Diagnosi e previsione dell'apprendimento automatico per la mielopatia cervicale (MCM)

1. INTRODUZIONE

   1.1 PREMESSA

   La mielopatia spondilotica cervicale (CSM) è una patologia del midollo spinale che culmina nella compressione progressiva del midollo spinale cervicale. È una delle cause più comuni di patologia del midollo spinale a livello globale e può comportare significativi effetti negativi sulla qualità della vita dei pazienti (Merali et al., 2019). L'attuale trattamento gold standard per CSM è la decompressione chirurgica, che ripristina la funzione e migliora la qualità della vita; tuttavia la decompressione chirurgica non porta benefici a tutti i pazienti. Data questa dicotomia, è evidente che è fondamentale identificare correttamente i pazienti idonei all'intervento chirurgico, per risparmiare ai pazienti non idonei rischi inutili di intervento chirurgico. I chirurghi della colonna vertebrale devono analizzare grandi quantità di dati dei pazienti, compresi i parametri radiologici e clinici, per stratificare correttamente i pazienti. Tuttavia, rimane sfuggente come ogni parametro debba essere ponderato e se tutti i parametri predittivi siano stati identificati. Inoltre, è fondamentale che la diagnosi di CSM venga effettuata il prima possibile, poiché è stato riportato che i risultati chirurgici sono significativamente migliorati se diagnosticati in uno stadio precoce della malattia rispetto a uno stadio avanzato. eseguito nelle fasi precedenti durante il corso del CSM è stato segnalato per avere più successo rispetto alla fase successiva (Baron & Young, 2007). Sono stati identificati parametri radiologici che possono aiutare nella diagnosi precoce, tra cui l'imaging del tensore di diffusione e una maggiore densità di immagini MRI pesate in T2, tuttavia è stato dimostrato che questi parametri hanno bassa sensibilità (15-65%) e sono stati ottenuti con metodi convenzionali, non -metodi statistici di apprendimento profondo, che molto probabilmente hanno perso parametri salienti a causa di limiti statistici intrinseci. L'apprendimento automatico è l'attuale gold standard statistico per la modellazione e l'analisi dei dati. Combina informatica e statistica per ottenere la massima accuratezza predittiva. Recentemente, l'apprendimento automatico è stato sempre più applicato con successo alla ricerca medica e chirurgica per prevedere gli esiti di malattie e trattamenti per varie condizioni, ottenendo risultati superiori ai metodi statistici convenzionali. Per continuare, oltre ai segni radiologici, sono stati identificati alcuni segni clinici come il segno di Hoffman per aiutare nella diagnosi precoce della mielopatia cervicale (Denno & Meadows, 1991), tuttavia i risultati sui predittori clinici sono scarsi e rimane la domanda su come si confrontano con i segni radiologici e biomarcatori biochimici e se ci sono predittori clinici non identificati. Merali et al. hanno utilizzato un modello di apprendimento automatico per combinare parametri clinici e biochimici per creare un modello predittivo olistico, ma non sono riusciti a includere parametri radiologici, oltre a concentrarsi principalmente sull'esito del trattamento piuttosto che sulla diagnosi precoce. Pertanto, questo studio mira a colmare la lacuna nella letteratura e ad analizzare tutti i dati cardine del paziente, vale a dire radiologici, biochimici e clinici, per rilevare nuovi e pesare i predittori esistenti rilevanti per la diagnosi precoce della mielopatia cervicale e l'esito del trattamento, nonché la stratificazione del progresso della malattia.

