CAVA Multicentre Dizziness Trial (CAVA 2)

Tämä on monikeskustutkimus, jonka tavoitteena on saada 255 aikuista osallistujaa. Rekrytointi tapahtuu kymmenellä paikkakunnalla Isossa-Britanniassa kahden vuoden aikana. Osallistujilla on oltava Ménièren taudin, vestibulaarisen migreenin tai BPPV:n diagnoosi. Tutkimukseen otetaan mukaan kahdeksankymmentäviisi osallistujaa kullakin ehdolla. Jokaisen potilaan diagnoosi muodostaa "viitestandardin", jota verrataan myöhemmin automaattiseen tietokonediagnoosiin.

Jokainen osallistuja käyttää CAVA-laitetta lähellä jatkuvasti 30 päivän ajan. Laite tallentaa kaikki silmien ja pään liikkeet tänä aikana, mukaan lukien huimausjaksot. Kun potilas kokee huimausjakson, häntä pyydetään aktivoimaan CAVA-laitteen tapahtumamerkki ja pitämään kirjaa hyökkäyksen alkamisesta ja kestosta päiväkirjaan. Vaikka tähän manuaaliseen kirjaamiseen ei luoteta algoritmien kehittämisessä, koko 30 päivän dataa käytetään huimaukseen liittyvien silmien liikkeiden havaitsemiseen.

Tutkijat kehittävät tietokonealgoritmeja, jotka käyttävät CAVA-laitteiden keräämiä tietoja erottamaan kolme kohdetilannetta. Nämä algoritmit perustuvat algoritmeihin, jotka on kehitetty nykyisen MRC-apurahan aikana ja jotka ovat tuottaneet erinomaisia ​​tuloksia.10,11,17. Algoritmit käyttävät syväoppivia hermoverkkoja (DNN) niin sanotussa "päästä päähän" -lähestymistavassa. Tässä lähestymistavassa monikerroksinen verkko ottaa syötteenä "raaka" aikatason dataa ja tulostaa luokittelupäätöksen käyttämättä mitään selkeää signaalin välimuotoa (kuten signaalin entropiaa, tehoa, vinoutta, kurtoosia jne.). Päästä päähän -lähestymistapojen, jotka tyypillisesti käyttävät vuorottelevia konvoluutio- ja poolauskerrosten sekvenssejä, täysin yhdistettyjä kerroksia, automaattisia koodereita ja pitkäkestoisen lyhytmuistin (LSTM) kerroksia, on osoitettu ylittävän perinteiset lähestymistavat tapauksissa, joissa harjoitetaan paljon tiedot ovat saatavilla. Ne antavat kuitenkin vain vähän käsitystä niiden toiminnasta (eli mitkä signaalin ominaisuudet ovat tärkeitä luokituksen kannalta). Siksi harkitaan myös sellaisten menetelmien kehittämistä, joilla luodaan väliesitykset, ja sitten näiden syöteominaisuuksien avulla testataan erilaisia ​​luokittimia (esim. tehostetut puut, satunnaiset metsät, logistinen regressio, tukivektorikoneet jne.).

Algoritmien suorituskykyä arvioidaan käyttämällä 'leave-one-out cross-validation' -tekniikkaa, joka on tavallinen tapa arvioida luokittimia.22 Tässä tekniikassa yksittäisen potilaan tiedot jätetään sivuun ja muiden potilaiden jäljellä olevia tietoja käytetään luokittelijan "kouluttamiseen". Algoritmiin viitataan, joka on koulutettu erottamaan nämä kolme ehtoa "luokittelijana". Luokitin testataan sitten kesannoiduilla tiedoilla: testausprosessissa verrataan luokittelijan ennustettua diagnoosia ("Ménièren tauti", "vestibulaarinen migreeni" tai "BPPV") todelliseen diagnoosiin (vertailustandardin etiketti). Tämä prosessi toistetaan poistamalla joka kerta eri potilaan tiedot, mikä tuottaa automaattisen diagnoosin kaikille 255 potilaalle. Vaikka se on laskennallisesti kallista, se varmistaa, että luokitin ei ole "nähnyt" koulutuksen aikana testaamansa potilaan tietoja, mikä vääristää sen päätöstä. Se vastaa myös läheisesti todellista skenaariota, jossa uusi potilas esittelee lääkärilleen ja diagnoosi annetaan heidän kokemustensa perusteella muista potilaista.

Tutkimus esittelee kunkin kolmen kohdetilan diagnosoinnin herkkyyden ja spesifisyyden ja vastaanottimen operaattorikäyrät (ROC) osoittaen, kuinka diagnostinen tarkkuus muuttuu eri luokituskynnyksillä.

Kohdeolosuhteilla on eri esiintyvyys. Tämän epätasapainon heijastaminen tämän tutkimuksen tilastollisissa laskelmissa vaatisi useita tuhansia potilaita, joilla on yleisin näistä sairauksista. Uskotaan, että tämä ei olisi taloudellisesti kannattavaa eikä tuo lisäarvoa tutkimukselle. Saadut tulokset ovat riittävän vahvoja osoittamaan järjestelmän tehokkuuden ja kunkin taudin odotetun havaitsemisasteen.

Terveysekonomisti (HE) arvioi mahdollisia resursseja, taloudellisia säästöjä ja potilaiden hyötyjä CAVA:ta sisältävästä diagnostisesta reitistä verrattuna olemassa oleviin reitteihin. Tutkimuksen suunnittelu varmistaa, että tutkimukseen sisällytetään asianmukainen tiedonkeruu taloudellista arviointia varten. Varhainen kustannustehokkuusmalli kehitetään retrospektiivisten potilastietojen (esim. historian, testien ja sairaalakäyntien) perusteella. Malli paljastaa CAVA:n ennustavien algoritmien mahdolliset säästöt ja hyödyt erilaisilla hypoteettisilla diagnostisen tarkkuuden kynnyksillä verrattuna standardiin diagnostiseen reittiin. CAVA-laitteella kehitetään kontrafaktuaalinen diagnoosipolku tämän hetken tavanomaiseen hoitoon verrattuna todennäköisimpien mahdollisten taloudellisten hyötyjen selvittämiseksi.

Kaupallistamiskonsultti valvoo CAVA-järjestelmän kaupallistamista tukevia töitä. He laativat markkinoillepääsysuunnitelman, jossa esitetään yksityiskohtaisesti CAVA:n reitti kaupallistamiseen ja vahvistavat CAVA:n sijoituksen olemassa oleville NHS-poluille ja kuinka se toteutetaan. Tutkijat pohjautuvat aiempaan fokusryhmätyöskentelyyn sidosryhmien tilaisuudessa, johon osallistuu NHS-organisaatioiden ammattilaisia, potilaita ja IT-sidosryhmiä. Tutkijat tunnistavat sidosryhmille tärkeät kysymykset adoption toteutettavuudesta NHS:ssä ja luovat tukea adoptiolle. Järjestetään PPI-tapahtuma, jossa tarkastellaan tutkimuksen välihavaintoja, ja julkinen levitystilaisuus, jossa tulokset jaetaan yleisölle. Hankkeen aikana hankitaan mahdollisia lisenssejä.