Koneoppimisdiagnoosi ja kohdunkaulan myelopatian ennustaminen (MCM)

1. JOHDANTO

   1.1 TAUSTA

   Kohdunkaulan spondyloottinen myelopatia (CSM) on selkäytimen patologia, joka huipentuu kohdunkaulan selkäytimen asteittaiseen puristumiseen. Se on yksi yleisimmistä selkäytimen patologian syistä maailmanlaajuisesti ja voi aiheuttaa merkittäviä haitallisia vaikutuksia potilaiden elämänlaatuun (Merali et al., 2019). Nykyinen CSM:n kultainen standardihoito on kirurginen dekompressio, joka palauttaa toiminnan ja parantaa elämänlaatua; kirurginen dekompressio ei kuitenkaan hyödytä kaikkia potilaita. Tämän kaksijakoisuuden vuoksi on ilmeistä, että on ratkaisevan tärkeää tunnistaa oikein leikkaukseen soveltuvat potilaat, jotta sopimattomat potilaat säästetään tarpeettomilta leikkauksen riskeiltä. Selkäkirurgien on analysoitava valtavia määriä potilastietoja, mukaan lukien radiologiset ja kliiniset parametrit, jotta potilaat voidaan luokitella oikein. On kuitenkin edelleen vaikeaa, miten kukin parametri pitäisi painottaa ja onko kaikki ennustavat parametrit tunnistettu. Lisäksi on ratkaisevan tärkeää, että CSM-diagnoosi tehdään mahdollisimman varhaisessa vaiheessa, koska kirurgisten tulosten on raportoitu parantuneen merkittävästi, jos ne diagnosoidaan varhaisessa vaiheessa verrattuna myöhäiseen vaiheeseen. CSM:n aikaisemmissa vaiheissa suoritetun toiminnan raportoitu olevan menestyneempi verrattuna myöhempään vaiheeseen (Baron & Young, 2007). Radiologisia parametreja, jotka voivat auttaa varhaisessa havaitsemisessa, on tunnistettu, mukaan lukien diffuusiotensorikuvaus ja lisääntynyt MRI T2-painotettujen kuvien tiheys, mutta näillä parametreilla on kuitenkin osoitettu olevan alhainen herkkyys (15-65 %) ja ne on saatu tavanomaisilla, ei- - syväoppivat tilastolliset menetelmät, jotka ovat suurella todennäköisyydellä jättäneet huomiotta tärkeimmät parametrit luontaisten tilastollisten rajoitusten vuoksi. Koneoppiminen on nykyinen tilastollinen kultastandardi tietojen mallintamisessa ja analysoinnissa. Se yhdistää tietojenkäsittelytieteen ja tilastot maksimaalisen ennustetarkkuuden saavuttamiseksi. Viime aikoina koneoppimista on sovellettu yhä useammin ja menestyksekkäästi lääketieteelliseen ja kirurgiseen tutkimukseen sairauksien ja hoidon tulosten ennustamiseksi eri sairauksissa, mikä tuottaa parempia tuloksia kuin perinteiset tilastolliset menetelmät. Jatkossa radiologisten oireiden lisäksi on tunnistettu joitain kliinisiä oireita, kuten Hoffmanin merkki, auttamaan kohdunkaulan myelopatian varhaisessa diagnosoinnissa (Denno & Meadows, 1991), mutta kliinisistä ennustajista saadut löydökset ovat harvat ja kysymys jää siitä, kuinka ne verrataan radiologisiin oireisiin. ja biokemialliset biomarkkerit ja onko olemassa tunnistamattomia kliinisiä ennustajia. Merali et ai. käytti koneoppimismallia yhdistääkseen kliiniset ja biokemialliset parametrit kokonaisvaltaisen ennustusmallin luomiseksi, mutta ne eivät sisältäneet radiologisia parametreja ja keskittyivät ensisijaisesti hoidon lopputulokseen varhaisen diagnoosin sijaan. Tästä syystä tämän tutkimuksen tarkoituksena on täyttää kirjallisuudessa oleva aukko ja analysoida kaikki keskeiset potilastiedot, nimittäin radiologiset, biokemialliset ja kliiniset tiedot, havaita ja punnita olemassa olevia ennustajia, jotka ovat tärkeitä kohdunkaulan myelopatian varhaisen diagnoosin ja hoidon tuloksen sekä taudin etenemisen kerrostumisen kannalta.

