai vaikea tai vaikea MR (tapaukset) ja aikuiset, joilla on rakenteellisesti normaali sydän ja minimaalinen VHD (kontrollit). Tiukemmassa rinnakkaisanalyysissä kontrollien kohdejoukoksi määritellään mikä tahansa AS- tai MR-aste, joka on pienempi kuin keskivaikea tai vaikea.

Esteetön väestö: Osallistumisedellytykset täyttävät aikuiset, joille tehdään kliiniset kaikukuvaukset UCSF:n kaikukardiografialaboratoriossa.

Näytteenottokaavio: Tutkijat lähestyvät UCSF Parnassuksen aikuisten kaikututkimuslaboratoriossa esiintyviä koehenkilöitä peräkkäin. Lisäksi tutkijat esiseulovat koehenkilöille AS:n tai MR:n suuren todennäköisyyden (tutkimuksen indikaatioiden ja APEX-potilastiedotteen aiempien diagnoosien perusteella) ja kohdistavat valikoivasti heidän ilmoittautumisensa tilanteissa, joissa tutkimuskoordinaattorin ilmoittautumiskapasiteetti on täynnä. .

Rekrytointistrategia: Tutkimuksen esitteleminen sydämen kaikututkimukseen ilmoittautumisen yhteydessä esitteen tai esitteen avulla, minkä jälkeen mahdollisten koehenkilöiden henkilökohtainen lähestyminen kliinistä kaikututkimusta odotellessa.

Säilytysstrategia: Ei mitään. Tutkijat säilyttävät potilaskertomusnumeroiden perustiedoston yhteystietojen tunnistamiseksi tulevaisuudessa, jos katsotaan tarpeelliseksi.

Mittausten yleiskatsaus: Tutkimus keskittyy kahteen mittaukseen: 1) VHD:n kultastandardiarviointi kaikukardiografialla, kuten UCSF:n kaikukardiografialaboratorio on raportoinut. 2) 30 sekunnin samanaikainen PCG- ja yksikytkentäinen EKG-tallennus Eko Duo -laitteella jokaisessa neljässä sydämen auskultatiivisessa vakioasennossa, valinnaisilla lisätallennuksilla Eko Core -laitteella. Tutkimuksessa hyödynnetään sitä tosiasiaa, että kaikki kliiniset kaikututkimusraportit sisältävät nämä läppäarvioinnit.

Kultastandardi: Kardiologiayhteisö hyväksyy kaikukuvauksen kultaisena standardina VHD:n vakavuuden diagnosoinnissa. Minimoidakseen tutkijoiden taakkaa ja alentaakseen kustannuksia tutkijat hyödyntävät sitä, että kaikki kliiniset kaikututkimusraportit sisältävät VHD:n arvioinnit, jotka toimivat kultaisena standardina. Nämä raportit noudattavat American Society for Echocardiography (ASE) -ohjeita, jotka mahdollistavat VHD:n luokittelun seuraavasti: ei mitään, lievä, kohtalainen tai vaikea. UCSF-kaikukardiografialaboratorio sisältää lisäluokkia jälkiluokkia, lieviä tai kohtalaisia, keskivaikeita ja kriittisiä, mikä mahdollistaa tulkinnan, jos tutkimuksen yksittäiset parametrit ovat ristiriidassa. Ensisijainen mittaus on VHD:n vakavuuden lopullinen johtopäätös MR:n tai AS:n osalta hallituksen sertifioidun kardiologin raportoimana. Tutkijat määrittelevät "kliinisesti tärkeän" VHD:n keskivaikeaan tai huonompaan, koska tämä kattaisi kaikki sairauden tasot, jotka saattavat vaatia suoraa puuttumista. Lisäksi tutkijat poimivat koko sydämen kaikututkimuksen raportin sekä kuvia kaikukuvatiedostoista, jotta tiedot voidaan tallentaa myöhempää käyttöä varten, kun uusia tutkimuskysymyksiä ilmaantuu.

Laitteen mittaukset: Samanaikaisen PCG:n ja yhden kytkentäisen EKG:n tallenteet suoritetaan kullekin kohteelle standardoidulla tavalla. Jokaiselle koehenkilölle tehdään 30 sekunnin tallenteet Eko Duo -laitteella neljässä vakiokuunteluasennossa. Tarkkailijat koulutetaan systemaattiseen menetelmään mittausten saamiseksi. Ajan ja potilaan salliessa tutkijat saavat samat tallenteet myös Eko Core -laitteella, joka käyttää samaa ohjelmistoa mutta ei sisällä EKG-tallennusta. Koska laite mahdollistaa PCG:n visualisoinnin tallennuksen aikana, tarkkailija saa reaaliaikaista palautetta laitteen sijainnista maksimoidakseen tallennuksen laadun kussakin paikassa. Tutkijat suunnittelevat tallenteiden säännöllistä tarkistamista varmistaakseen tietojen riittävän laadun. Tutkijat odottavat, että tämä joustavuus ja reaaliaikainen palaute parantaa laitteen käytön yleistettävyyttä todelliseen maailmaan (ts. ei-tutkimuksessa) kliininen tilanne.

Hämmennykset ja harha: Algoritmien johtaminen ja validointi tapahtuu etänä, sen jälkeen, kun kliininen kaikututkimus on suoritettu, ja siten ilman vaikutusta kultastandardin tulokseen. Testiin voivat vaikuttaa muiden systolisia sivuääniä aiheuttavien tilojen esiintyminen (mukaan lukien muu VHD kuin AS tai MR tai synnynnäinen sydänsairaus). Tutkijat sisällyttävät nämä mittaukset kaikukardiografiaraporttiin vertaillakseen testien suorituskykyä niillä, joilla on näitä muita sairauksia ja joilla ei ole niitä.

