자궁 경부 척수증에 대한 기계 학습 진단 및 예측 (MCM)

1. 소개

   1.1 배경

   자궁경부 척추성 골수병증(CSM)은 자궁경부 척수의 진행성 압박으로 끝나는 척수의 병리학입니다. 이는 전 세계적으로 척수 병리의 가장 흔한 원인 중 하나이며 환자의 삶의 질에 중대한 해로운 영향을 미칠 수 있습니다(Merali et al., 2019). CSM에 대한 현재 표준 치료법은 기능을 회복하고 삶의 질을 향상시키는 외과적 감압술입니다. 그러나 외과적 감압술이 모든 환자에게 도움이 되는 것은 아닙니다. 이러한 이분법을 감안할 때 수술에 적합한 환자를 올바르게 식별하고 부적합한 환자를 불필요한 수술 위험으로부터 보호하는 것이 중요하다는 것이 분명합니다. 척추 외과 의사는 환자를 올바르게 계층화하기 위해 방사선 및 임상 매개변수를 포함한 방대한 양의 환자 데이터를 분석해야 합니다. 그러나 각 매개변수에 가중치를 부여하는 방법과 모든 예측 매개변수가 식별되었는지 여부는 파악하기 어렵습니다. 또한 CSM은 말기에 비해 초기에 진단하면 수술 결과가 현저히 개선되는 것으로 보고되고 있어 가능한 한 조기에 진단하는 것이 중요하다. CSM 과정 중 초기 단계에서 수행된 것이 후기 단계와 비교할 때 더 성공적인 것으로 보고되었습니다(Baron & Young, 2007). 확산 텐서 영상 및 MRI T2 강조 영상의 증가된 밀도를 포함하여 조기 발견에 도움이 될 수 있는 방사선학적 매개변수가 확인되었지만 이러한 매개변수는 낮은 감도(15-65%)를 갖는 것으로 나타났으며 기존의 비 -내재된 통계적 한계로 인해 중요한 매개변수를 놓칠 가능성이 높은 심층 학습 통계 방법. 기계 학습은 데이터 모델링 및 분석을 위한 현재의 통계적 금본위제입니다. 컴퓨터 과학과 통계를 결합하여 최대의 예측 정확도를 제공합니다. 최근 기계 학습은 다양한 상태에 대한 질병 및 치료 결과를 예측하기 위해 의료 및 외과 연구에 점점 더 성공적으로 적용되어 기존 통계 방법보다 우수한 결과를 얻고 있습니다. 계속하자면, 방사선학적 징후 외에 Hoffman 징후와 같은 일부 임상적 징후가 자궁경부 척수병증의 조기 진단에 도움이 되는 것으로 확인되었지만(Denno & Meadows, 1991) 임상 예측인자에 대한 결과는 희박하며 방사선학적 징후와 비교하는 방법에 대한 질문이 남아 있습니다. 및 생화학적 바이오마커 및 확인되지 않은 임상적 예측 인자가 있는지 여부. Meraliet al. 기계 학습 모델을 사용하여 임상 및 생화학적 매개변수를 결합하여 전체적인 예측 모델을 만들었지만 방사선학적 매개변수를 포함하지 못했고 조기 진단보다는 치료 결과에 주로 초점을 맞췄습니다. 따라서 이 연구는 문헌의 격차를 메우고 방사선학적, 생화학적 및 임상적 모든 중추 환자 데이터를 분석하여 질병 진행 계층화뿐만 아니라 초기 자궁 경부 척수병증 진단 및 치료 결과와 관련된 새로운 예측 변수를 감지하고 기존 예측 변수를 평가하는 것을 목표로 합니다.