   Kolmessa viimeaikaisessa tutkimuksessa on tarkasteltu koneoppimista CSM:n yhteydessä. Ensinnäkin Merali et ai. (2019) tutki koneoppimisen käyttöä CSM-potilaiden kirurgisten tulosten ennustamisessa. Heidän mallinsa toimi hyvin, mutta siinä ei otettu huomioon radiologista kuvantamista, mikä on merkittävä rajoitus tälle tutkimukselle, koska kuvantaminen antaa keskeisiä vihjeitä erityisesti CSM:n varhaiseen diagnosointiin. Lisäksi kirjoittajat eivät luoneet koneoppimismallia luodessaan kliinikoiden käytettäväksi koneoppimismalliin perustuvaa työkalua. Toinen tutkimus, myös Merali et al. (2021) sovelsi koneoppimista radiologiseen kuvantamiseen CSM-patologian havaitsemiseksi. Malli toimi jälleen kohtuullisen hyvin, mutta mukaan otettiin vain varmistetut CSM-potilaat, mikä on valtava rajoitus. On keskeistä ottaa mukaan varhaisen vaiheen CSM-potilaat analysoimaan, kuinka koneoppimismalli toimii ennustettaessa perinteisiin menetelmiin verrattuna ja voiko se auttaa varhaisessa havaitsemisessa. Lisäksi molemmat tutkimukset olivat luonteeltaan retrospektiivisia, joten koneoppimismallin ja perinteisten menetelmien vertailu ei olisi ollut mahdollista. Hopkins et ai. (2019) analysoi koneoppimisen käyttöä CSM:n diagnosoinnissa eikä ennustamisessa. Tämän tutkimuksen tärkeä rajoitus on kuitenkin se, että hän käytti vain radiologista kuvantamista, jättäen kokonaan huomiotta kliiniset ja biokemialliset parametrit. Itse asiassa Merali et ai. (2019) myös laiminlyöivät biokemialliset parametrit analyysissään. Mahdollisesti tämä on tärkeä tutkimaton muuttuja CSM:n patogeneesissä ja diagnoosissa, joka on tutkittava. Lopuksi voidaan todeta, että tutkimuksissa on tarkasteltu koneoppimista CSM:n diagnosoimiseksi ja ennustamiseksi, mutta niillä on vakavia rajoituksia, kun tarkastellaan vain osia diagnostisesta reitistä. Tätä varten on loogista ja välttämätöntä analysoida niitä yhdessä eikä erillisissä tutkimuksissa, koska diagnoosilla ja ennusteilla CSM-taudin etenemisestä ja hoidon tuloksesta on monia täsmälleen samoja muuttujia. Lisäksi on välttämätöntä ottaa mukaan radiologiset, mutta myös kliiniset ja biokemialliset muuttujat lähes optimaalisen koneoppimismallin saavuttamiseksi, koska nämä ovat työkaluja, joilla kliinikko voisi myös perustaa diagnoosinsa ja ennusteensa. Tästä syystä tässä tutkimuksessa tarkastellaan radiologis-kliinis-biokemiallisia muuttujia koneoppimisen avulla diagnoosin yhteydessä sekä ennusteita taudin etenemisestä ja hoidon tuloksista. Seuraavaksi kaikki tutkimukset eivät pystyneet tutkimaan koneoppimisen käyttöä varhaisessa diagnosoinnissa. Koska varhainen diagnoosi on avainasemassa hoitotuloksen parantamisessa, tämä on valtava aukko kirjallisuudessa, jota tällä tutkimustutkimuksella pyritään täyttämään keskittymällä muuttujiin, jotka auttavat CSM:n varhaisessa havaitsemisessa sisällyttämällä mukaan lieviä CSM-tapauksia. Loppujen lopuksi yhdessäkään tutkimuksessa ei ole käytetty potilaspohjaista QOL-arviointia (ts. JOACMEQ) tulosmuuttujana, joka saattaa olla tärkeämpi kuin mJOA.

   Yhteenvetona CSM-aihetta ja hoitotuloksen ennustamista koskevien tutkimusten rajoitukset ovat tähän mennessä olleet se, että niissä on käytetty vain mJOA:ta tulosmuuttujana potilaspohjaisen JOACMEQ:n sijaan. Tämä on valtava rajoitus, koska viime kädessä vain potilas voi subjektiivisesti arvioida ja arvioida hoidon tuloksia. Mitä tulee CSM:n varhaisen diagnoosin aiheeseen, ei ole tehty tutkimuksia, jotka olisivat tutkineet tätä aihetta millään tavalla.

   1.2 PERUSTELUT NYKYISEEN TUTKIMUKSIIN

   TAVOITTEET

   Tämän tutkimustutkimuksen yleisenä tavoitteena on luoda kaksi ennustavaa koneoppimismallia, jotka perustuvat radiologisiin, kliinisiin ja biokemiallisiin muuttujiin, joiden avulla selkäkirurgit voivat diagnosoida CSM:n aikaisemmin ja tarkemmin sekä antaa potilaille erittäin yksilöllisiä ja tarkkoja hoitoja. ennakoivaa tietoa hoidon tuloksista.

