판막 질환의 음성 및 심전도 보조 감지 (PEA-Valve)

판막 질환의 음파 및 심전도 보조 감지(PEA-Valve 연구)

특정 목표 목표 1: 음성 및 심전도 동시 녹음에서 파생된 기계 학습 알고리즘이 임상적으로 중요한 대동맥 협착증을 안정적으로 진단할 수 있습니까?

목표 2: 동시 음성 및 심전도 기록에서 파생된 기계 학습 알고리즘이 임상적으로 중요한 승모판 역류를 안정적으로 진단할 수 있습니까?

중요성 판막 심장 질환(VHD)은 인구 기반 연구에서 대동맥 협착증(AS)의 경우 10%, 승모판 역류(MR)의 경우 20%의 유병률을 보여주는 일반적인 글로벌 건강 문제입니다. 새로운 외과적 및 중재적 진보는 고령이거나 이전에는 중재의 위험이 없었던 환자의 치료를 가능하게 합니다. 연령이 증가함에 따라 MR 및 AS의 발병률이 증가한다는 점을 감안할 때 질병을 변화시키는 치료법을 제공하기 위해 이러한 상태를 식별할 필요성이 커지고 있습니다.

현재 임상 실습에서 VHD의 진단은 심초음파에 크게 의존합니다. 이것은 차례로 심초음파 자체에 대한 접근뿐만 아니라 일반적으로 청진상의 이상으로 인해 VHD에 대한 임상적 의심이 있는 제공자의 의뢰가 모두 필요합니다. MR과 AS는 둘 다 신뢰성 있게 재현 가능한 청진 소견: 각각 전수축기 및 수축기 크레센도-데크레센도 잡음을 생성합니다. 그럼에도 불구하고 진단 도구로서의 청진은 악명이 높습니다. MR 및 AS 범위를 감지하는 정확도는 5-40%에 불과합니다. 이러한 요인들은 모두 점점 더 치료 가능한 상태에 대한 과소 진단에 대한 우려로 이어집니다.

여기에서 조사관은 VHD에 대한 테스트에 대한 더 많은 액세스 및 향상된 진단 정확도에 대한 요구 사항을 해결할 것입니다. 조사관은 Eko Duo 전자 청진기를 사용하여 안전한 클라우드 기반 서버에 실시간으로 동기화되는 심음도(PCG) 및 단일 리드 심전도(ECG) 기록의 조합을 활용합니다. 이 데이터를 사용하여 조사관은 임상적으로 중요한 AS 또는 MR을 진단하기 위한 기계 학습 알고리즘을 개발하고 검증합니다. Eko Duo는 본질적으로 기존 청진기와 유사하며 환자와 제공자 모두에게 널리 인정되는 상징적인 도구이므로 자동화된 감지 알고리즘을 구동하는 데 사용하는 것이 가능하고 기존 청진을 대체할 수 있어 매력적입니다. 또한 검사 해석의 부담을 임상의에서 알고리즘으로 이동함으로써 연구자들은 이것이 전반적인 진단 정확도를 향상시킬 것이라는 가설을 세웁니다.

방법 설계 개요: UCSF 성인 심초음파 검사실에서 임상 심초음파 검사를 받는 모든 피험자에 대한 단면 연구

연구 대상 개요: 조사관은 UCSF Parnassus 캠퍼스에서 임상 심초음파 검사를 받는 성인 대상을 등록합니다. 이러한 피험자는 예상 샘플 크기에 도달할 수 있도록 순차적으로 파생 및 검증 코호트로 그룹화되고 사례 상태별로 계층화됩니다. 이러한 그룹화는 피험자 등록 및 데이터 수집 후에 발생합니다.

대상 모집단: 중등도에서 중증에서 중증 AS 또는 중등도에서 중증에서 중증 MR(사례)을 가진 성인 및 최소한의 VHD를 가진 구조적으로 정상적인 심장을 가진 성인(대조군). 보다 엄격한 병렬 분석에서 대조군의 대상 모집단은 중등도에서 중증 미만의 AS 또는 MR 정도를 갖는 것으로 정의됩니다.

접근 가능한 인구: 참여할 수 있는 UCSF 심초음파 검사실에서 임상 심초음파 검사를 받는 등록 기준을 충족하는 성인.

