Diagnostic et prédiction par apprentissage automatique pour la myélopathie cervicale (MCM)

1. INTRODUCTION

   1.1 CONTEXTE

   La myélopathie spondylotique cervicale (MSC) est une pathologie de la moelle épinière qui aboutit à une compression progressive de la moelle épinière cervicale. C'est l'une des causes les plus courantes de pathologie de la moelle épinière dans le monde et peut avoir des effets néfastes importants sur la qualité de vie des patients (Merali et al., 2019). Le traitement de référence actuel pour le CSM est la décompression chirurgicale, qui restaure la fonction et améliore la qualité de vie ; cependant la décompression chirurgicale ne profite pas à tous les patients. Compte tenu de cette dichotomie, il est évident qu'il est essentiel d'identifier correctement les patients aptes à la chirurgie, pour épargner aux patients inadaptés des risques inutiles de chirurgie. Les chirurgiens du rachis doivent analyser de grandes quantités de données sur les patients, y compris des paramètres radiologiques et cliniques, pour stratifier correctement les patients. Cependant, il reste difficile de savoir comment chaque paramètre doit être pondéré et si tous les paramètres prédictifs ont été identifiés. En outre, il est essentiel que le diagnostic de CSM soit posé le plus tôt possible, car il a été rapporté que les résultats chirurgicaux étaient considérablement améliorés s'ils étaient diagnostiqués à un stade précoce de la maladie par rapport à un stade tardif. effectuée à des stades antérieurs au cours du CSM a été signalée comme ayant plus de succès par rapport à un stade ultérieur (Baron & Young, 2007). Les paramètres radiologiques qui peuvent aider à la détection précoce ont été identifiés, y compris l'imagerie du tenseur de diffusion et l'augmentation de la densité des images IRM pondérées en T2, mais ces paramètres se sont avérés avoir une faible sensibilité (15 à 65 %) et ont été obtenus avec des instruments conventionnels, non -les méthodes statistiques d'apprentissage en profondeur, qui sont très susceptibles d'avoir manqué des paramètres saillants en raison de limitations statistiques inhérentes. L'apprentissage automatique est l'étalon-or statistique actuel pour la modélisation et l'analyse des données. Il combine l'informatique et les statistiques pour obtenir une précision prédictive maximale. Récemment, l'apprentissage automatique a été de plus en plus appliqué avec succès à la recherche médicale et chirurgicale pour prédire les résultats des maladies et des traitements pour diverses conditions, donnant des résultats supérieurs aux méthodes statistiques conventionnelles. Pour continuer, outre les signes radiologiques, certains signes cliniques tels que le signe de Hoffman ont été identifiés pour aider au diagnostic précoce de la myélopathie cervicale (Denno & Meadows, 1991), mais les résultats sur les prédicteurs cliniques sont rares et la question reste de savoir comment ils se comparent aux signes radiologiques. et biomarqueurs biochimiques et s'il existe des prédicteurs cliniques non identifiés. Merali et al. ont utilisé un modèle d'apprentissage automatique pour combiner des paramètres cliniques et biochimiques afin de créer un modèle prédictif holistique, mais ils n'ont pas inclus de paramètres radiologiques, et se sont principalement concentrés sur les résultats du traitement plutôt que sur le diagnostic précoce. Par conséquent, cette étude vise à combler le vide dans la littérature et à analyser toutes les données essentielles des patients, à savoir radiologiques, biochimiques et cliniques, pour détecter de nouveaux prédicteurs existants et peser pertinents pour le diagnostic précoce de la myélopathie cervicale et les résultats du traitement, ainsi que la stratification de l'évolution de la maladie.

