- ICH GCP
- Registre américain des essais cliniques
- Essai clinique NCT05161130
Prédire les résultats après une fusion lombaire pour une maladie dégénérative (FUSE-ML)
Développement et validation externe d'un algorithme international d'apprentissage automatique multicentrique pour la prédiction des résultats après une fusion vertébrale lombaire pour une maladie dégénérative : l'étude FUSE-ML
Aperçu de l'étude
Statut
Les conditions
Intervention / Traitement
Description détaillée
Introduction La lombalgie est l'une des trois principales causes d'invalidité dans les sociétés occidentales et impose des coûts socio-économiques directs et indirects importants. L'étiologie des lombalgies avec ou sans douleur irradiante des jambes est multifactorielle, mais elle est souvent liée à une discopathie dégénérative (DDD) ou à un spondylolisthésis. Le traitement standard du spondylolisthésis symptomatique ou du DDD progressif chez les patients qui ne répondent pas au traitement conservateur à long terme est la fusion intersomatique, mais cela est controversé. Certains rapports ne montrant aucun avantage par rapport au traitement conservateur, la sélection des patients est d'une importance vitale. Divers tests pronostiques tentent d'identifier les sous-ensembles de patients qui pourraient bénéficier le plus de la chirurgie, mais la validité de ces tests n'est pas claire. En fin de compte, le succès dans cette catégorie de patients devrait être défini par l'amélioration des symptômes physiques (mesures des résultats rapportés par les patients [PROM]) plutôt que par le succès technique de la procédure. Une proportion pertinente de patients atteints d'une maladie dégénérative lombaire réfractaire et résistante au traitement conservateur profite finalement de la chirurgie de fusion lombaire - la question difficile est de savoir comment les identifier en toute sécurité et éviter une chirurgie inutile et infructueuse.
Dans la littérature, plusieurs sous-ensembles de patients atteints d'une maladie dégénérative lombaire qui peuvent bénéficier plus que d'autres de la fusion vertébrale lombaire ont été identifiés. Une identification préopératoire précise des patients à haut risque de résultats insatisfaisants et vice-versa serait cliniquement avantageuse, car elle permettrait une meilleure préparation des ressources, une meilleure prise de décision chirurgicale, une meilleure éducation des patients et un consentement éclairé, et potentiellement même la modification de certains facteurs de risque de résultat insatisfaisant. Cependant, il est souvent impossible pour les cliniciens d'équilibrer les nombreux facteurs de risque uniques décrits pour chaque événement indésirable afin d'arriver à un profil risque-bénéfice personnalisé chez chaque patient.
Les méthodes d'apprentissage automatique (ML) ont été extrêmement efficaces pour intégrer de nombreuses variables cliniques du patient dans une prédiction de risque holistique adaptée à chaque patient. Un modèle multicentrique basé sur les statistiques classiques a déjà été décrit par Khor et al. - Cependant, après validation externe, il s'est avéré peu fiable et plutôt mal calibré. De plus, ce modèle était basé sur un nombre relativement restreint de patients atteints de ML. L'objectif de l'étude FUSE-ML est de développer et de valider en externe un outil de prédiction robuste basé sur ML basé sur des données multicentriques provenant d'une gamme de centres internationaux qui fournira des profils de risque-bénéfice individualisés adaptés à chaque patient subissant une fusion vertébrale lombaire pour une maladie dégénérative. .
Aperçu des méthodes Les données seront collectées par une série de centres internationaux. Dans l'ensemble, les modèles seront construits et la publication sera compilée selon les rapports transparents d'un modèle de prédiction multivariable pour les directives de pronostic ou de diagnostic individuel (TRIPOD). Un modèle sera créé pour chacun des résultats pertinents détaillés ci-dessous.
Université de Zurich (V.E. Staartjes, C. Serra) est le commanditaire de cette étude.
