A billentyűbetegségek fono- és elektrokardiogrammal segített kimutatása (PEA-Valve)

A szívbillentyű-betegség fono- és elektrokardiogrammal segített kimutatása (PEA-billentyű vizsgálat)

Konkrét cél(ok) 1. cél: Egyidejű fono- és elektrokardiogram felvételekből származó gépi tanulási algoritmus képes-e megbízhatóan diagnosztizálni klinikailag fontos aorta szűkületet?

2. cél: Egyidejű fono- és elektrokardiogram felvételekből származó gépi tanulási algoritmus képes-e megbízhatóan diagnosztizálni a klinikailag fontos mitralis regurgitációt?

Jelentőség A szívbillentyű-betegség (VHD) gyakori globális egészségügyi probléma, a populációalapú vizsgálatok szerint az aorta szűkülete (AS) 10%-os, míg a mitralis regurgitáció (MR) esetében 20%-os gyakorisággal fordul elő. Az új sebészeti és intervenciós fejlesztések lehetővé teszik az idősebb betegek kezelését, vagy akiknél a beavatkozás kockázata korábban tarthatatlan lett volna. Tekintettel arra, hogy mind az MR, mind az AS előfordulása az életkor előrehaladtával növekszik, egyre nagyobb szükség van ezen állapotok azonosítására, hogy a betegséget megváltoztató terápiákat kínálhassunk.

A jelenlegi klinikai gyakorlatban a VHD diagnózisa nagymértékben támaszkodik az echokardiográfiára. Ehhez viszont egy olyan szolgáltató beutalójára van szükség, akinek klinikai gyanúja van VHD-re, jellemzően auskultáció során fellépő rendellenesség miatt, valamint magához az echokardiogramhoz. Mind az MR, mind az AS megbízhatóan reprodukálható auskultációs leleteket eredményez: holosystolés, illetve szisztolés crescendo-decrescendo zörejeket. Ennek ellenére az auskultáció, mint diagnosztikai eszköz köztudottan gyenge: az MR és az AS kimutatásának pontossága mindössze 5-40%. Ezek a tényezők mind-mind aggodalomra adnak okot az egyre jobban kezelhető állapotok aluldiagnosztizálása miatt.

Itt a vizsgálók a VHD-tesztekhez való nagyobb hozzáférés és a jobb diagnosztikai pontosság iránti igényekkel foglalkoznak. A nyomozók a fonokardiogram (PCG) és az egyelvezetéses elektrokardiogram (EKG) felvételek kombinációját használják majd, valós időben szinkronizálva egy biztonságos felhőalapú szerverrel, az Eko Duo elektronikus sztetoszkóp segítségével. Ezekkel az adatokkal a kutatók gépi tanulási algoritmust dolgoznak ki és validálnak a klinikailag fontos AS vagy MR diagnosztizálására. Mivel az Eko Duo lényegében hasonlít egy hagyományos sztetoszkóphoz, amely ikonikus eszköz, amelyet a betegek és a szolgáltatók egyaránt széles körben elfogadnak, az automatizált észlelési algoritmus meghajtására való használata megvalósítható és vonzó a hagyományos auszkultáció helyettesítőjeként. Ezen túlmenően azáltal, hogy a tesztértelmezés terhét a klinikusról az algoritmusra helyezik át, a vizsgálók azt feltételezik, hogy ez javítja az általános diagnosztikai pontosságot.

Módszerek A tervezés áttekintése: Az UCSF felnőtt echokardiográfiás laboratóriumában klinikai echokardiogramon átesett alanyok keresztmetszeti vizsgálata

Vizsgálati alanyok Áttekintés: A vizsgálók olyan felnőtt alanyokat vesznek fel, akiknek klinikai echokardiogramon esnek át az UCSF Parnassus campusán. Ezeket az alanyokat levezetési és érvényesítési kohorszokba csoportosítják egymás után, az eset állapota szerint rétegezve, hogy elérjék a várt mintanagyságot. Ilyen csoportosításra a tantárgyfelvétel és az adatgyűjtés után kerül sor.

Célpopuláció: Felnőttek közepesen súlyos vagy súlyos AS-ban vagy közepesen súlyos vagy súlyos MR-ben (esetek) és szerkezetileg normális szívű felnőttek, minimális VHD-val (kontroll). Egy szigorúbb, párhuzamos elemzésben a kontrollok célpopulációját úgy határozzuk meg, hogy az AS vagy MR bármilyen fokú mérsékelttől súlyosig kisebb.

Hozzáférhető lakosság: Az UCSF echokardiográfiás laboratóriumában klinikai echokardiográfiás vizsgálaton átesett felnőttek, akik megfelelnek a részvételi feltételeknek.