   최근 세 가지 연구에서 CSM의 맥락에서 기계 학습을 살펴보았습니다. 첫째, Merali et al. (2019)는 CSM 환자의 수술 결과를 예측하는 기계 학습의 사용을 조사했습니다. 그들의 모델은 잘 수행되었지만 영상이 특히 CSM의 조기 진단에 중요한 단서를 제공하기 때문에 이 연구의 중요한 제한 사항인 방사선 영상을 고려하지 않았습니다. 또한 기계 학습 모델을 만들면서 저자는 기계 학습 모델을 기반으로 임상의가 사용할 수 있는 도구를 만드는 데 실패했습니다. Merali 등의 두 번째 연구. (2021)은 CSM 병리학 탐지를 위해 방사선 영상에 기계 학습을 적용했습니다. 이 모델은 다시 합리적으로 잘 수행되었지만 확인된 CSM 환자만 포함되었으며 이는 엄청난 제한입니다. 기계 학습 모델이 예측 측면에서 기존 방법과 비교하여 어떻게 수행되는지 분석하고 조기 발견에 도움이 될 수 있는지 여부를 분석하기 위해 초기 단계 CSM 환자를 포함하는 것이 중요합니다. 더욱이 두 연구 모두 본질적으로 회고적이어서 기계 학습 모델과 기존 방법 간의 비교가 불가능했을 것입니다. Hopkinset al. (2019)은 CSM의 예측이 아닌 진단에서 기계 학습의 사용을 분석했습니다. 그러나 이 연구의 중요한 한계는 그가 임상적 및 생화학적 매개변수를 완전히 무시하고 방사선 영상만을 사용했다는 점이다. 사실, Merali et al. (2019)도 분석에서 생화학적 매개변수를 완전히 무시했습니다. 잠재적으로 이것은 탐색해야 하는 CSM의 병인 및 진단에서 중요한 미개척 변수입니다. 결론적으로, CSM에서 진단하고 예측하는 기계 학습에 대한 연구는 있었지만 진단 경로의 일부만 보는 데는 심각한 한계가 있습니다. 이를 위해 CSM 질환의 진행 및 치료 결과에 대한 진단 및 예측이 동일한 변수를 많이 공유한다는 점에서 개별 연구보다는 함께 분석하는 것이 논리적이고 필요합니다. 또한 거의 최적의 기계 학습 모델을 달성하기 위해 방사선학적 변수뿐만 아니라 임상 및 생화학적 변수도 포함해야 합니다. 이러한 변수는 임상의가 자신의 진단 및 예측을 기반으로 액세스할 수 있는 도구이기 때문입니다. 따라서 본 연구에서는 진단의 맥락에서 기계 학습을 통해 방사선-임상-생화학적 변수를 살펴보고 질병 진행 및 치료 결과에 대한 예측을 수행할 것입니다. 다음으로, 모든 연구에서 조기 진단을 위한 기계 학습의 사용을 조사하지 못했습니다. 조기 진단은 치료 결과를 향상시키는 데 중추적인 역할을 하기 때문에 이 연구는 경미한 CSM 사례를 포함하여 CSM의 조기 발견을 돕는 변수에 초점을 맞춤으로써 채우려는 문헌의 큰 격차입니다. 궁극적으로 어떤 연구도 환자 기반 QOL 평가(즉, JOACMEQ)를 mJOA보다 더 중요할 수 있는 결과 변수로 사용합니다.

   요약 지금까지 CSM 주제와 치료 결과 예측에 대한 연구의 한계는 환자 기반 JOACMEQ를 사용하지 않고 결과 변수로 mJOA만을 사용했다는 점입니다. 이것은 궁극적으로 환자만이 주관적으로 치료 결과를 평가하고 평가할 수 있기 때문에 큰 한계입니다. CSM의 조기 진단이라는 주제에 관해서는 이 주제를 탐구한 연구는 전혀 없었다.

   1.2 현재 연구의 근거

   목표

   이 연구의 전반적인 목표는 방사선, 임상 및 생화학적 변수를 기반으로 하는 두 가지 예측 기계 학습 모델을 생성하여 척추 외과 의사가 CSM을 더 빠르고 정확하게 진단할 수 있을 뿐만 아니라 환자에게 매우 개별적이고 정확한 치료 결과에 관한 예측 정보.