샘플링 방식: 조사관은 UCSF Parnassus의 성인 심초음파 실험실에 제출하는 피험자에게 연속적으로 접근합니다. 또한 조사관은 AS 또는 MR이 있을 가능성이 높은 피험자를 사전 선별하고(연구에 대한 적응증 및 APEX 의료 기록의 이전 진단에 기반) 연구 코디네이터의 등록 용량이 포화 상태인 상황에서 선택적으로 등록 대상을 지정합니다. .

모집 전략: 팜플렛이나 전단지로 심초음파 등록 시 연구를 소개한 후 임상심초음파를 기다리는 동안 잠재적 피험자에게 직접 접근합니다.

보존 전략: 없음. 조사관은 필요하다고 판단되는 경우 향후 연락처 정보를 식별하기 위해 의료 기록 번호의 마스터 파일을 보관할 것입니다.

측정 개요: 이 연구는 두 가지 측정에 초점을 맞출 것입니다. 2) 4개의 표준 심장 청진 위치 각각에서 Eko Duo 장치에 의한 30초 동시 PCG 및 단일 리드 ECG 기록 및 Eko Core 장치를 사용한 추가 기록 옵션. 이 연구는 모든 임상 심초음파 보고서에 이러한 판막 평가가 포함된다는 사실을 이용합니다.

Gold Standard: 심초음파는 심장학 커뮤니티에서 VHD 중증도 진단을 위한 gold standard로 받아들여집니다. 조사관의 부담을 최소화하고 비용을 줄이기 위해 조사관은 모든 임상 심초음파 보고서에 VHD 평가가 포함된다는 점을 활용하여 표준이 될 것입니다. 이 보고서는 미국심초음파학회(ASE) 지침을 따르며, VHD 등급은 없음, 경증, 중등도 또는 중증으로 분류할 수 있습니다. UCSF 심초음파 검사실에는 미량, 경증에서 중등도, 중등도에서 중증, 중증의 추가 범주가 포함되어 연구 내의 개별 매개변수가 충돌하는 해석을 허용합니다. 1차 측정은 보드 인증 심장 전문의가 보고한 대로 MR 또는 AS에 대한 VHD 중증도의 최종 결론입니다. 조사관은 직접적인 개입이 필요할 수 있는 모든 수준의 질병을 포함하기 때문에 "임상적으로 중요한" VHD를 중등도에서 중증 또는 더 나쁜 등급으로 정의할 것입니다. 또한 조사관은 심초음파 보고서 전체와 심초음파 파일의 이미지를 추출하여 새로운 연구 질문이 발생할 때 나중에 사용할 수 있도록 데이터를 저장합니다.

장치 측정: 동시 PCG 및 단일 리드 ECG의 기록은 표준화된 방식으로 각 주제에 대해 수행됩니다. 각 피험자는 4개의 표준 청진 위치에서 Eko Duo 장치를 사용하여 30초간 녹음을 받게 됩니다. 관찰자는 측정값을 얻는 체계적인 방법에 대해 교육을 받습니다. 시간과 환자가 허용하는 한 조사관은 동일한 소프트웨어를 사용하지만 ECG 기록을 포함하지 않는 Eko Core 장치를 사용하여 동일한 기록을 얻을 것입니다. 이 장치는 기록하는 동안 PCG의 시각화를 허용하므로 관찰자는 각 위치에서 기록의 품질을 최대화하기 위해 장치의 위치에 대한 실시간 피드백을 받게 됩니다. 조사관은 적절한 데이터 품질을 보장하기 위해 기록을 주기적으로 검토할 계획을 세울 것입니다. 연구자들은 이러한 유연성과 실시간 피드백이 장치 ​​사용의 일반화 가능성을 실제 세계(즉, 비 연구) 임상 상황.

혼동 요인 및 편향: 알고리즘의 도출 및 검증은 임상 심초음파가 수행된 후 원격으로 발생하므로 골드 표준의 결과에 영향을 미치지 않습니다. 검사는 수축기 잡음(AS 또는 MR 이외의 VHD 또는 선천성 심장병 포함)을 유발하는 다른 조건의 존재에 의해 영향을 받을 수 있습니다. 조사관은 이러한 다른 조건이 있거나 없는 사람들의 테스트 성능을 비교하기 위해 심초음파 보고서에서 이러한 측정을 포함할 것입니다.

통계적 문제 귀무 가설: 기계 학습 알고리즘은 임상적으로 중요한 AS 또는 MR의 존재를 예측할 수 없습니다.