Mintavételi séma: A vizsgálók egymás után közelítik meg az UCSF Parnassus felnőtt echokardiográfiás laboratóriumában jelentkező alanyokat. Ezenkívül a vizsgálók előzetesen szűrik az alanyokat, hogy nagy valószínűséggel szenvednek-e AS-ben vagy MR-ben (a vizsgálat indikációi és az APEX-orvosi nyilvántartásban szereplő korábbi diagnózisok alapján), és szelektíven megcélozzák felvételüket olyan helyzetekben, amikor a vizsgálati koordinátor felvételi kapacitása telített. .

Toborzási stratégia: A tanulmány bevezetése az echokardiogramra való regisztrációkor egy brosúrával vagy szórólappal, majd a lehetséges alanyok személyes megkeresése a klinikai echokardiogramra várva.

Megtartási stratégia: Nincs. A nyomozók megőrzik a kórlapszámok törzsfájlját, hogy a jövőben azonosíthassák az elérhetőségeket, ha szükségesnek ítélik.

A mérések áttekintése: A tanulmány két mérésre összpontosít: 1) a VHD arany standard értékelése echokardiogrammal, az UCSF echokardiográfiai laboratóriuma szerint. 2) 30 másodperces szimultán PCG és egyelvezetéses EKG-felvételek az Eko Duo készülékkel mind a négy standard kardiális auszkultációs pozícióban, opcionális kiegészítő felvételekkel az Eko Core készülékkel. A tanulmány kihasználja azt a tényt, hogy minden klinikai echokardiogram jelentés tartalmazza ezeket a billentyűértékeléseket.

Arany standard: Az echokardiogramot a kardiológiai közösség aranystandardjaként fogadja el a VHD súlyosságának diagnosztizálására. A vizsgálók terheinek minimalizálása és a költségek csökkentése érdekében a vizsgálók kihasználják, hogy minden klinikai echokardiogram jelentés tartalmazza a VHD értékelését, amely aranystandardként fog szolgálni. Ezek a jelentések az American Society for Echocardiography (ASE) irányelveit követik, amelyek lehetővé teszik a VHD minősítését a következőképpen: nincs, enyhe, közepes vagy súlyos. Az UCSF echokardiográfiás laboratórium további nyomkövetési, enyhe-közepes, közepes-súlyos és kritikus kategóriákat tartalmaz, lehetővé téve az olyan értelmezéseket, ahol a vizsgálaton belüli egyéni paraméterek ütköznek. Az elsődleges mérés a VHD súlyosságának végső megállapítása MR vagy AS esetén, amint azt egy okleveles kardiológus jelentette. A kutatók a "klinikailag fontos" VHD-t közepestől súlyosig vagy még rosszabbnak minősítik, mivel ez magában foglalja a betegség minden szintjét, amely közvetlen beavatkozást igényelhet. Ezen túlmenően a kutatók kivonják a teljes echokardiográfiás jelentést, valamint az echokardiogram fájlok képeit, hogy az adatokat későbbi felhasználás céljából elmentsék, amint új kutatási kérdések merülnek fel.

Eszközmérések: Az egyidejű PCG és az egyelvezetéses EKG rögzítése minden alanynál szabványos módon történik. Minden alany 30 másodperces felvételen megy keresztül az Eko Duo készülékkel a négy szabványos auskultációs pozícióban. A megfigyelők képzést kapnak a mérések szisztematikus módszeréről. Ha az idő és a beteg engedi, a vizsgálók ugyanazokat a felvételeket az Eko Core készülékkel is megkapják, amely ugyanazt a szoftvert használja, de nem tartalmaz EKG-felvételt. Mivel az eszköz lehetővé teszi a PCG megjelenítését a rögzítés során, a megfigyelő valós idejű visszajelzést kap az eszköz helyzetéről, hogy maximalizálja a felvétel minőségét az egyes pozíciókban. A megfelelő adatminőség biztosítása érdekében a nyomozók a felvételek időszakos felülvizsgálatát tervezik. A kutatók arra számítanak, hogy ez a rugalmasság és a valós idejű visszajelzés javítani fogja az eszköz használatának általánosíthatóságát a valós világra (pl. nem vizsgálat) klinikai helyzet.

Zavarok és torzítás: Az algoritmusok levezetése és validálása távolról történik, a klinikai echokardiogram elvégzése után, és ezért nincs hatással az aranystandard eredményére. A tesztet befolyásolhatja a szisztolés zörejt okozó egyéb állapotok jelenléte (beleértve az AS-től vagy az MR-től eltérő VHD-t vagy a veleszületett szívbetegséget). A vizsgálók ezeket a méréseket az echokardiogram jelentéséből fogják felvenni, hogy összehasonlítsák a tesztteljesítményt azoknál, akiknél ez az egyéb állapot fennáll, vagy nem.

Statisztikai kérdések Null hipotézis: A gépi tanulási algoritmus nem tudja megjósolni a klinikailag fontos AS vagy MR jelenlétét.

