子宮頸部ミエロパシーの機械学習による診断と予測 (MCM)

1. 序章

   1.1 背景

   頸椎症性脊髄症 (CSM) は、頸髄の進行性圧迫で最高潮に達する脊髄の病状です。 これは、世界的に脊髄病理の最も一般的な原因の 1 つであり、患者の生活の質に重大な悪影響を与える可能性があります (Merali et al., 2019)。 CSM の現在のゴールド スタンダード治療は、機能を回復し、生活の質を向上させる外科的減圧です。ただし、外科的減圧はすべての患者に利益をもたらすわけではありません。 この二分法を考慮すると、手術に適した患者を正確に特定し、不適切な患者を手術の不必要なリスクから守ることが極めて重要であることは明らかです。 脊椎外科医は、患者を正しく層別化するために、放射線および臨床パラメーターを含む膨大な量の患者データを分析する必要があります。 ただし、各パラメーターをどのように重み付けする必要があるか、およびすべての予測パラメーターが特定されているかどうかは、とらえどころのないままです。 さらに、CSM の診断はできるだけ早期に行うことが極めて重要です。これは、後期に比べて早期の疾患段階で診断された場合に外科的転帰が大幅に改善されることが報告されているためです。 CSM の初期段階で実施されたものは、後期段階と比較してより成功したと報告されています (Baron & Young、2007 年)。 拡散テンソル イメージングや MRI T2 強調画像の密度の増加など、早期発見に役立つ放射線パラメータが特定されていますが、これらのパラメータは感度が低く (15 ～ 65%)、従来の非-固有の統計的制限により、顕著なパラメーターを見逃す可能性が非常に高いディープラーニング統計手法。 機械学習は、データ モデリングと分析の現在の統計的ゴールド スタンダードです。 コンピューター サイエンスと統計を組み合わせて、予測精度を最大化します。 最近、機械学習は、さまざまな状態の病気や治療の結果を予測するために、医学および外科研究にますます適用され、成功を収めており、従来の統計手法よりも優れた結果をもたらしています。 続けて、放射線学的徴候に加えて、ホフマン徴候などのいくつかの臨床的徴候が頸部脊髄症の早期診断に役立つことが確認されています (Denno & Meadows, 1991)。生化学的バイオマーカーと、未確認の臨床予測因子があるかどうか。 メラリ等。機械学習モデルを使用して臨床パラメータと生化学パラメータを組み合わせて全体的な予測モデルを作成しましたが、放射線パラメータを含めることができず、早期診断ではなく治療結果に主に焦点を当てていました. したがって、この研究は、文献のギャップを埋め、すべての重要な患者データ、つまり放射線学的、生化学的、および臨床的データを分析して、早期の子宮頸部脊髄症の診断と治療の結果、および疾患の進行層別化に関連する新規の予測因子を検出し、既存の予測因子を比較検討することを目的としています。

   最近の 3 つの研究では、CSM のコンテキストで機械学習が検討されています。 まず、Merali ら。 (2019) は、CSM 患者の手術結果を予測する際の機械学習の使用を調査しました。 彼らのモデルはうまく機能しましたが、イメージングは​​特にCSMの早期診断にとって極めて重要な手がかりを与えるため、この研究の重大な制限である放射線イメージングを考慮していませんでした。 さらに、機械学習モデルを作成している間、著者は、機械学習モデルに基づいた臨床医が使用するツールを作成できませんでした。 同じくMeraliらによる2番目の研究。 (2021) は、CSM 病理の検出のために機械学習を放射線画像に適用しました。 モデルは再びかなりうまく機能しましたが、確認された CSM 患者のみが含まれていたため、非常に大きな制限がありました。 初期段階の CSM 患者を含めることは、予測に関して従来の方法と比較して機械学習モデルがどのように機能するか、および早期発見に役立つかどうかを分析するために極めて重要です。 さらに、両方の研究は本質的に遡及的であり、機械学習モデルと従来の方法との比較は不可能でした. ホプキンス等。 (2019) は、CSM の予測ではなく診断における機械学習の使用を分析しました。 ただし、この研究の重要な制限は、彼が放射線画像のみを使用し、臨床的および生化学的パラメーターを完全に無視したことです。 実際、Merali 等。 (2019) 彼らの分析では、生化学的パラメーターも完全に無視しました。 潜在的に、これは調査されなければならない CSM の病因と診断における重要な未調査の変数です。 結論として、CSM での診断と予測を行うための機械学習に注目した研究がありますが、診断経路の断片を調べるだけでは厳しい制限があります。 そのためには、CSM 疾患の進行と治療結果に関する診断と予測がまったく同じ変数を共有していることを考えると、別々の研究ではなく、それらをまとめて分析することが論理的であり、必要です。 さらに、ほぼ最適な機械学習モデルを実現するには、放射線学的変数だけでなく、臨床的および生化学的変数も含める必要があります。これらは、臨床医が診断と予測の基礎としてアクセスできるツールであるためです。 したがって、この研究では、診断のコンテキストで機械学習を使用して放射線学的、臨床的、生化学的な変数を調べ、疾患の進行と治療結果に関する予測を行います。 次に、すべての研究で早期診断のための機械学習の使用を検証できませんでした。 早期診断は治療結果を向上させるために極めて重要であるため、これは文献の大きなギャップであり、軽度のCSM症例を含めることでCSMの早期発見を支援する変数に焦点を当てることにより、この調査研究が埋めることを目指しています. 最終的に、どの研究も患者ベースの QOL 評価を使用していません (つまり、 JOACMEQ) を、mJOA よりも重要な結果変数として使用します。