   가설

   이미 알려진 바이오마커와 결합할 때 경추 척수병증의 조기 진단 및 치료 예측에 도움이 될 수 있는 확인되지 않은 환자 특성, 생화학적, 방사선학적 및 임상적 매개변수가 있습니다. 이러한 패턴은 지도 및 비지도 기계 학습과 다변량 선형 회귀로 식별하고 가중치를 부여할 수 있습니다. 그 후 기계 학습 모델을 중첩된 교차 검증으로 훈련하여 과적합을 방지하면서 최적의 적합도를 달성하고 경추 척수병증 진단을 예측할 수 있습니다. 자궁경부 척수증의 조기 발견 및 자궁경부 척수증 환자의 치료 결과 예측. 치료 결과 및 질병 진행에 관한 기계 학습 예측은 임상의의 현재 예측 능력보다 훨씬 더 정확할 것으로 가정됩니다.

   위험 및 이점

   위험: 검사 중 잠재적인 불편함. 이것은 검사 전에 통증을 묻고 부드러운 검사 기술을 사용하여 완화됩니다. 환자에게 편리한 시간을 찾아 잠재적인 불편함을 완화합니다.

   이점: 수술 후 증상이 재발하는 경우, 당사의 기계 학습 모델 및 알고리즘은 치료 신경외과 의사가 자궁경부 척수증의 재발을 조기에 진단하고 수술이 다시 도움이 될지 또는 도움이 될지 더 정확하게 예측하는 데 도움을 줄 수 있습니다. 대신 보수적인 관리에서.

   환자는 본 연구에 참여하는 것에 대해 일체의 지불, 비용 상환 또는 기타 혜택이나 인센티브를 받지 않으며, 정상 급여를 초과하는 개인적인 지불이나 기타 혜택이나 인센티브를 받지 않으며, 수석 연구원 또는 기타 조사자/협력자는 직접적인 개인적 관여가 없습니다(예: 연구를 후원하거나 자금을 지원하는 조직에서 이해 상충을 일으킬 수 있는 재정적, 주식 보유, 개인적 관계 등).

   연구 참가자는 이 연구에 참여하는 것에 대해 지불, 비용 상환 또는 기타 혜택이나 인센티브를 받지 않습니다.

2. 연구 목표

목표

CSM의 조기 진단

1. 후향적 설문지를 사용하여 개별 환자가 보고한 증상을 기반으로 자궁 경부 척수병증 진단의 초기 임상 예측인자를 식별하고 기계 학습을 통한 패턴 감지 또는 대안적으로 다변량 선형 회귀를 통해 생화학적, 방사선학적 및 임상 데이터의 후향적 분석을 식별합니다.
2. 기계 학습 모델 또는 다변량 회귀 분석의 결과를 채점 시스템 또는 기계 학습 도구로 변환하여 환자를 CSM 그룹을 가질 가능성이 낮음, 보통 또는 높음으로 채점하여 조기 임상 진단을 돕고 예방할 수 있습니다. 불필요한 이미징 사용.

CSM의 치료 결과 예측

1. 전향적으로 JOACMEQ 설문지 및 mJOA를 결과 변수로 사용할 뿐만 아니라 관련 임상, 생화학적 및 방사선학적 독립 변수를 최대한 많이 수집하는 CSM 환자 코호트를 전향적으로 추적합니다. 독립 변수와 결과 변수의 관계는 기존의 방법과 기계 학습을 통해 분석됩니다.
2. 진단된 환자의 치료 결과를 정확하게 예측하기 위해 기계 학습 모델을 구축하고 훈련합니다.
3. CSM의 적절한 관리를 돕기 위해 환자를 CSM 수술 반응자가 될 가능성이 낮음, 보통 또는 높음으로 채점하는 데 임상적으로 사용할 수 있는 채점 도구 또는 현장 진료 알고리즘을 설계하기 위한 기반으로 기계 학습 모델을 사용합니다. 환자.

