L'essai multicentrique sur les étourdissements CAVA (CAVA 2)

Il s'agit d'une étude de précision diagnostique multicentrique avec un objectif de recrutement de 255 participants adultes. Le recrutement aura lieu sur dix sites au Royaume-Uni, sur deux ans. Pour être éligibles, les participants doivent avoir un diagnostic existant de maladie de Ménière, de migraine vestibulaire ou de VPPB. L'étude recrutera quatre-vingt-cinq participants avec chaque condition. Le diagnostic de chaque patient constituera le "standard de référence" qui sera ensuite comparé à un diagnostic informatique automatisé.

Chaque participant portera le dispositif CAVA à proximité en continu pendant trente jours. L'appareil enregistrera tous les mouvements des yeux et de la tête pendant cette période, y compris pendant les épisodes de vertige. Lorsqu'un patient éprouve un épisode de vertige, il lui sera demandé d'activer un marqueur d'événement sur l'appareil CAVA et de conserver une trace écrite du début et de la durée de l'attaque dans un journal. Bien que cet enregistrement manuel ne soit pas utilisé pour le développement de l'algorithme, l'ensemble des 30 jours de données sera utilisé pour détecter les périodes de mouvements oculaires associés aux étourdissements.

Les chercheurs développeront des algorithmes informatiques qui utilisent les données capturées par les appareils CAVA pour différencier les trois conditions cibles. Ces algorithmes s'appuieront sur les algorithmes qui ont été développés au cours de la subvention actuelle du CRM et qui ont produit d'excellents résultats.10,11,17. Les algorithmes utilisent des réseaux de neurones d'apprentissage en profondeur (DNN) dans une approche dite "de bout en bout". Dans cette approche, un réseau multicouche prend en entrée des données de domaine temporel "brutes" et produit une décision de classification sans utiliser de représentations intermédiaires explicites du signal (telles que l'entropie du signal, la puissance, l'asymétrie, l'aplatissement, etc.). Il a été démontré que les approches de bout en bout, qui utilisent généralement des séquences alternées de couches de convolution et de regroupement, des couches entièrement connectées, des encodeurs automatiques et des couches de mémoire longue à court terme (LSTM), surpassent les approches traditionnelles dans les cas où de grandes quantités de formation les données sont disponibles. Cependant, ils fournissent peu d'informations sur leur fonctionnement (c'est-à-dire quelles caractéristiques du signal sont importantes pour la classification). Il sera donc également envisagé de développer des méthodes dans lesquelles des représentations intermédiaires sont générées, puis d'utiliser ces caractéristiques d'entrée pour tester une gamme de classificateurs (par exemple, arbres boostés, forêts aléatoires, régression logistique, machines à vecteurs de support, etc.).

Les performances des algorithmes seront évaluées à l'aide de la technique de « validation croisée leave-one-out », qui est la méthode habituelle d'évaluation des classificateurs.22 Dans cette technique, les données d'un seul patient sont mises de côté et les données restantes des autres patients sont utilisées pour "former" le classificateur. On se référera à un algorithme qui est formé pour distinguer les trois conditions en tant que « classificateur ». Le classificateur est ensuite testé sur les données mises de côté : le processus de test consiste à comparer le diagnostic prédit par le classificateur ("maladie de Ménière", "migraine vestibulaire" ou "VPPB") avec le vrai diagnostic (l'étiquette standard de référence). Ce processus est répété, supprimant à chaque fois les données d'un patient différent, produisant un diagnostic automatisé pour les 255 patients. Bien que coûteux en temps de calcul, cela garantit que le classifieur n'a pas « vu » pendant l'entraînement les données du patient qu'il teste, ce qui biaiserait sa décision. Il correspond également étroitement au scénario du monde réel d'un nouveau patient se présentant à son clinicien et d'un diagnostic fourni sur la base de son expérience avec d'autres patients.

L'étude présentera la sensibilité et la spécificité du diagnostic de chacune des trois conditions cibles et des courbes récepteur-opérateur (ROC), montrant comment la précision du diagnostic change pour divers seuils de classification.

Les conditions cibles ont des incidences différentes. Refléter ce déséquilibre dans les calculs statistiques de cette étude nécessiterait plusieurs milliers de patients atteints de la plus courante de ces conditions. On pense que cela ne serait pas économiquement viable et n'ajouterait pas de valeur à l'étude. Les résultats obtenus seront suffisamment robustes pour démontrer l'efficacité du système et le taux de détection attendu pour chaque maladie.

Un économiste de la santé (HE) évaluera les ressources potentielles, les économies financières et les avantages pour le patient d'une voie de diagnostic incorporant CAVA par rapport aux voies existantes. La conception de l'étude garantit que la collecte de données appropriées est intégrée à l'étude pour l'évaluation économique. Un modèle de rentabilité précoce sera développé à l'aide de données rétrospectives sur les patients (par exemple, antécédents, nombre de tests et de visites à l'hôpital). Le modèle révélera les économies et les avantages potentiels des algorithmes prédictifs de CAVA à divers seuils hypothétiques de précision diagnostique par rapport à une voie diagnostique standard. Une voie de diagnostic contrefactuelle avec le dispositif CAVA sera développée par rapport à la norme de soins habituels pour le moment, afin d'informer les avantages économiques potentiels les plus probables.

Un consultant en commercialisation supervisera un portefeuille de travaux pour soutenir la commercialisation du système CAVA. Ils produiront un plan d'accès au marché détaillant la voie de commercialisation de CAVA et confirmeront le placement de CAVA dans les voies existantes du NHS et comment il serait mis en œuvre. Les enquêteurs s'appuieront sur le travail de groupe de discussion précédent avec un événement des parties prenantes impliquant des professionnels, des patients et des parties prenantes des technologies de l'information des organisations du NHS. Les enquêteurs identifieront les problèmes importants pour les parties prenantes concernant la faisabilité de l'adoption au sein du NHS et établiront un soutien à l'adoption. Un événement PPI sera organisé pour examiner les résultats intermédiaires de l'essai et un événement de diffusion publique pour partager les résultats avec le public. Tout au long du projet, des licences prospectives seront engagées.