   Trois études récentes ont examiné l'apprentissage automatique dans le contexte du CSM. Premièrement, Merali et al. (2019) ont étudié l'utilisation de l'apprentissage automatique pour prédire les résultats chirurgicaux chez les patients atteints de CSM. Leur modèle a bien fonctionné, mais il n'a tenu compte d'aucune imagerie radiologique, ce qui constitue une limite importante à cette étude, car l'imagerie donne des indices essentiels, en particulier pour le diagnostic précoce du CSM. De plus, lors de la création d'un modèle d'apprentissage automatique, les auteurs n'ont pas réussi à créer un outil à utiliser par les cliniciens basé sur le modèle d'apprentissage automatique. La deuxième étude, également par Merali et al. (2021) ont appliqué l'apprentissage automatique à l'imagerie radiologique pour la détection de la pathologie CSM. Le modèle a de nouveau fonctionné raisonnablement bien, mais seuls les patients CSM confirmés ont été inclus, ce qui est une immense limitation. Il est essentiel d'inclure les patients CSM à un stade précoce pour analyser les performances du modèle d'apprentissage automatique par rapport aux méthodes conventionnelles en termes de prédiction et s'il peut aider à la détection précoce. De plus, les deux études étaient de nature rétrospective, ce qui signifie qu'aucune comparaison entre le modèle d'apprentissage automatique et les méthodes conventionnelles n'aurait été possible. Hopkins et al. (2019) ont analysé l'utilisation de l'apprentissage automatique dans le diagnostic, plutôt que dans la prédiction, du CSM. Cependant, une limite importante de cette étude est qu'il n'a utilisé que l'imagerie radiologique, négligeant complètement les paramètres cliniques et biochimiques. En fait, Merali et al. (2019) ont également complètement négligé les paramètres biochimiques dans leur analyse. Potentiellement, il s'agit d'une importante variable inexplorée dans la pathogenèse et le diagnostic du CSM qui doit être explorée. Pour conclure, des études ont porté sur l'apprentissage automatique pour diagnostiquer et faire des prédictions dans le CSM, mais elles présentent de sérieuses limitations en ne regardant que des fragments de la voie de diagnostic. À cette fin, étant donné que le diagnostic et les prédictions concernant la progression de la maladie CSM et les résultats du traitement partagent une multitude de variables identiques, il est logique et nécessaire de les analyser ensemble, plutôt que dans des études distinctes. De plus, il est nécessaire d'inclure des variables radiologiques, mais aussi cliniques et biochimiques pour parvenir à un modèle d'apprentissage automatique quasi optimal, car ce sont les outils auxquels un clinicien aurait également accès pour fonder ses diagnostics et ses prédictions. Par conséquent, cette étude examinera les variables radiologiques-cliniques-biochimiques avec l'apprentissage automatique dans le contexte du diagnostic, ainsi que les prédictions sur la progression de la maladie et les résultats du traitement. Ensuite, toutes les études n'ont pas examiné l'utilisation de l'apprentissage automatique pour un diagnostic précoce. Comme le diagnostic précoce est essentiel pour améliorer les résultats du traitement, il s'agit d'une énorme lacune dans la littérature, que cette étude vise à combler, en se concentrant sur les variables qui facilitent la détection précoce du CSM via l'inclusion de cas bénins de CSM. En fin de compte, aucune des études n'a utilisé l'évaluation de la qualité de vie basée sur le patient (c'est-à-dire JOACMEQ) comme variable de résultat qui pourrait être plus importante que mJOA.

   En résumé Jusqu'à présent, les limites des études sur le sujet du CSM et la prédiction des résultats du traitement ont été qu'elles n'utilisaient que la mJOA comme variable de résultat, au lieu d'utiliser le JOACMEQ basé sur le patient. Il s'agit d'une énorme limitation, car en fin de compte, seul le patient peut évaluer et évaluer subjectivement les résultats du traitement. En ce qui concerne le sujet du diagnostic précoce du CSM, aucune étude n'a exploré ce sujet.

   1.2 JUSTIFICATION DE L'ÉTUDE ACTUELLE

   OBJECTIFS

   L'objectif global de cette étude de recherche est de créer deux modèles d'apprentissage automatique prédictifs basés sur des variables radiologiques, cliniques et biochimiques, ce qui permet aux chirurgiens de la colonne vertébrale de diagnostiquer le CSM plus tôt et plus précisément, tout en leur permettant de donner aux patients des informations hautement individualisées et précises. informations prédictives sur les résultats du traitement.