3. 연구 설계

연구 유형: 비무작위 전향적 및 후향적 코호트 연구 기간: 전향적: 치료 전, 치료 후 3개월 및 6개월(최소 18개월) 관찰.

회고: 최소 지난 2년. 환자 수: 약 300명(전향적 환자 100명, 후향적 환자 200명).

이 샘플은 전향적 연구를 위해 과거 Imperial College NHS Healthcare Trust에서 자궁경부 척수병증 환자의 추정치를 기반으로 결정되었습니다. 향후 18개월 동안 임페리얼 칼리지 NHS 헬스케어 트러스트에서 치료받은 자궁경부 척수병 환자 100명, ICHT에서 지난 2년 동안 치료받은 환자 100명, Hounslow 및 단일 커뮤니티 MSK 팀에서 음성 진단을 받은 환자 100명 Richmond Community Healthcare NHS Trust는 Imperial College Healthcare NHS Trust Neurosurgery의 집수 지역에 있습니다. 머신 러닝 접근 방식을 고려할 때 이 샘플 크기는 정확도를 유지하기에는 너무 작아 보일 수 있습니다(여기에서 포괄적으로 설명됨: https://www.fharrell.com/post/ml-sample-size/ ) 그러나 과적합을 피하면서 높은 정확도를 보장하기 위해 적절한 조치가 취해졌습니다. 기계 학습의 경우 중첩 교차 검증(NCV)이 작은 샘플 크기로 인한 편향의 영향을 받지 않는 것으로 나타났습니다. ., 2019). 따라서 우리는 NCV를 사용할 것입니다. 또한 n=100 및 n=200의 샘플 크기는 각각 많은 수의 특징에 의해 더욱 강화됩니다(전향적 연구의 경우 250+, [CMSK 데이터 청결도에 따라] 두 설문지 참조). , 이는 모델 정확도에 상당히 긍정적인 영향을 미칩니다(Vabalas et al. 2019) 데이터 메트릭: 전화, 수술 전, 수술 후 3개월 및 6개월에 회고적으로 수행된 임상 검사 및 설문지를 통해 수집된 정보입니다. 첨부된 설문지 "경추 척수병증 치료 결과 설문지"는 동반이환 및 증상에 관한 정보를 기록하고 있다. 검사는 집중적인 심혈관 검사와 더불어 철저한 신경학적 검사로 이루어집니다. 이 시험과 관계없이 수행되었거나 수행되었을 기존 혈액 마커 또는 GP 기록의 생화학적 혈액 마커. 방사선 소견은 CSM 진단 정밀 검사의 일부로 수행되는 일상적인 MRI 및 경추 X-레이에서 가져옵니다. 소급 설문지 "CSM 조기 진단 설문지"에는 전화를 통해 소급하여 수집될 모든 질문이 포함되어 있습니다. 또한 커뮤니티 MSK 팀의 환자, 결국 CM 진단을 받은 환자, CM 쿼리를 위해 검사된 환자, 로컬 SystemOne 데이터베이스의 임상, 생화학 및 방사선 데이터가 분석 및 비교를 위해 수집됩니다.

모델은 R의 Shiny 패킷을 사용하여 웹 기반 현장 진료 결과 예측 도구로 변환됩니다. 데이터 및 모든 적절한 문서는 추적 기간을 포함하여 Trust 정책에 따라 저장됩니다.

3.1 연구 결과 측정 mJOA 점수와 JOACMEQ 점수는 연구의 예상 부문에 대한 결과 측정입니다. 수술에 대한 좋은 반응은 3개월 및 6개월에 mJOA 점수에서 1점 개선입니다. 자궁경부 척수병증의 방사선학적 확인은 후향적 팔에 대한 결과 측정입니다.