CAVA 다기관 현기증 시험 (CAVA 2)

이것은 255명의 성인 참가자를 모집하는 다기관 진단 정확도 연구입니다. 채용은 2년에 걸쳐 영국의 10개 사이트에서 이루어집니다. 자격이 되려면 참가자는 메니에르병, 전정 편두통 또는 BPPV에 대한 기존 진단이 있어야 합니다. 이 연구는 각 조건에 따라 85명의 참가자를 모집합니다. 각 환자의 진단은 나중에 자동화된 컴퓨터 진단과 비교되는 "참조 표준"을 형성합니다.

각 참가자는 CAVA 장치를 30일 동안 지속적으로 착용합니다. 장치는 현기증의 에피소드를 포함하여 이 시간 동안 모든 눈과 머리의 움직임을 기록합니다. 환자가 현기증을 경험하면 CAVA 장치에서 이벤트 마커를 활성화하고 발작 시작 및 기간에 대한 기록을 일기에 기록하도록 요청받습니다. 이 수동 로깅은 알고리즘 개발에 의존하지 않지만 전체 30일 데이터는 현기증과 관련된 안구 운동 기간을 감지하는 데 사용됩니다.

조사관은 세 가지 대상 조건을 구별하기 위해 CAVA 장치에서 캡처한 데이터를 사용하는 컴퓨터 알고리즘을 개발할 것입니다. 이러한 알고리즘은 우수한 결과를 생성한 현재 MRC 보조금 기간 동안 개발된 알고리즘을 기반으로 합니다.10,11,17. 이 알고리즘은 소위 '종단간' 접근 방식으로 심층 학습 신경망(DNN)을 사용합니다. 이 접근 방식에서 다층 네트워크는 '원시' 시간 도메인 데이터를 입력으로 사용하고 신호의 명시적인 중간 표현(예: 신호 엔트로피, 전력, 왜도, 첨도 등)을 사용하지 않고 분류 결정을 출력합니다. 일반적으로 컨볼루션 및 풀링 레이어, 완전히 연결된 레이어, 자동 인코더 및 장단기 메모리(LSTM) 레이어의 교대 시퀀스를 활용하는 종단 간 접근 방식은 많은 양의 훈련이 필요한 경우 기존 접근 방식보다 성능이 뛰어난 것으로 나타났습니다. 데이터를 사용할 수 있습니다. 그러나 작동 방식(즉, 신호의 어떤 기능이 분류에 중요한지)에 대한 통찰력을 거의 제공하지 않습니다. 따라서 중간 표현이 생성되는 방법을 개발한 다음 이러한 입력 기능을 사용하여 다양한 분류기(예: 부스트 트리, 랜덤 포레스트, 로지스틱 회귀, 지원 벡터 머신 등)를 테스트하는 것도 고려할 것입니다.

알고리즘의 성능은 분류기를 평가하는 일반적인 방법인 'leave-one-out cross-validation' 기술을 사용하여 평가됩니다.22 이 기술에서는 단일 환자의 데이터를 따로 보관하고 다른 환자의 나머지 데이터를 사용하여 분류기를 '훈련'합니다. 세 가지 조건을 '분류자'로 구별하도록 훈련된 알고리즘이 참조됩니다. 그런 다음 분류자는 별도의 데이터에 대해 테스트됩니다. 테스트 프로세스는 분류자의 예측된 진단('메니에르병', '전정 편두통' 또는 'BPPV')을 실제 진단(참조 표준 레이블)과 비교하는 것으로 구성됩니다. 이 과정을 반복하면서 매번 다른 환자의 데이터를 제거하고 255명의 모든 환자에 대한 자동 진단을 생성합니다. 계산 비용이 많이 들지만 분류기가 테스트하는 환자의 데이터를 교육하는 동안 '보지' 않았으므로 결정이 편향될 수 있습니다. 또한 새로운 환자가 임상의에게 제시하고 다른 환자의 경험을 바탕으로 진단이 제공되는 실제 시나리오와 밀접하게 일치합니다.

이 연구는 세 가지 대상 조건과 ROC(Receiver Operator Curve) 각각을 진단하기 위한 민감도와 특이도를 제시하여 다양한 분류 임계값에 대한 진단 정확도가 어떻게 변하는지 보여줍니다.

대상 조건은 발생률이 다릅니다. 이 연구의 통계적 계산에 이러한 불균형을 반영하려면 이러한 조건 중 가장 일반적인 조건을 가진 수천 명의 환자가 필요합니다. 이것은 경제적으로 실행 가능하지 않고 연구에 가치를 추가하지 않을 것으로 여겨집니다. 얻은 결과는 시스템의 효능과 각 질병에 대한 예상 탐지율을 입증하기에 충분히 견고할 것입니다.

건강 경제학자(HE)는 기존 경로와 비교하여 CAVA를 통합한 진단 경로의 잠재적 자원, 재정적 절감 및 환자 이점을 평가합니다. 연구 설계는 경제성 평가를 위해 적절한 데이터 수집이 연구에 포함되도록 합니다. 초기 비용 효율성 모델은 후향적 환자 데이터(예: 병력, 검사 횟수 및 병원 방문)를 사용하여 개발됩니다. 이 모델은 표준 진단 경로와 비교하여 진단 정확도의 다양한 가상 임계값에서 CAVA의 예측 알고리즘의 잠재적 절감 및 이점을 밝힐 것입니다. CAVA 장치를 사용한 반사실적 진단 경로는 가장 가능성이 높은 잠재적인 경제적 이익을 알리기 위해 현재 일반적인 치료의 표준에 대해 개발될 것입니다.

상용화 컨설턴트는 CAVA 시스템의 상용화를 지원하기 위한 작업 포트폴리오를 감독합니다. 그들은 CAVA의 상용화 경로를 자세히 설명하는 시장 접근 계획을 작성하고 기존 NHS 경로 내에서 CAVA의 배치와 구현 방법을 확인할 것입니다. 조사관은 NHS 조직의 전문가, 환자 및 IT 이해 관계자를 포함하는 이해 관계자 이벤트와 함께 이전 포커스 그룹 작업을 기반으로 합니다. 조사관은 NHS 내 채택 가능성과 관련하여 이해 관계자에게 중요한 문제를 식별하고 채택 지원을 수립할 것입니다. 임상시험의 중간 결과를 검토하기 위한 PPI 행사와 결과를 대중과 공유하기 위한 공개 배포 행사가 개최됩니다. 프로젝트 전반에 걸쳐 잠재 라이센스가 사용됩니다.