Considérations éthiques Chaque centre sera responsable de l'approbation de son propre comité d'éthique / comité d'examen institutionnel (IRB) et de l'établissement d'un accord de transfert de données (DTA). Le promoteur (Université de Zurich) présentera un DTA standard sur demande. Ils doivent obtenir l'approbation pour la collecte de données rétrospective ou prospective et le partage des données complètement anonymisées avec le sponsor. Le promoteur peut aider en fournissant ce protocole d'étude détaillé. Toutes les procédures d'étude seront menées conformément à la Déclaration d'Helsinki et à ses amendements.
Critères d'inclusion et d'exclusion Les patients présentant les indications suivantes pour la pose de vis pédiculaires thoraco-lombaires sont considérés pour l'inclusion : Pathologies dégénératives (une ou plusieurs des suivantes : sténose vertébrale, spondylolisthésis, discopathie dégénérative, hernie discale récurrente, syndrome d'échec de la chirurgie du dos (FBSS), radiculopathie, pseudarthrose). Les patients subissant une chirurgie pour - comme indication principale - des infections, des tumeurs vertébrales, ainsi que des fractures traumatiques et ostéoporotiques ou une chirurgie de déformation pour une scoliose ou une cyphose ne sont pas éligibles. Les patients atteints de scoliose modérée ou sévère (Coronal Cobb > 30 degrés / Schwab classification modificateur sagittal + ou ++) ne sont pas éligibles. Les patients subissant une intervention chirurgicale à plus de 6 niveaux vertébraux ne sont également pas éligibles. Les patients dont les données sur les critères d'évaluation sont manquantes à 12 mois seront exclus. Les patients sont tenus de donner leur consentement éclairé. Seuls les patients âgés de 18 ans ou plus sont considérés pour l'inclusion.
Collecte des données Chaque centre collectera ses données soit rétrospectivement, à partir d'un registre prospectif, soit à partir d'un registre prospectif complété par des variables collectées rétrospectivement. Chaque centre doit fournir un minimum de 100 patients avec des données complètes de suivi sur 12 mois pour être inclus dans l'étude. Une base de données Excel standardisée sera fournie par le commanditaire pour la saisie anonyme des données. Les données seront saisies sous une forme normalisée et anonymisée. Cette base de données Excel ne contiendra qu'un numéro de patient spécifique à l'étude. Chaque centre conservera une feuille de calcul interne dans laquelle les numéros de patients spécifiques à l'étude peuvent être retracés jusqu'aux numéros de patients spécifiques au centre, si cela s'avère nécessaire. La date limite de soumission des données complètes à l'institution sponsor est le 13 août 2021.
Les centres de paternité devront fournir au moins 100 cas avec des données complètes sur les résultats au total pour être inclus dans l'étude. Chaque centre participant pourra désigner un maximum de quatre auteurs à inclure dans la liste des auteurs. Tous les autres contributeurs spécifiques au centre seront répertoriés comme membres à part entière du groupe d'étude FUSE-ML et se verront accorder le statut de contributeur PubMed / Medline à part entière. L'établissement parrain disposera de six postes d'auteur principal.
Définitions des paramètres primaires
Plusieurs paramètres seront évalués :
- 1. Oswestry Disability Index (ODI) à 12 mois.
- 2. Échelle visuelle analogique (EVA-BP, 0 à 100) pour les maux de dos à 12 mois. Il peut également s'agir d'une échelle d'évaluation numérique convertie (NRS) de 0 à 10 ou d'une EVA de 0 à 10 convertie en 0 à 100.
- 3. Échelle visuelle analogique (EVA-LP, 0 à 100) pour la douleur à la jambe à 12 mois. Il peut également s'agir d'une échelle d'évaluation numérique convertie (NRS) de 0 à 10 ou d'une EVA de 0 à 10 convertie en 0 à 100.
Ces résultats seront dichotomisés en utilisant la différence minimale cliniquement importante (MCID) selon Ostelo et al. Ainsi, une amélioration de 30 % ou plus d'un score spécifique par rapport à la ligne de base sera considérée comme l'atteinte du MCID (succès clinique) dans ce score spécifique. Si les patients ne présentaient initialement aucun symptôme (dans l'ODI, le NRS-BP ou le NRS-LP) et restaient à zéro pour ce score, cela sera également défini comme MCID pour ce score.