Tilastolliset kysymykset Nollahypoteesi: Koneoppimisalgoritmi ei voi ennustaa kliinisesti tärkeän AS:n tai MR:n esiintymistä.

Näytteen koon perustelu:

• Algoritmin herkkyys: 90 %
• Algoritmin spesifisyys: 90 %
• Algoritmin [LR(R)] tavoitetodennäköisyyssuhde (+): 9 (johdettu Sn / [1 - Sp])
• Algoritmin [LR(R)] minimitodennäköisyyssuhde (+): 5
• Luottamustaso = 0,95 (alfa = 0,05)
• Luotettavuusväli [LR(R)]: 5,120-15,820
• Näytteen koko = 110 per ryhmä; 330 per kohortti (kontrolli, AS-tapaus, MR-tapaus); 660 yleistä (koulutus- ja validointikohortit)
• Yhteenveto: Jos oletetaan, että koneoppimisalgoritmin herkkyys ja spesifisyys kliinisesti tärkeän AS:n tai MR:n havaitsemiseksi ovat molemmat 0,9, 660:n kokonaisotoskoon ei odoteta alittavan kynnystodennäköisyyssuhdetta 5,0 95 %:n luottamusvälillä kummallakaan. johtamis- tai validointikohortit.
• Kriittisten oletusten perustelut: Tutkijat olettavat, että algoritmi voi tuottaa 90 %:n herkkyyden ja spesifisyyden aorttastenoosin tai mitraalisen regurgitaation havaitsemisessa verrattuna sydämiin, joissa ei ole läppäsairautta, perustuen aikaisempiin julkaistuihin raportteihin, joissa käytetään hermoverkkoja, kun otoskoko on alle 100 tapauksia. Lisäksi tutkijat arvioivat, että vähintään 5 todennäköisyyssuhde olisi välttämätön, jotta testi olisi kliinisesti hyödyllinen. Vaikka tämä arvio toimii hyvin validointijoukolle, johtamisjoukolle tarvittava luku on epäselvä; yllä olevat arviot ovat varovaisia ​​lukuja. Tutkijat odottavat, että algoritmi koulutetaan jokaisen 20 tapauksen rekisteröinnin jälkeen käyttämällä bootstrapping-lähestymistapaa; tämä antaa välitestin ominaisuudet ja auttaa määrittämään johdannaisjoukolle tarvittavan todellisen luvun. Koska tämä on osittain pilottitutkimus, testin todellisen herkkyyden ja spesifisyyden tunnistaminen on sinänsä arvokas tulos.

Analyysilähestymistapa: Tutkijat luovat ROC-käyrät (piirtämällä Sn vs. 1-Sp) validointijoukon algoritmipisteille. Lopulta tutkijat luovat 4 käyrää: kaksi MR:lle ja AS:lle, käyttämällä ensisijaisen (määrittelemällä kontrollit, joilla on korkeintaan lievä VHD) ja toissijaisen (määrittelemällä kontrollit sellaisiksi, joilla ei ole kohtalaista tai vaikeaa tai korkeampaa VHD:tä) luomia algoritmeja. . Lisäksi tutkijat odottavat suorittavansa tutkivia, kuvaavia analyyseja itse algoritmista tunnistamalla kliiniset korrelaatiot AS:n tai MR:n havaitsemisessa eniten painotettujen ominaisuuksien kanssa.

Sekalaista Eettiset näkökohdat: Ei suuria huolenaiheita. Tiedot tallennetaan turvallisesti HIPAA-yhteensopiville alustoille. Tutkimus luokitellaan UCSF:n CHR-kriteerien mukaan minimaaliseksi riskiksi.

Esitestaussuunnitelmat: Ennen opintojen rekrytointia tutkimushenkilökunta kerää tietoja itsestään ja tarjoajista tiedonkeruujärjestelmän testaamiseksi. Aiheiden alustavan rekrytoinnin aikana tutkimushenkilöstö käy läpi prosessin jokaisen päivän jälkeen keskustellakseen tiesulkuista tai huolenaiheista.

Tiedonhallintasuunnitelma: Tutkimuksen tiedot tulevat kahdesta lähteestä. Tutkimushenkilöstö tarkastelee sähköisestä sairauskertomuksesta (APEX) poimitut sydämen kaikututkimusraportit luodakseen päätietokannan sairauden ominaispiirteistä. Päätiedosto, joka yhdistää tutkittavien tunnisteet tunnistettaviin tietoihin, sekä poimitut ja tunnistamattomat sydämen kaikututkimusraportit ja tunnistamattomat raa'at kaikukuvat tallennetaan Kardiologian osaston käyttämälle suojatulle tutkimuspalvelimelle. Tallennetut PCG- ja EKG-tiedot (varsinaiset tutkimusmittaukset) synkronoidaan reaaliajassa turvalliselle, HIPAA-yhteensopivalle, pilvipohjaiselle palvelimelle, jota hallinnoi Eko Devices. Ennalta määrättyinä algoritmikoulutuksen aikoina koneoppimistiimille (koordinoidaan Eko Devices) annetaan avaimet aihetunnisteen määrittämiseen VHD-luokkaan.

Laadunvalvontatoimenpiteet: Tutkimusjohtaja tarkastaa tallennetut tiedot säännöllisesti varmistaakseen tietojen asianmukaisen laadun.

Aikataulu:

Sopimus/logistiikka Aihe Ilmoittautumisalgoritmin Kehitysanalyysin julkaisu Kokonaisaikataulu: 9 kuukautta