샘플 크기 근거:

• 알고리즘 감도: 90%
• 알고리즘의 특이성: 90%
• 알고리즘의 목표 우도비(+) [LR(R)]: 9(Sn / [1 - Sp]에서 파생됨)
• 알고리즘 [LR(R)]의 최소우도비(+): 5
• 신뢰 수준 = 0.95(알파 = 0.05)
• 신뢰구간[LR(R)]: 5.120-15.820
• 샘플 크기 = 그룹당 110개; 코호트당 330(대조군, AS 사례, MR 사례); 전체 660명(훈련 및 검증 코호트)
• 요약: 임상적으로 중요한 AS 또는 MR 감지를 위한 기계 학습 알고리즘의 민감도와 특이도가 모두 0.9라고 가정하면 총 표본 크기 660은 어느 쪽에서도 95% 신뢰 구간에서 임계 우도 비율 5.0 아래로 떨어지지 않을 것으로 예상됩니다. 유도 또는 검증 코호트.
• 중요한 가정의 정당성: 연구자들은 알고리즘이 100개 미만의 샘플 크기를 사용하여 신경망을 사용하여 이전에 발표된 보고서를 기반으로 판막 질환이 없는 심장과 비교하여 대동맥 협착증 또는 승모판 역류를 감지하는 데 90%의 민감도와 특이성을 생성할 수 있다고 가정합니다. 사례. 또한 조사관은 테스트가 임상적으로 유용하려면 최소 가능성 비율 5가 필요하다고 추정합니다. 이 추정치는 검증 세트에 대해 잘 작동하지만 파생 세트에 필요한 숫자는 덜 명확합니다. 위의 추정치는 보수적인 수치입니다. 조사관은 부트스트래핑 접근 방식을 사용하여 매 20건의 사례를 등록한 후 알고리즘을 훈련할 것으로 예상합니다. 이는 임시 테스트 특성을 제공하고 파생 세트에 필요한 실제 수를 결정하는 데 도움이 됩니다. 이것은 부분적으로 파일럿 연구이므로 테스트의 진정한 민감도와 특이도를 식별하는 것 자체가 귀중한 결과입니다.

분석 접근 방식: 조사자는 유효성 검사 세트의 알고리즘 점수에 대한 ROC 곡선(Sn 대 1-Sp 플로팅)을 생성합니다. 궁극적으로 조사관은 4개의 곡선을 생성합니다. 1차(가벼운 VHD 이하로 컨트롤 정의) 및 2차(보통-심각 또는 그 이상의 VHD가 없는 컨트롤 정의) 접근 방식으로 생성된 알고리즘을 사용하여 MR 및 AS에 대해 각각 2개 . 또한 조사관은 AS 또는 MR 감지 시 가장 비중이 높은 특성과 임상적 상관 관계를 식별함으로써 알고리즘 자체에 대한 탐색적 설명 분석을 수행할 것으로 예상합니다.

기타 윤리적 고려 사항: 큰 문제는 없습니다. 데이터는 HIPAA 준수 플랫폼에 안전하게 저장됩니다. 이 연구는 UCSF CHR 기준에 따라 최소 위험으로 인정됩니다.

사전 테스트 계획: 연구 모집 전에 연구 직원은 데이터 수집 시스템을 테스트하기 위해 자신과 제공자에 대한 데이터를 수집합니다. 초기 피험자 모집 중에 연구 직원은 장애물이나 우려 사항을 논의하기 위해 매일 이후 프로세스를 검토합니다.

데이터 관리 계획: 연구 데이터는 두 가지 소스에서 가져옵니다. 전자 의료 기록(APEX)에서 추출한 심초음파 보고서는 연구 직원이 검토하여 질병 특성의 기본 데이터베이스를 생성합니다. 식별 가능한 정보와 대상 식별자를 연결하는 마스터 파일, 추출 및 비식별화된 심초음파 보고서 및 비식별화된 원시 심초음파 이미지는 심장과에서 사용하는 보안 연구 서버에 저장됩니다. 기록된 PCG 및 ECG 데이터(실제 연구 측정치)는 Eko Devices에서 관리하는 안전한 HIPAA 준수 클라우드 기반 서버에 실시간으로 동기화됩니다. 미리 지정된 알고리즘 교육 시간에 기계 학습 팀(Eko Devices에서 조정)은 VHD 범주에 대한 주체 식별자 할당에 대한 키를 제공받습니다.

품질 관리 조치: 적절한 데이터 품질을 보장하기 위해 연구 PI가 기록된 데이터를 주기적으로 검토합니다.

시간표:

계약/물류 과목 등록 알고리즘 개발 분석 발간 전체 일정: 9개월