   HYPOTEESIT

   On olemassa tunnistamattomia potilasominaisuuksia, biokemiallisia, radiologisia ja kliinisiä parametreja, jotka voivat auttaa kohdunkaulan myelopatian varhaisessa diagnosoinnissa ja hoidon ennustamisessa yhdistettynä jo tunnettuihin biomarkkereihin. Nämä mallit voidaan tunnistaa ja painottaa valvotulla ja valvomattomalla koneoppimisella sekä monimuuttujaisella lineaarisella regressiolla. Myöhemmin koneoppimismallia voidaan kouluttaa sisäkkäisellä ristiinvalidoinnilla optimaalisen istuvuuden saavuttamiseksi, samalla kun vältetään liiallinen sovitus, jotta voidaan ennustaa kohdunkaulan myelopatiadiagnoosia. Lopulta voidaan kehittää yleislääkäreille ja selkäkirurgeille tarkoitettu työkalu, joka auttaa kohdunkaulan myelopatian varhainen havaitseminen ja kohdunkaulan myelopatiaa sairastavien potilaiden hoidon tulosten ennustaminen. Hoidon tuloksia ja taudin etenemistä koskevien koneoppimisennusteiden oletetaan olevan merkittävästi tarkempia kuin kliinikkojen nykyinen ennustekyky.

   RISKIT JA EDUT

   Riskit: Mahdollinen epämukavuus tutkimuksen aikana. Tätä lievitetään pyytämällä kipua ennen tutkimusta ja käyttämällä lempeitä tutkimustekniikoita. Mahdollista haittaa vähennetään etsimällä potilaalle sopiva aika.

   Hyöty: Jos heidän oireensa uusiutuvat leikkauksen jälkeen, koneoppimismallimme ja -algoritmimme voivat auttaa heitä hoitavia neurokirurgeja diagnosoimaan kohdunkaulan myelopatian uusiutumisen varhaisessa vaiheessa ja ennustamaan tarkemmin, hyötyvätkö he leikkauksesta uudelleen vai hyötyisivätkö he siitä. sen sijaan konservatiivisesta johdosta.

   Potilaat eivät saa mitään maksuja, kulukorvauksia tai muita etuja tai kannustimia osallistumisesta tähän tutkimukseen, ei mitään henkilökohtaista normaalin palkan ylittävää maksua tai muita etuja tai kannustimia, ja tutkimuspäällikkö tai muu tutkija/yhteistyökumppani sillä ei ole suoraa henkilökohtaista osaa (esim. taloudellinen, osakeomistus, henkilökohtainen suhde jne.) tutkimusta sponsoroivissa tai rahoittavissa organisaatioissa, jotka voivat aiheuttaa mahdollisen eturistiriidan.

   Tutkimukseen osallistuvat eivät saa maksuja, kulukorvauksia tai muita etuja tai kannustimia osallistumisesta tähän tutkimukseen.

2. OPINTOJEN TAVOITTEET

TAVOITTEET

CSM:n varhainen diagnoosi

1. Tunnistaa kohdunkaulan myelopatian diagnoosin varhaiset kliiniset ennustajat yksittäisten potilaan ilmoittamien oireiden perusteella retrospektiivisen kyselylomakkeen avulla ja mahdollisesti retrospektiivisen biokemiallisen, radiologisen ja kliinisen datan analyysin avulla mallin havaitsemisen avulla koneoppimisen avulla tai vaihtoehtoisesti monimuuttuja lineaarista regressiota.
2. Muuntaa koneoppimismallin tai monimuuttujaregressioanalyysin havainnot pisteytysjärjestelmäksi tai koneoppimistyökaluksi, jota voidaan käyttää kliinisesti arvioimaan potilaita epätodennäköisiksi, kohtalaisen todennäköisiksi tai erittäin todennäköisiksi CSM-ryhmiksi auttamaan varhaista kliinistä diagnoosia ja ehkäisemään tarpeetonta kuvantamisen käyttöä.

CSM:n hoitotuloksen ennuste

1. Seurata prospektiivisesti CSM-potilaiden kohorttia, joka kerää mahdollisimman monta relevanttia kliinistä, biokemiallista ja radiologista riippumatonta muuttujaa sekä käyttää JOACMEQ-kyselylomaketta ja mJOA:ta aiemmin tulosmuuttujina. Riippumattomien ja tulosmuuttujien suhdetta analysoidaan perinteisten menetelmien ja koneoppimisen avulla.
2. Rakentaa ja kouluttaa koneoppimismalli, joka ennustaa tarkasti diagnoosin saaneiden potilaiden hoitotuloksen.
3. Koneoppimismallin käyttäminen perustana suunniteltaessa pisteytystyökalua tai hoitopistealgoritmia, jota voidaan käyttää kliinisesti pisteyttämään potilaita epätodennäköisiksi, kohtalaisen todennäköisiksi tai erittäin todennäköisiksi CSM-leikkausvasteiksi, mikä helpottaa CSM:n asianmukaista hallintaa. potilaita.