   HYPOTHÈSES

   Il existe des caractéristiques de patient non identifiées, des paramètres biochimiques, radiologiques et cliniques qui pourraient aider au diagnostic précoce et à la prédiction du traitement de la myélopathie cervicale lorsqu'ils sont combinés avec des biomarqueurs déjà connus. Ces modèles peuvent être identifiés et pondérés avec un apprentissage automatique supervisé et non supervisé, ainsi qu'avec une régression linéaire multivariée. Par la suite, le modèle d'apprentissage automatique peut être formé avec une validation croisée imbriquée pour obtenir un ajustement optimal, tout en évitant le surajustement, pour prédire le diagnostic de myélopathie cervicale. En fin de compte, un outil de point de service peut être développé pour les médecins généralistes et les chirurgiens de la colonne vertébrale pour aider à détection précoce de la myélopathie cervicale et prédiction des résultats du traitement des patients atteints de myélopathie cervicale. Les prédictions de l'apprentissage automatique concernant les résultats du traitement et la progression de la maladie sont supposées être beaucoup plus précises que la capacité prédictive actuelle des cliniciens.

   RISQUES ET AVANTAGES

   Risques : Inconfort potentiel lors de l'examen. Cela sera atténué en demandant la douleur avant l'examen et en utilisant des techniques d'examen douces. Les inconvénients potentiels seront atténués en trouvant un moment qui convient au patient.

   Avantage : en cas de récidive de leurs symptômes après la chirurgie, notre modèle et notre algorithme d'apprentissage automatique peuvent aider leurs neurochirurgiens traitants à diagnostiquer la récurrence de la myélopathie cervicale à un stade précoce et à prédire plus précisément s'ils bénéficieront à nouveau de la chirurgie, ou s'ils en bénéficieraient de gestion conservatrice à la place.

   Les patients ne recevront aucun paiement, remboursement de dépenses ou tout autre avantage ou incitation pour participer à cette recherche, aucun paiement personnel au-delà du salaire normal, ou tout autre avantage ou incitation, et l'investigateur en chef ou tout autre chercheur/collaborateur n'a aucune implication personnelle directe (par ex. financier, actionnariat, relation personnelle, etc.) dans les organisations parrainant ou finançant la recherche pouvant donner lieu à un éventuel conflit d'intérêts.

   Les participants à la recherche ne recevront aucun paiement, remboursement de dépenses ou tout autre avantage ou incitation pour participer à cette recherche.

2. OBJECTIFS DE L'ÉTUDE

OBJECTIFS

Diagnostic précoce du CSM

1. Identifier les prédicteurs cliniques précoces du diagnostic de myélopathie cervicale sur la base des symptômes individuels rapportés par les patients en utilisant un questionnaire rétrospectif, et éventuellement une analyse rétrospective des données biochimiques, radiologiques et cliniques au moyen de la détection de modèles avec apprentissage automatique, ou alternativement régression linéaire multivariée.
2. Convertir les résultats d'un modèle d'apprentissage automatique ou d'une analyse de régression multivariée en un système de notation ou un outil d'apprentissage automatique pouvant être utilisé cliniquement pour classer les patients dans des groupes CSM non susceptibles, modérément susceptibles ou hautement susceptibles d'avoir un diagnostic clinique précoce et prévenir utilisation inutile de l'imagerie.

Prédiction des résultats du traitement du CSM

1. Suivre de manière prospective une cohorte de patients CSM en collectant autant de variables indépendantes cliniques, biochimiques et radiologiques pertinentes que possible, ainsi qu'en utilisant le questionnaire JOACMEQ et mJOA auparavant, comme variables de résultat. La relation entre les variables indépendantes et les variables de résultat sera analysée au moyen de méthodes conventionnelles et d'apprentissage automatique.
2. Construire et former un modèle d'apprentissage automatique pour prédire avec précision les résultats du traitement chez les patients diagnostiqués.
3. Utiliser le modèle d'apprentissage automatique comme base pour concevoir un outil de notation ou un algorithme de point de service qui peut être utilisé cliniquement pour évaluer les patients dans les cas non probables, modérément susceptibles ou très susceptibles d'être des intervenants en chirurgie CSM pour aider à la gestion appropriée du CSM les patients.