Fonctionnalités et leurs définitions
Toutes les caractéristiques sont mesurées ou estimées en préopératoire. En plus des points de terminaison, les fonctionnalités d'entrée suivantes seront collectées :
- Années d'âge)
- Sexe (h/f)
Présence des indications suivantes pour la chirurgie (choisir tout ce qui s'applique):
- Spondylolisthésis
- Hernie discale (récurrente)
- Radiculopathie
- Lombalgie chronique (CLBP) / Discopathie dégénérative (DDD)
- Syndrome d'échec de la chirurgie du dos (FBSS)
- Sténose lombaire
- Pseudarthrose
- Niveau(x) de l'indice (choisir tout ce qui s'applique, T12 - S1)
- Hauteur (cm)
- poids (kg)
- IMC (kg/m2)
- Statut de tabagisme (actif / cessé / jamais)
- ODI préopératoire (de base)
- EVA-BP préopératoire (de base)
- EVA-LP préopératoire (de base)
- Score de l'American Society of Anesthesiologists (ASA) (1-2/3 ou plus)
- Utilisation préopératoire d'analgésiques opioïdes (oui / non)
- L'asthme pulmonaire comme comorbidité (oui/non)
- Chirurgie antérieure du rachis thoraco-lombaire (oui / non)
- Race/Ethnie (Caucasien/Noir/Asiatique/Autre)
- Abord chirurgical (choisir tout ce qui s'applique : TLIF / PLIF / ALIF / Latéral)
- Insertion de vis pédiculaires (oui / non)
- Technique mini-invasive (oui / non)
Taille de l'échantillon Bien qu'il ne soit pas garanti que même la plus grande cohorte avec des millions de patients aboutira à un modèle de prédiction clinique robuste si aucune variable d'entrée pertinente n'est incluse (« ordures entrantes, ordures sortantes » - ne vous attendez pas à prédire l'avenir à partir de l'âge, du sexe, et indice de masse corporelle), la relation entre les performances prédictives et la taille de l'échantillon est certainement directement proportionnelle, en particulier pour certains algorithmes ML gourmands en données. Pour garantir la généralisabilité du modèle de prédiction clinique, la taille de l'échantillon doit être à la fois suffisamment représentative de la population de patients et doit tenir compte de la complexité de l'algorithme. Par exemple, un réseau neuronal profond - comme exemple de modèle très complexe - nécessitera souvent la convergence de milliers de patients, tandis qu'un modèle de régression logistique peut obtenir des résultats stables avec seulement quelques centaines de patients. De plus, le nombre de variables d'entrée joue un rôle. En gros, on peut dire qu'un minimum de 10 cas positifs est requis par variable d'entrée incluse pour modéliser les relations. Souvent, un comportement erratique des modèles et une variance élevée des performances entre les fractionnements sont observés lorsque les tailles d'échantillon sont plus petites que celles calculées avec cette règle empirique. La proportion de patients qui subissent le résultat est également d'une importance capitale. Pour les événements très rares, une taille d'échantillon totale beaucoup plus grande est par conséquent nécessaire. Par exemple, une prédiction basée sur 10 caractéristiques d'entrée pour un résultat survenant dans seulement 10 % des cas nécessiterait au moins 1 000 patients, dont au moins 100 qui ont subi le résultat, selon la règle empirique ci-dessus. En général et d'après leur expérience personnelle, les auteurs ne recommandent pas de développer des modèles de ML sur des cohortes avec moins de 100 cas positifs et raisonnablement plus de cas au total, quelle que soit la rareté du résultat. En outre, on pourrait considérer la littérature disponible sur les facteurs de risque pour le résultat d'intérêt : si les études épidémiologiques ne trouvent que de faibles associations avec le résultat, il est probable qu'il faudra plus de patients pour arriver à un modèle avec de bonnes performances prédictives, par opposition à un résultat qui a plusieurs facteurs de risque fortement associés, qui peuvent être plus faciles à prévoir. Des tailles d'échantillon plus importantes permettent également une évaluation plus généreuse grâce à une plus grande quantité de données sur les patients dédiées à la formation ou à la validation, et se traduisent généralement par de meilleures mesures d'étalonnage.