   要約 これまでの CSM と治療結果の予測に関する研究の限界は、患者ベースの JOACMEQ を使用する代わりに、mJOA のみを結果変数として使用していたことです。 最終的には患者だけが治療の結果を主観的に評価および評価できるため、これは大きな制限です。 CSM の早期診断のトピックに関しては、このトピックを調査した研究はまったくありません。

   1.2 現在の研究の理論的根拠

   目的

   この調査研究の全体的な目的は、放射線学的、臨床的、生化学的変数に基づく 2 つの予測機械学習モデルを作成することです。これにより、脊椎外科医は CSM をより早期かつより正確に診断できるだけでなく、患者に高度に個別化された正確な情報を提供できるようになります。治療結果に関する予測情報。

   仮説

   既知のバイオマーカーと組み合わせると、子宮頸部脊髄症の早期診断と治療予測に役立つ可能性がある、未確認の患者特性、生化学的、放射線学的、および臨床的パラメーターがあります。 これらのパターンは、教師ありおよび教師なしの機械学習と多変量線形回帰を使用して識別および重み付けできます。 その後、入れ子になった交差検証を使用して機械学習モデルをトレーニングし、オーバーフィッティングを回避しながら最適な適合を達成して、子宮頸部脊髄症の診断を予測することができます。子宮頸部ミエロパシーの早期発見、および頸部ミエロパシー患者の治療結果予測。 治療結果と病気の進行に関する機械学習の予測は、臨床医の現在の予測能力よりもはるかに正確であると仮定されています。

   リスクと利点

   リスク: 検査中の潜在的な不快感。 これは、検査前に痛みを訴え、穏やかな検査技術を使用することで軽減されます。 患者にとって都合のよい時間を見つけることで、潜在的な不便が軽減されます。

   利点: 手術後に症状が再発した場合、当社の機械学習モデルとアルゴリズムは、治療中の脳神経外科医が子宮頸部ミエロパシーの再発を早期に診断し、手術から再び恩恵を受けるかどうか、または恩恵を受けるかどうかをより正確に予測するのに役立ちます。代わりに保守的な管理から。

   患者は、この研究に参加するための支払い、費用の払い戻し、またはその他の利益またはインセンティブ、通常の給与を超える個人的な支払い、またはその他の利益またはインセンティブを受け取ることはありません。直接の個人的な関与はありません (例: 利益相反を引き起こす可能性のある研究を後援または資金提供している組織での財務、株式保有、個人的な関係など）。

   研究参加者は、この研究に参加するための支払い、費用の払い戻し、またはその他の利益やインセンティブを受け取ることはありません。

2. 研究の目的

目的

CSMの早期診断

1. レトロスペクティブ アンケートを使用して、個々の患者が報告した症状に基づいて、子宮頸部ミエロパシー診断の初期の臨床的予測因子を特定し、場合によっては、機械学習によるパターン検出、または多変量線形回帰による生化学的、放射線学的、および臨床データのレトロスペクティブ分析を行います。
2. 機械学習モデルまたは多変量回帰分析の結果をスコアリング システムまたは機械学習ツールに変換し、臨床的に使用して患者を CSM グループを持つ可能性が低い、可能性が中程度、または可能性が高いようにスコア付けして、早期の臨床診断を支援し、予防するイメージの不必要な使用。