3. SUUNNITTELU

Tutkimustyyppi: Ei-satunnaistettu prospektiivinen ja retrospektiivinen kohorttitutkimus Kesto: Prospektiivinen: Havainnot ennen hoitoa, hoidon jälkeen 3 kuukauden ja 6 kuukauden kohdalla (vähintään 18 kuukautta).

Takautuva: Vähintään viimeiset 2 vuotta. Potilasmäärä: Noin 300 (100 potentiaalista, 200 retrospektiivista potilasta).

Tämä näyte määritettiin Imperial College NHS Healthcare Trustin aiempien kohdunkaulan myelopatiapotilaiden arvioiden perusteella tulevaa tutkimusta varten. 100 kohdunkaulan myelopaattista potilasta, joita hoidettiin Imperial College NHS Healthcare Trustissa seuraavien 18 kuukauden aikana vähintään mahdollisen käsivarren osalta, sekä 100 potilasta, joita on hoidettu vähintään kahden viime vuoden aikana ICHT:ssa, ja 100 potilasta, joilla on negatiivinen diagnoosi yhdestä Hounslow'n ja Hounslow'n MSK-tiimistä. Richmond Community Healthcare NHS Trust, joka sijaitsee Imperial College Healthcare NHS Trust Neurosurgeryn vaikutusalueella. Koneoppimislähestymistapa huomioon ottaen tämä otoskoko saattaa vaikuttaa liian pieneltä tarkkuuden säilyttämiseksi (kuten tässä on kattavasti selitetty: https://www.fharrell.com/post/ml-sample-size/ ). Koneoppimisen osalta on osoitettu, että sisäkkäiseen ristiinvalidointiin (NCV) ei vaikuta harha pieni otoskoko, itse asiassa se ei reagoi lineaarisesti positiivisesti tai negatiivisesti otoskoon muutoksiin, vaan pysyy erittäin tarkana ja vankana (Vabalas et al. ., 2019). Siksi käytämme NCV:tä. Lisäksi otoskokoa n=100 ja n=200 vahvistaa entisestään tunnusomaisten piirteiden suuri määrä (250+ prospektiivisen tutkimuksen osalta, 10-50 [riippuen CMSK-tietojen puhtaudesta], katso molemmat kyselylomakkeet) , joka vaikuttaa merkittävästi positiivisesti mallin tarkkuuteen (Vabalas et al. 2019) Datametriikka: Tiedot, jotka on kerätty kliinisillä tutkimuksilla ja kyselyillä takautuvasti puhelimitse, ennen leikkausta sekä 3 ja 6 kuukautta leikkauksen jälkeen. Kohdunkaulan myelopatian hoitotuloskyselylomakkeeseen liitettiin tiedot liitännäissairauksista ja oireista. Tutkimus on perusteellinen neurologinen tutkimus kohdistetun sydän- ja verisuonitutkimuksen lisäksi. Biokemialliset veren merkkiaineet olemassa olevista verimarkkereista tai yleislääkärin tiedoista, jotka on suoritettu tai olisi suoritettu tästä tutkimuksesta riippumatta. Radiologiset löydökset otetaan rutiininomaisista magneettikuvauksista ja kohdunkaulan selkärangan röntgenkuvauksista osana CSM-diagnostiikkatyötä. Retrospektiivinen kyselylomake "CSM-varhaisen diagnoosin kyselylomake" sisältää kaikki kysymykset, jotka kerätään takautuvasti puhelimitse. Lisäksi paikallisista SystemOne-tietokannoista kerätään potilaat yhteisön MSK-tiimistä, CM-diagnoosin saaneet ja CM-kyselyn perusteella tutkitut potilaat, heidän kliiniset, biokemialliset ja radiologiset tiedot paikallisista SystemOne-tietokannoista analysointia ja vertailua varten.

malli muunnetaan verkkopohjaiseksi hoitopisteen hoidon tulosten ennustamistyökaluksi käyttämällä Shiny-pakettia R:ssä. Tiedot ja kaikki tarvittava dokumentaatio tallennetaan Trust-käytännön mukaisesti, mukaan lukien seurantajakso.

3.1 TUTKIMUKSEN TULOKSET MJOA-pisteet ja JOACMEQ-pisteet ovat tutkimuksen tulevan osan tulosmittareita. Hyvä vaste leikkaukseen on 1 pisteen parannus mJOA-pisteissä 3 ja 6 kuukauden kohdalla. Kohdunkaulan myelopatian radiologinen vahvistus on retrospektiivisen käsivarren tulosmitta.