Entre 20% et 40% des patients ne rapportent aucune amélioration cliniquement pertinente après fusion vertébrale (classe minoritaire). Pour le calcul de la taille de l'échantillon, les auteurs prennent 20 % pour une estimation prudente. Par conséquent, pour cette étude, basée sur l'expertise des auteurs et sur les règles empiriques mentionnées ci-dessus, les auteurs estiment qu'un minimum de 200 patients avec un résultat négatif (classe minoritaire) est nécessaire pour extraire des relations de caractéristiques généralisables. Avec une incidence estimée à environ 20% comme expliqué ci-dessus, cela signifie qu'un minimum d'environ 1000 patients sont nécessaires pour la formation. Pour une évaluation adéquate de l'étalonnage lors d'une validation externe, les auteurs estiment qu'il faudra encore 300 patients (donc environ 60 patients avec un résultat positif). Ainsi, au total, les auteurs estiment qu'il faut un minimum de 1300 patients pour arriver à un modèle robuste. Plus de données conduiront probablement à de meilleures performances et à un meilleur étalonnage.
Modélisation prédictive Un imputer KNN sera co-formé pour imputer toute donnée manquante qui pourrait survenir dans l'application future du modèle. S'il manque des données dans l'ensemble d'apprentissage, elles seront imputées à l'aide dudit imputer KNN. Les caractéristiques ou les patients avec un manque supérieur à 25 % seront exclus. Les données seront normalisées et encodées à chaud. En cas de déséquilibre de classe majeur - qui est attendu pour le critère d'évaluation susmentionné - un suréchantillonnage aléatoire ou un suréchantillonnage minoritaire synthétique (SMOTE) sera appliqué à l'ensemble d'apprentissage. Toutes les fonctionnalités seront initialement fournies au modèle pour la formation. Si nécessaire, les auteurs appliqueront l'élimination récursive des caractéristiques (RFE) pour sélectionner les caractéristiques d'entrée sur les données d'apprentissage.
Les auteurs testeront les algorithmes suivants pour la classification binaire : modèle linéaire généralisé (GLM), modèle additif généralisé (GAM), machine de renforcement de gradient stochastique (GBM), classificateur Bayes naïf, réseau neuronal artificiel simple, machine à vecteurs de support (SVM) et forêt aléatoire. Chaque modèle sera entièrement formé et réglé avec des hyperparamètres, le cas échéant. Le modèle final sera sélectionné en fonction de l'AUC, de la sensibilité et de la spécificité, ainsi que des mesures d'étalonnage sur les performances d'entraînement rééchantillonnées. La formation aura lieu en validation croisée répétée 5 fois avec 10 répétitions.
Le seul modèle final sera alors évalué une seule fois sur les données de validation externes. Les intervalles de confiance à 95 % pour les métriques de validation externes seront dérivés à l'aide du bootstrap.
Le seuil de classification binaire sera soit identifié sur les seules données d'apprentissage à l'aide du « critère le plus proche de (0,1) » basé sur l'AUC ou de l'indice de Youden pour optimiser à la fois la sensibilité et la spécificité, soit sera optimisé sur l'ensemble d'apprentissage sur la base de la signification clinique (modèle d'exclusion). Toutes les analyses seront effectuées en version R 4.0.2 ou plus récente.