CSMの治療成績予測

1. CSM患者のコホートを前向きに追跡し、関連する臨床的、生化学的、および放射線学的な独立変数をできるだけ多く収集し、結果変数として以前にJOACMEQアンケートとmJOAを使用しました。 独立変数と結果変数の関係は、従来の方法と機械学習によって分析されます。
2. 機械学習モデルを構築してトレーニングし、診断された患者の治療結果を正確に予測する。
3. 機械学習モデルをベースとして使用して、CSM の適切な管理を支援するために、患者を CSM 手術対応者である可能性が低い、中程度、または高い可能性にスコアリングするために臨床的に使用できるスコアリング ツールまたはポイント オブ ケア アルゴリズムを設計する忍耐。

3. 研究デザイン

研究の種類: 非無作為化前向きおよび後向きコホート研究 期間: 前向き: 治療前、治療後 3 か月および 6 か月 (最低 18 か月) での観察。

ふりかえり: 過去 2 年以上。 患者数：約300人（前向き患者100人、後ろ向き患者200人）。

このサンプルは、過去のインペリアル カレッジ NHS ヘルスケア トラストでの前向き研究のための頸髄症患者の推定に基づいて決定されました。 インペリアル カレッジ NHS ヘルスケア トラストで治療を受けた 100 人の子宮頸部脊髄症患者が、将来のアームとして最低 18 か月以内に治療され、過去 2 年間に最低 100 人の患者が ICHT で治療され、100 人の患者がハウンズローとインペリアル カレッジ ヘルスケア NHS トラスト脳神経外科の集水域にあるリッチモンド コミュニティ ヘルスケア NHS トラスト。 機械学習のアプローチを考えると、このサンプル サイズは精度を維持するには小さすぎるように見えるかもしれません (ここで包括的に説明されているように: https://www.fharrell.com/post/ml-sample-size/ ) 、ただし、オーバーフィッティングを回避しながら高精度を確保するために適切な措置が講じられています。 機械学習の場合、ネストされた交差検証 (NCV) は、サンプル サイズが小さいためバイアスの影響を受けないことが示されています。実際、サンプル サイズの変化に対して直線的に正または負の応答をすることはなく、非常に正確で堅牢なままです (Vabalas et al 、2019)。 したがって、NCV を使用します。 さらに、それぞれ n=100 および n=200 のサンプル サイズは、多数の特徴的な特徴によってさらに強化されます (前向き研究では 250+、[CMSK データのクリーン度に応じて] では 10-50、両方のアンケートを参照)。 、これはモデルの精度に大きくプラスの影響を与えます (Vabalas et al. 2019) データ メトリクス: 手術前、手術後 3 か月および 6 か月に電話で遡及的に実施された臨床検査およびアンケートを通じて収集された情報。 添付のアンケート「子宮頸部ミエロパシー治療結果アンケート」には、併存疾患と症状に関する情報が記録されています。 検査は、集中的な心血管検査に加えて、徹底的な神経学的検査になります。 既存の血液マーカーまたは GP 記録からの生化学的血液マーカー。この試験に関係なく実施された、または実施される予定でした。 放射線学的所見は、CSM 診断ワークアップの一環として実行される通常の MRI および頸椎 X 線から取得されます。レトロスペクティブ アンケート「CSM 早期診断アンケート」には、電話で遡及的に収集されるすべての質問が含まれています。 さらに、コミュニティ MSK チームの患者、最終的に CM と診断された患者、および CM クエリについて検査された患者、ローカルの SystemOne データベースからの臨床、生化学、および放射線学的データが収集され、分析と比較が行われます。

モデルは、R の Shiny パケットを使用して、Web ベースのポイント オブ ケア治療結果予測ツールに変換されます。データとすべての適切なドキュメントは、フォローアップ期間を含め、Trust ポリシーに従って保存されます。

3.1 試験結果の尺度 mJOA スコアと JOACMEQ スコアは、試験の予測アームの結果尺度です。 手術に対する良好な反応は、3 か月および 6 か月での mJOA スコアの 1 ポイントの改善です。 頸部ミエロパシーの放射線学的確認は、レトロスペクティブ アームのアウトカム指標です。