   Tre studi recenti hanno esaminato l'apprendimento automatico nel contesto del CSM. In primo luogo, Merali et al. (2019) hanno studiato l'uso dell'apprendimento automatico nella previsione degli esiti chirurgici nei pazienti con CSM. Il loro modello ha funzionato bene, tuttavia non ha considerato alcun imaging radiologico, il che rappresenta una limitazione significativa per questo studio, poiché l'imaging fornisce indizi fondamentali in particolare per la diagnosi precoce del CSM. Inoltre, durante la creazione di un modello di apprendimento automatico, gli autori non sono riusciti a creare uno strumento utilizzabile dai medici basato sul modello di apprendimento automatico. Il secondo studio, sempre di Merali et al. (2021) hanno applicato l'apprendimento automatico all'imaging radiologico per il rilevamento della patologia CSM. Anche in questo caso il modello ha funzionato ragionevolmente bene, tuttavia sono stati inclusi solo i pazienti CSM confermati, il che rappresenta un'enorme limitazione. È fondamentale includere i pazienti CSM in fase iniziale per analizzare come si comporta il modello di apprendimento automatico rispetto ai metodi convenzionali in termini di previsione e se può aiutare nella diagnosi precoce. Inoltre, entrambi gli studi erano di natura retrospettiva, il che significa che non sarebbe stato possibile alcun confronto tra il modello di apprendimento automatico e i metodi convenzionali. Hopkins et al. (2019) hanno analizzato l'uso dell'apprendimento automatico nella diagnosi, piuttosto che nella previsione, del CSM. Tuttavia, un'importante limitazione di questo studio è che ha utilizzato solo l'imaging radiologico, trascurando completamente i parametri clinici e biochimici. Infatti, Merali et al. (2019) hanno anche completamente trascurato i parametri biochimici nella loro analisi. Potenzialmente, questa è un'importante variabile inesplorata nella patogenesi e nella diagnosi del CSM che deve essere esplorata. Per concludere, gli studi hanno esaminato l'apprendimento automatico per diagnosticare e fare previsioni nel CSM, tuttavia hanno gravi limitazioni guardando solo frammenti del percorso diagnostico. A tal fine, dato che la diagnosi e le previsioni riguardanti la progressione della malattia da CSM e l'esito del trattamento condividono una moltitudine delle stesse identiche variabili, è logico e necessario analizzarle insieme, piuttosto che in studi separati. Inoltre, è necessario includere variabili radiologiche, ma anche cliniche e biochimiche per ottenere un modello di apprendimento automatico quasi ottimale, poiché questi sono gli strumenti a cui avrebbe accesso anche un clinico per basare le sue diagnosi e previsioni. Pertanto, questo studio esaminerà le variabili radiologiche-cliniche-biochimiche con l'apprendimento automatico nel contesto della diagnosi, nonché le previsioni sulla progressione della malattia e sui risultati del trattamento. Successivamente, tutti gli studi non sono riusciti a esaminare l'uso dell'apprendimento automatico per la diagnosi precoce. Poiché la diagnosi precoce è fondamentale per migliorare l'esito del trattamento, questa è un'enorme lacuna nella letteratura, che questo studio di ricerca mira a colmare, concentrandosi sulle variabili che aiutano la diagnosi precoce del CSM attraverso l'inclusione di casi lievi di CSM. In definitiva, nessuno degli studi ha utilizzato la valutazione della qualità della vita basata sul paziente (ad es. JOACMEQ) come variabile di risultato che potrebbe essere più importante di mJOA.

   In sintesi I limiti degli studi sul tema del CSM e la previsione dell'esito del trattamento finora sono stati che hanno utilizzato solo mJOA come variabile di esito, invece di utilizzare il JOACMEQ basato sul paziente. Questa è una limitazione enorme, poiché alla fine solo il paziente può valutare e valutare soggettivamente l'esito del trattamento. Per quanto riguarda il tema della diagnosi precoce del CSM, non ci sono stati studi che abbiano esplorato questo argomento.

   1.2 RAZIONALE DELLO STUDIO ATTUALE

   OBIETTIVI

   Lo scopo generale di questo studio di ricerca è quello di creare due modelli predittivi di apprendimento automatico basati su variabili radiologiche, cliniche e biochimiche, che consentano ai chirurghi della colonna vertebrale di diagnosticare il CSM in anticipo e in modo più accurato, oltre a consentire loro di fornire ai pazienti un trattamento altamente personalizzato e accurato informazioni predittive sui risultati del trattamento.