Évaluation La performance des modèles de classification peut être grossièrement jugée selon deux dimensions : la discrimination et l'étalonnage du modèle. Le terme discrimination désigne la capacité d'un modèle de prédiction à classer correctement si un certain patient va ou ne va pas ressentir un certain résultat. Ainsi, la discrimination décrivait la précision d'une prédiction binaire - oui ou non. Le calibrage, cependant, décrit le degré auquel les probabilités prédites d'un modèle (allant de 0 % à 100 %) correspondent à l'incidence réellement observée du point final binaire (véritable a posteriori). De nombreuses publications ne rapportent pas de mesures d'étalonnage, bien que celles-ci soient d'une importance capitale, car une probabilité prédite bien calibrée (par ex. votre probabilité prédite d'avoir une complication est de 18 %) est souvent beaucoup plus précieuse pour les cliniciens - et les patients ! - qu'une prédiction binaire (par ex. vous n'allez probablement pas rencontrer de complication).
Les performances de formation rééchantillonnées ainsi que les performances sur l'ensemble de validation externe seront évaluées pour la discrimination et l'étalonnage. En termes de discrimination, les auteurs évalueront l'ASC, l'exactitude, la sensibilité, la spécificité, la valeur prédictive positive (VPP), la valeur prédictive négative (VPN) et le score F1. En termes d'étalonnage, les auteurs évalueront le score de Brier, le rapport attendu-observé (E/O), la pente d'étalonnage et l'ordonnée à l'origine, le test d'ajustement Hosmer-Lemeshow, ainsi que l'inspection visuelle des tracés d'étalonnage pour les deux. ensembles de données, qui seront également inclus dans la publication.
Interprétabilité Le degré et le choix des méthodes d'interprétabilité dépendront de l'algorithme finalement choisi. Certains algorithmes peuvent nativement fournir des explications sur les facteurs qui influencent le résultat de quelle manière. Ainsi, dans le cas par ex. un classificateur GLM, GAM ou Bayes naïf est choisi, les paramètres / valeurs de dépendance partielle seront fournis. Pour les arbres de décision simples, des diagrammes du processus de prise de décision peuvent être fournis. D'autres modèles avec des degrés de complexité plus élevés, tels que les réseaux de neurones ou les machines de renforcement de gradient stochastique, ne peuvent pas nativement fournir de telles explications. Dans ce cas, les auteurs fourniront à la fois une importance variable basée sur l'AUC ainsi que des interprétations locales indépendantes du modèle d'importance variable en utilisant le principe LIME.
Résultats attendus Les auteurs s'attendent à arriver à un modèle généralisable basé sur des données internationales multicentriques qui est susceptible de prédire de manière cohérente avec une AUC d'au moins 0,70 et qui est bien calibré. Un outil de prédiction basé sur le Web sera également créé pour chacun des deux modèles à l'aide de l'environnement brillant, très semblable à par exemple. https://neurosurgery.shinyapps.io/impairment (Voir aussi par exemple : Staartjes et al., Journal of Neurosurgery, 2020). Cette application Web sera disponible gratuitement sur tout appareil compatible Internet (mobile ou ordinateur de bureau) et devrait être stable sur la plupart des appareils en raison de l'informatique basée sur un serveur. Les frais de maintenance du serveur seront à la charge du sponsor. Les données collectées seront conservées par le commanditaire pendant 10 ans. Le grand ensemble de données sera ouvert à une analyse plus approfondie et sera fourni à l'un des centres contributeurs sur demande raisonnable et après approbation par tous les autres centres. L'objectif est de permettre d'autres analyses à l'aide de l'ensemble de données collectées. Si des analyses supplémentaires conduisent à une publication, tous les contributeurs seront inclus en tant que co-auteurs et tous les co-auteurs auront la possibilité d'examiner ledit manuscrit au préalable. Tout centre d'étude contributeur a le droit de s'opposer à la publication de toute analyse ultérieure contenant ses propres données.
