La prova di vertigini multicentrica CAVA (CAVA 2)

Questo è uno studio multicentrico sull'accuratezza diagnostica con un obiettivo di reclutamento di 255 partecipanti adulti. Il reclutamento avverrà in dieci siti nel Regno Unito, nell'arco di due anni. Per essere ammessi, i partecipanti devono avere una diagnosi esistente di malattia di Ménière, emicrania vestibolare o BPPV. Lo studio recluterà ottantacinque partecipanti con ciascuna condizione. La diagnosi di ogni paziente costituirà lo "standard di riferimento" che verrà successivamente confrontato con una diagnosi computerizzata automatizzata.

Ogni partecipante indosserà il dispositivo CAVA quasi ininterrottamente per trenta giorni. Il dispositivo registrerà tutti i movimenti degli occhi e della testa durante questo periodo, anche durante eventuali episodi di vertigini. Quando un paziente sperimenta un episodio di vertigine, gli verrà chiesto di attivare un marcatore di eventi sul dispositivo CAVA e di tenere una registrazione scritta dell'insorgenza e della durata dell'attacco in un diario. Sebbene questa registrazione manuale non sarà utilizzata per lo sviluppo dell'algoritmo, tutti i 30 giorni di dati verranno utilizzati per rilevare periodi di movimento degli occhi associati a vertigini.

Gli investigatori svilupperanno algoritmi informatici che utilizzano i dati acquisiti dai dispositivi CAVA per distinguere tra tre condizioni target. Questi algoritmi si baseranno sugli algoritmi che sono stati sviluppati durante l'attuale sovvenzione MRC che hanno prodotto risultati eccellenti.10,11,17. Gli algoritmi utilizzano reti neurali di apprendimento profondo (DNN) in un cosiddetto approccio "end-to-end". In questo approccio, una rete multistrato prende come input dati "grezzi" nel dominio del tempo e produce una decisione di classificazione senza utilizzare alcuna rappresentazione intermedia esplicita del segnale (come entropia del segnale, potenza, asimmetria, curtosi ecc.). È stato dimostrato che gli approcci end-to-end, che in genere utilizzano sequenze alternate di livelli di convoluzione e pooling, livelli completamente connessi, codificatori automatici e livelli di memoria a lungo termine e a breve termine (LSTM), superano gli approcci tradizionali nei casi in cui grandi quantità di addestramento i dati sono disponibili. Tuttavia, forniscono poche informazioni su come funzionano (vale a dire quali caratteristiche del segnale sono importanti per la classificazione). Sarà quindi anche preso in considerazione lo sviluppo di metodi in cui vengono generate rappresentazioni intermedie e quindi utilizzare queste caratteristiche di input per testare una gamma di classificatori (ad esempio, alberi potenziati, foreste casuali, regressione logistica, macchine vettoriali di supporto ecc.).

Le prestazioni degli algoritmi saranno valutate utilizzando la tecnica della 'leave-one-out cross-validation', che è il modo abituale di valutare i classificatori.22 In questa tecnica, i dati di un singolo paziente vengono messi da parte ei restanti dati degli altri pazienti vengono utilizzati per "addestrare" il classificatore. Si farà riferimento a un algoritmo addestrato a distinguere le tre condizioni come un "classificatore". Il classificatore viene quindi testato sui dati accantonati: il processo di test consiste nel confrontare la diagnosi prevista dal classificatore ("malattia di Ménière", "emicrania vestibolare" o "VPPB") con la vera diagnosi (l'etichetta standard di riferimento). Questo processo viene ripetuto, rimuovendo ogni volta i dati di un paziente diverso, producendo una diagnosi automatizzata per tutti i 255 pazienti. Sebbene computazionalmente costoso, ciò garantisce che il classificatore non abbia "visto" durante l'addestramento i dati del paziente che testa, il che pregiudicherebbe la sua decisione. Corrisponde anche da vicino allo scenario del mondo reale di un nuovo paziente che si presenta al proprio medico e una diagnosi viene fornita sulla base della loro esperienza con altri pazienti.

Lo studio presenterà la sensibilità e la specificità per la diagnosi di ciascuna delle tre condizioni target e le curve dell'operatore del ricevitore (ROC), mostrando come cambia l'accuratezza diagnostica per varie soglie di classificazione.

Le condizioni target hanno incidenze diverse. Riflettere questo squilibrio nei calcoli statistici di questo studio richiederebbe molte migliaia di pazienti con la più comune di queste condizioni. Si ritiene che ciò non sarebbe economicamente sostenibile e non aggiungerebbe valore allo studio. I risultati ottenuti saranno sufficientemente robusti per dimostrare l'efficacia del sistema e il tasso di rilevamento previsto per ciascuna malattia.

Un economista sanitario (HE) valuterà le risorse potenziali, i risparmi finanziari ei benefici per il paziente di un percorso diagnostico che incorpora CAVA rispetto ai percorsi esistenti. Il disegno dello studio garantisce che la raccolta di dati appropriati sia incorporata nello studio per la valutazione economica. Un primo modello di rapporto costo-efficacia sarà sviluppato utilizzando i dati retrospettivi dei pazienti (ad esempio, storia, numero di test e visite ospedaliere). Il modello rivelerà i potenziali risparmi e vantaggi degli algoritmi predittivi di CAVA a varie soglie ipotetiche di accuratezza diagnostica rispetto a un percorso diagnostico standard. Al momento verrà sviluppato un percorso diagnostico controfattuale con il dispositivo CAVA rispetto allo standard di cura abituale, per informare i potenziali benefici economici più probabili.

Un consulente di commercializzazione supervisionerà un portafoglio di lavoro per supportare la commercializzazione del sistema CAVA. Produrranno un piano di accesso al mercato che dettaglia il percorso di CAVA verso la commercializzazione e confermerà il posizionamento di CAVA all'interno dei percorsi NHS esistenti e il modo in cui verrà implementato. Gli investigatori si baseranno sul precedente lavoro del focus group con un evento delle parti interessate che coinvolge professionisti, pazienti e parti interessate IT delle organizzazioni del SSN. Gli investigatori identificheranno le questioni importanti per le parti interessate in merito alla fattibilità dell'adozione all'interno del NHS e stabiliranno il supporto per l'adozione. Verrà ospitato un evento PPI per rivedere i risultati intermedi del processo e un evento di divulgazione pubblica per condividere i risultati con il pubblico. Per tutta la durata del progetto saranno impegnate potenziali licenze.