A minta méretének indoklása:

• Az algoritmus érzékenysége: 90%
• Az algoritmus specifikussága: 90%
• Az [LR(R)] algoritmus célvalószínűségi aránya (+): 9 (az Sn / [1 - Sp]-ből származtatva)
• Az algoritmus [LR(R)] minimális valószínűségi aránya (+): 5
• Megbízhatósági szint = 0,95 (alfa = 0,05)
• Konfidenciaintervallum [LR(R)]: 5,120-15,820
• Mintaméret = 110 csoportonként; 330 kohorszonként (kontroll, AS-eset, MR-eset); Összességében 660 (képzési és érvényesítési kohorsz)
• Összegzés: Feltételezve, hogy a klinikailag fontos AS vagy MR kimutatására szolgáló gépi tanulási algoritmus érzékenysége és specificitása egyaránt 0,9, a 660-as teljes mintanagyság várhatóan egyik esetben sem megy az 5,0-s valószínűségi küszöbérték alá a 95%-os konfidencia intervallumban. a származtatási vagy érvényesítési kohorszok.
• A kritikus feltételezések indoklása: A kutatók feltételezik, hogy az algoritmus 90%-os szenzitivitást és specificitást tud produkálni az aorta szűkület vagy mitralis regurgitáció kimutatásában a szívbillentyű-betegségben nem szenvedő szívekhez képest, neurális hálózatokat használó, korábban publikált jelentések alapján, 100-nál kisebb mintamérettel esetek. Ezenkívül a vizsgálók becslése szerint legalább 5-ös valószínűségi arány szükséges ahhoz, hogy a teszt klinikailag hasznos legyen. Bár ez a becslés jól működik az érvényesítési halmaznál, a származtatási halmazhoz szükséges szám kevésbé egyértelmű; a fenti becslések óvatos számok. A nyomozók azt várják, hogy az algoritmus betanítása minden 20. eset után bootstrapping megközelítést alkalmazzon; ez köztes tesztjellemzőket biztosít, és segít meghatározni a származtatási halmazhoz szükséges valódi számot. Mivel ez részben egy kísérleti vizsgálat, a teszt valódi érzékenységének és specificitásának meghatározása önmagában is értékes eredmény.

Elemzési megközelítés: A vizsgálók ROC-görbéket generálnak (Sn vs. 1-Sp ábrázolása) az érvényesítési halmaz algoritmuspontszámaihoz. Végül a vizsgálók 4 görbét generálnak: kettőt-kettőt az MR-hez és az AS-hez, az elsődleges (meghatározva, hogy a kontrollok legfeljebb enyhe VHD-val rendelkeznek) és a másodlagos (a kontrollokat úgy határozzák meg, hogy nem rendelkeznek közepestől súlyos vagy nagyobb VHD-vel) által generált algoritmusok segítségével. . Ezen túlmenően a vizsgálók azt várják, hogy magának az algoritmusnak feltáró, leíró elemzését végezzék el, azáltal, hogy azonosítják az AS vagy MR kimutatásában leginkább súlyozott jellemzőkkel kapcsolatos klinikai összefüggéseket.

Egyéb Etikai megfontolások: Nincsenek komoly aggályok. Az adatokat biztonságosan tároljuk HIPAA-kompatibilis platformokon. A tanulmány az UCSF CHR kritériumai szerint minimális kockázatnak minősül.

Előteszt tervek: A tanulmányi toborzás előtt a vizsgálati személyzet adatokat gyűjt magáról és a szolgáltatókról, hogy tesztelje az adatgyűjtési rendszert. A kezdeti tantárgyfelvétel során a vizsgálati személyzet minden nap után felülvizsgálja a folyamatot, hogy megvitassák az akadályokat vagy aggályokat.

Adatkezelési terv: A tanulmányból származó adatok két forrásból származnak. Az elektronikus kórlapból (APEX) kinyert echokardiogramokról készült jelentéseket a vizsgálati személyzet felülvizsgálja, hogy létrehozza a betegség jellemzőinek fő adatbázisát. Az alanyazonosítókat az azonosítható információkkal összekapcsoló törzsfájl, valamint a kivont és az azonosítás nélküli echokardiogram jelentések és az azonosított nyers echokardiogram képek a Kardiológiai Osztály által használt biztonságos kutatószerveren kerülnek tárolásra. A rögzített PCG és EKG adatok (a tényleges vizsgálati mérések) valós időben szinkronizálva lesznek egy biztonságos, HIPAA-kompatibilis, felhő alapú szerverrel, amelyet az Eko Devices kezel. Az algoritmusoktatás előre meghatározott időpontjaiban a gépi tanulási csapat (az Eko Devices koordinálásával) kulcsokat kap a tantárgyazonosító VHD kategóriához való hozzárendeléséhez.

Minőségellenőrzési intézkedések: A felvett adatok időszakos felülvizsgálatát a vizsgálati PI végzi a megfelelő adatminőség biztosítása érdekében.

Menetrend:

Szerződés/logisztikai tantárgy beiratkozási algoritmus fejlesztési elemzés kiadványa teljes ütemterv: 9 hónap