3. CONCEPTION DE L'ÉTUDE

Type d'étude : Etude de cohorte prospective et rétrospective non randomisée Durée : Prospective : Observations en pré-traitement, post-traitement à 3 mois et 6 mois (minimum 18 mois).

Rétrospective : Minimum 2 dernières années. Nombre de patients : Environ 300 (100 patients prospectifs, 200 patients rétrospectifs).

Cet échantillon a été déterminé sur la base d'estimations de patients atteints de myélopathie cervicale à l'Imperial College NHS Healthcare Trust dans le passé pour une étude prospective. 100 patients atteints de myélopathie cervicale traités à l'Imperial College NHS Healthcare Trust dans les 18 mois suivants minimum pour le bras prospectif, ainsi que 100 patients traités au cours des 2 dernières années minimum dans ICHT, et 100 patients avec un diagnostic négatif d'une seule équipe communautaire MSK de Hounslow et Richmond Community Healthcare NHS Trust, qui se trouve dans la zone de chalandise de l'Imperial College Healthcare NHS Trust Neurosurgery. Compte tenu de l'approche d'apprentissage automatique, cette taille d'échantillon peut sembler trop petite pour conserver la précision (comme expliqué en détail ici : https://www.fharrell.com/post/ml-sample-size/ ) , mais des mesures appropriées ont été prises pour assurer une grande précision tout en évitant le surajustement. Pour l'apprentissage automatique, il a été démontré que la validation croisée imbriquée (NCV) n'est pas affectée par le biais dû à la petite taille des échantillons, en fait, elle ne répond pas linéairement positivement ou négativement aux changements de taille d'échantillon, restant très précise et robuste (Vabalas et al ., 2019). Par conséquent, nous utiliserons NCV. De plus, la taille de l'échantillon de n = 100 et n = 200 respectivement, est encore renforcée par le nombre élevé de caractéristiques (250+ pour l'étude prospective, 10-50 pour [selon la propreté des données CMSK] voir les deux questionnaires) , ce qui a une influence positive significative sur la précision du modèle (Vabalas et al. 2019) Paramètres des données : Informations recueillies par le biais d'un examen clinique et de questionnaires effectués rétrospectivement par téléphone, avant l'opération et à 3 et 6 mois après l'opération. Le questionnaire "Questionnaire sur les résultats du traitement de la myélopathie cervicale" ci-joint enregistre les informations relatives aux comorbidités et à la symptomatologie. L'examen consistera en un examen neurologique approfondi en plus d'un examen cardiovasculaire ciblé. Marqueurs sanguins biochimiques à partir de marqueurs sanguins existants ou de dossiers de médecins généralistes, qui ont été ou auraient été effectués indépendamment de cet essai. Les résultats radiologiques seront issus des IRM de routine et des radiographies du rachis cervical réalisées dans le cadre du bilan diagnostique CSM. Le questionnaire rétrospectif "Questionnaire de diagnostic précoce CSM" contient l'ensemble des questions qui seront recueillies rétrospectivement par téléphone. En plus des patients de l'équipe MSK communautaire, ceux diagnostiqués avec CM éventuellement et ceux examinés pour une requête CM, leurs données cliniques, biochimiques et radiologiques provenant des bases de données SystemOne locales seront collectées pour analyse et comparaison.

sera converti en un outil Web de prédiction des résultats du traitement au point de service à l'aide du paquet Shiny dans R. Les données et toute la documentation appropriée seront stockées conformément à la politique de Trust, y compris la période de suivi.

3.1 MESURES DES RÉSULTATS DE L'ÉTUDE Le score mJOA et le score JOACMEQ sont les mesures des résultats pour le bras prospectif de l'étude. Une bonne réponse à la chirurgie correspond à une amélioration de 1 point du score mJOA à 3 et 6 mois. La confirmation radiologique de la myélopathie cervicale est la mesure de résultat pour le bras rétrospectif.