   IPOTESI

   Esistono caratteristiche del paziente non identificate, parametri biochimici, radiologici e clinici che potrebbero aiutare nella diagnosi precoce e nella previsione del trattamento della mielopatia cervicale se combinati con biomarcatori già noti. Questi modelli possono essere identificati e ponderati con l'apprendimento automatico supervisionato e non supervisionato, nonché con la regressione lineare multivariata. Successivamente, il modello di apprendimento automatico può essere addestrato con convalida incrociata nidificata per ottenere un adattamento ottimale, evitando l'overfitting, per prevedere la diagnosi di mielopatia cervicale. diagnosi precoce della mielopatia cervicale e previsione dell'esito del trattamento dei pazienti con mielopatia cervicale. Si ipotizza che le previsioni di apprendimento automatico relative all'esito del trattamento e alla progressione della malattia siano significativamente più accurate dell'attuale capacità predittiva dei medici.

   RISCHI E BENEFICI

   Rischi: potenziale disagio durante l'esame. Ciò sarà mitigato chiedendo dolore prima dell'esame e utilizzando tecniche di esame delicate. I potenziali disagi saranno mitigati trovando un orario conveniente per il paziente.

   Vantaggio: in caso di recidiva dei sintomi dopo l'intervento chirurgico, il nostro modello e algoritmo di apprendimento automatico può aiutare i neurochirurghi curanti a diagnosticare la recidiva della mielopatia cervicale in una fase precoce e prevedere con maggiore precisione se trarranno nuovamente beneficio dall'intervento chirurgico o se trarrebbero beneficio invece da una gestione conservativa.

   I pazienti non riceveranno alcun pagamento, rimborso spese o altri benefici o incentivi per la partecipazione a questa ricerca, nessun pagamento personale oltre il normale stipendio, o qualsiasi altro beneficio o incentivo, e il Ricercatore Capo o qualsiasi altro ricercatore/collaboratore non ha alcun coinvolgimento personale diretto (ad es. finanziari, partecipazioni, relazioni personali, ecc.) nelle organizzazioni che sponsorizzano o finanziano la ricerca che possono dar luogo a un possibile conflitto di interessi.

   I partecipanti alla ricerca non riceveranno alcun compenso, rimborso spese o altri benefici o incentivi per la partecipazione a questa ricerca.

2. OBIETTIVI DI STUDIO

OBIETTIVI

Diagnosi precoce di CSM

1. Identificare i predittori clinici precoci della diagnosi di mielopatia cervicale sulla base dei singoli sintomi riferiti dal paziente utilizzando un questionario retrospettivo e possibilmente un'analisi retrospettiva di dati biochimici, radiologici e clinici mediante rilevamento di pattern con apprendimento automatico o in alternativa regressione lineare multivariata.
2. Convertire i risultati del modello di apprendimento automatico o dell'analisi di regressione multivariata in un sistema di punteggio o uno strumento di apprendimento automatico che può essere utilizzato clinicamente per classificare i pazienti in gruppi CSM con probabilità non probabile, moderata o alta per aiutare la diagnosi clinica precoce e prevenire uso non necessario dell'imaging.

Previsione dell'esito del trattamento del CSM

1. Seguire in modo prospettico una coorte di pazienti con CSM raccogliendo il maggior numero possibile di variabili indipendenti cliniche, biochimiche e radiologiche rilevanti, nonché utilizzando prima il questionario JOACMEQ e mJOA, come variabili di esito. La relazione delle variabili indipendenti e di risultato sarà analizzata mediante metodi convenzionali e machine learning.
2. Costruire e addestrare un modello di apprendimento automatico per prevedere con precisione l'esito del trattamento nei pazienti diagnosticati.
3. Utilizzare il modello di apprendimento automatico come base per progettare uno strumento di punteggio o un algoritmo point-of-care che possa essere utilizzato clinicamente per classificare i pazienti in pazienti con improbabile, moderata probabilità o alta probabilità di essere responder alla chirurgia CSM per aiutare la gestione appropriata del CSM pazienti.