Type d'étude
Inscription (Réel)
Contacts et emplacements
Lieux d'étude
-
-
-
Paris, France
- La Pitié Salpêtrière Hospital
-
-
-
-
-
Innsbruck, L'Autriche
- Medical University of Innsbruck
-
-
-
-
-
Naarden, Pays-Bas, 1411 GE
- Department of Neurosurgery, Bergman Clinics
-
Naarden, Pays-Bas, GE
- Bergman Clinics
-
-
Critères de participation
Critère d'éligibilité
Âges éligibles pour étudier
Accepte les volontaires sains
Sexes éligibles pour l'étude
Méthode d'échantillonnage
Population étudiée
La description
- Critère d'intégration:
- Pathologies dégénératives (un ou plusieurs des éléments suivants : sténose vertébrale, spondylolisthésis, discopathie dégénérative, hernie discale récurrente, syndrome d'échec de la chirurgie du dos (FBSS), radiculopathie, pseudarthrose).
- Les patients sont tenus de donner leur consentement éclairé.
- Seuls les patients âgés de 18 ans ou plus sont considérés pour l'inclusion.
Critère d'exclusion:
- Les patients subissant une chirurgie pour - comme indication principale - des infections, des tumeurs vertébrales, ainsi que des fractures traumatiques et ostéoporotiques ou une chirurgie de déformation pour une scoliose ou une cyphose ne sont pas éligibles. Les patients atteints de scoliose modérée ou sévère (Coronal Cobb > 30 degrés / Schwab classification modificateur sagittal + ou ++) ne sont pas éligibles.
- Les patients subissant une intervention chirurgicale à plus de 6 niveaux vertébraux ne sont également pas éligibles.
- Les patients dont les données sur les critères d'évaluation sont manquantes à 12 mois seront exclus.
Plan d'étude
Comment l'étude est-elle conçue ?
Détails de conception
Que mesure l'étude ?
Principaux critères de jugement
Mesure des résultats |
Description de la mesure |
Délai |
|---|---|---|
|
Échelle visuelle analogique pour les maux de dos
Délai: 12 mois après l'opération
|
Échelle visuelle analogique (EVA) pour la sévérité des maux de dos de 0 à 100, avec des scores plus élevés indiquant plus de douleur.
|
12 mois après l'opération
|
|
Échelle visuelle analogique pour la douleur aux jambes
Délai: 12 mois après l'opération
|
Échelle visuelle analogique (EVA) pour la gravité de la douleur dans les jambes de 0 à 100, avec des scores plus élevés indiquant plus de douleur.
|
12 mois après l'opération
|
|
Indice d'invalidité d'Oswestry
Délai: 12 mois après l'opération
|
Indice d'incapacité d'Oswestry (ODI) pour la déficience fonctionnelle subjective (0 à 100, les valeurs les plus élevées indiquant des niveaux plus élevés de déficience fonctionnelle)
|
12 mois après l'opération
|
Collaborateurs et enquêteurs
Parrainer
Collaborateurs
Les enquêteurs
- Directeur d'études: Marc L Schröder, MD PhD, Bergman Clinics
Dates d'enregistrement des études
Dates principales de l'étude
Début de l'étude (RÉEL)
Achèvement primaire (RÉEL)
Achèvement de l'étude (RÉEL)
Dates d'inscription aux études
Première soumission
Première soumission répondant aux critères de contrôle qualité
Première publication (RÉEL)
Mises à jour des dossiers d'étude
Dernière mise à jour publiée (RÉEL)
Dernière mise à jour soumise répondant aux critères de contrôle qualité
Dernière vérification
Plus d'information
Termes liés à cette étude
Termes MeSH pertinents supplémentaires
Autres numéros d'identification d'étude
- FUSE-ML
Plan pour les données individuelles des participants (IPD)
Prévoyez-vous de partager les données individuelles des participants (DPI) ?
Informations sur les médicaments et les dispositifs, documents d'étude
Étudie un produit pharmaceutique réglementé par la FDA américaine
Étudie un produit d'appareil réglementé par la FDA américaine
Ces informations ont été extraites directement du site Web clinicaltrials.gov sans aucune modification. Si vous avez des demandes de modification, de suppression ou de mise à jour des détails de votre étude, veuillez contacter register@clinicaltrials.gov. Dès qu'un changement est mis en œuvre sur clinicaltrials.gov, il sera également mis à jour automatiquement sur notre site Web .