3. PROGETTAZIONE DI STUDIO

Tipo di studio: studio di coorte prospettico e retrospettivo non randomizzato Durata: prospettico: osservazioni pre-trattamento, post-trattamento a 3 mesi e 6 mesi (minimo 18 mesi).

Retrospettiva: minimo ultimi 2 anni. Numero di pazienti: circa 300 (100 pazienti prospettici, 200 pazienti retrospettivi).

Questo campione è stato determinato sulla base delle stime dei pazienti affetti da mielopatia cervicale presso l'Imperial College NHS Healthcare Trust in passato per uno studio prospettico. 100 pazienti affetti da mielopatia cervicale trattati presso l'Imperial College NHS Healthcare Trust nei successivi 18 mesi minimo per il braccio prospettico, nonché 100 pazienti trattati negli ultimi 2 anni minimo in ICHT e 100 pazienti con diagnosi negativa da un singolo team MSK comunitario di Hounslow e Richmond Community Healthcare NHS Trust, che si trova nel bacino di utenza dell'Imperial College Healthcare NHS Trust Neurosurgery. Dato l'approccio dell'apprendimento automatico, questa dimensione del campione potrebbe sembrare troppo piccola per mantenere l'accuratezza (come spiegato in modo esauriente qui: https://www.fharrell.com/post/ml-sample-size/ ), tuttavia sono state adottate misure adeguate per garantire un'elevata precisione evitando l'overfitting. Per l'apprendimento automatico è stato dimostrato che la convalida incrociata nidificata (NCV) non è affetta da bias dovuti a piccole dimensioni del campione, infatti non risponde linearmente positivamente o negativamente alle variazioni della dimensione del campione, rimanendo molto accurata e robusta (Vabalas et al. ., 2019). Quindi, useremo NCV. Inoltre, la dimensione del campione di n=100 e n=200 rispettivamente, è ulteriormente rafforzata dall'elevato numero di caratteristiche (250+ per lo studio prospettico, 10-50 per [a seconda della pulizia dei dati CMSK] vedere entrambi i questionari) , che ha un'influenza significativamente positiva sull'accuratezza del modello (Vabalas et al. 2019) Metriche dei dati: informazioni raccolte tramite esame clinico e questionari eseguiti retrospettivamente per telefono, prima dell'intervento e a 3 e 6 mesi dopo l'intervento. Il questionario allegato “Questionario sull'esito del trattamento della mielopatia cervicale” riporta le informazioni relative alle comorbilità e alla sintomatologia. L'esame sarà un esame neurologico approfondito oltre a un esame cardiovascolare mirato. Marcatori ematici biochimici da marcatori ematici esistenti o da cartelle cliniche, che sono stati o sarebbero stati eseguiti indipendentemente da questo studio. I riscontri radiologici saranno ricavati dalla risonanza magnetica di routine e dalle radiografie del rachide cervicale eseguite nell'ambito dell'iter diagnostico del CSM. Il questionario retrospettivo "Questionario per la diagnosi precoce del CSM" contiene tutte le domande che verranno raccolte retrospettivamente via telefono. Inoltre, i pazienti del team MSK della comunità, quelli con diagnosi di CM alla fine e quelli esaminati per query CM, i loro dati clinici, biochimici e radiologici dai database SystemOne locali saranno raccolti per l'analisi e il confronto.

il modello verrà convertito in uno strumento di previsione dell'esito del trattamento point-of-care basato sul Web utilizzando il pacchetto Shiny in R. I dati e tutta la documentazione appropriata verranno archiviati secondo la politica di Trust, incluso il periodo di follow-up.

3.1 MISURE DI ESITO DELLO STUDIO Il punteggio mJOA e il punteggio JOACMEQ sono le misure di esito per il braccio prospettico dello studio. Una buona risposta alla chirurgia è un miglioramento di 1 punto nel punteggio mJOA a 3 e 6 mesi. La conferma radiologica della mielopatia cervicale è la misura dell'esito per il braccio retrospettivo.