Machine Learning Diagnose en voorspelling voor cervicale myelopathie (MCM)

1. INVOERING

   1.1 ACHTERGROND

   Cervicale spondylotische myelopathie (CSM) is een pathologie van het ruggenmerg die culmineert in progressieve compressie van het cervicale ruggenmerg. Het is wereldwijd een van de meest voorkomende oorzaken van ruggenmergpathologie en kan leiden tot aanzienlijke nadelige effecten op de kwaliteit van leven van patiënten (Merali et al., 2019). De huidige gouden standaardbehandeling voor CSM is chirurgische decompressie, die de functie herstelt en de kwaliteit van leven verbetert; chirurgische decompressie komt echter niet alle patiënten ten goede. Gezien deze tweedeling is het duidelijk dat het cruciaal is om patiënten die geschikt zijn voor een operatie correct te identificeren, om ongeschikte patiënten te behoeden voor onnodige risico's van een operatie. Wervelkolomchirurgen moeten enorme hoeveelheden patiëntgegevens analyseren, inclusief radiologische en klinische parameters, om patiënten correct te kunnen stratificeren. Het blijft echter ongrijpbaar hoe elke parameter moet worden gewogen en of alle voorspellende parameters zijn geïdentificeerd. Bovendien is het van cruciaal belang dat de diagnose van CSM zo vroeg mogelijk wordt gesteld, aangezien is gemeld dat de chirurgische resultaten aanzienlijk verbeteren als de diagnose in een vroeg stadium van de ziekte wordt gesteld in vergelijking met een laat stadium. uitgevoerd in eerdere stadia tijdens de loop van CSM, bleek succesvoller te zijn in vergelijking met latere stadia (Baron & Young, 2007). Er zijn radiologische parameters geïdentificeerd die kunnen helpen bij vroege detectie, waaronder diffusie-tensorbeeldvorming en verhoogde dichtheid van MRI T2-gewogen beelden. Deze parameters blijken echter een lage gevoeligheid te hebben (15-65%) en zijn verkregen met conventionele, niet -deep-learning statistische methoden, die zeer waarschijnlijk opvallende parameters hebben gemist als gevolg van inherente statistische beperkingen. Machine learning is de huidige statistische gouden standaard voor datamodellering en -analyse. Het combineert informatica en statistiek om maximale voorspellende nauwkeurigheid te verkrijgen. De laatste tijd wordt machinaal leren in toenemende mate en met succes toegepast op medisch en chirurgisch onderzoek om ziekte- en behandelingsresultaten voor verschillende aandoeningen te voorspellen, wat superieure resultaten oplevert ten opzichte van conventionele statistische methoden. Om verder te gaan, naast radiologische symptomen zijn er enkele klinische symptomen zoals het teken van Hoffman geïdentificeerd om te helpen bij een vroege diagnose van cervicale myelopathie (Denno & Meadows, 1991). De bevindingen over klinische voorspellers zijn echter schaars en de vraag blijft hoe ze zich verhouden tot radiologische symptomen. en biochemische biomarkers en of er niet-geïdentificeerde klinische voorspellers zijn. Merali et al. gebruikten een machine learning-model om klinische en biochemische parameters te combineren om een ​​holistisch voorspellend model te creëren, maar ze bevatten geen radiologische parameters en concentreerden zich vooral op het resultaat van de behandeling in plaats van op vroege diagnose. Daarom heeft deze studie tot doel de leemte in de literatuur op te vullen en alle cruciale patiëntgegevens te analyseren, namelijk radiologische, biochemische en klinische gegevens, om nieuwe voorspellers te detecteren en bestaande voorspellers te wegen die relevant zijn voor de vroege diagnose van cervicale myelopathie en het behandelresultaat, evenals de stratificatie van de ziektevoortgang.

   Drie recente onderzoeken hebben gekeken naar machine learning in de context van CSM. Ten eerste Merali et al. (2019) onderzocht het gebruik van machine learning bij het voorspellen van chirurgische uitkomsten bij patiënten met CSM. Hun model presteerde goed, maar het hield geen rekening met radiologische beeldvorming, wat een belangrijke beperking is voor deze studie, aangezien beeldvorming cruciale aanwijzingen geeft, met name voor de vroege diagnose van CSM. Bovendien slaagden de auteurs er bij het maken van een machine learning-model niet in om een ​​hulpmiddel voor clinici te creëren dat gebaseerd is op het machine learning-model. De tweede studie, eveneens van Merali et al. (2021) paste machine learning toe op radiologische beeldvorming voor detectie van CSM-pathologie. Het model presteerde opnieuw redelijk goed, maar alleen bevestigde CSM-patiënten werden opgenomen, wat een enorme beperking is. Het is cruciaal om CSM-patiënten in een vroeg stadium op te nemen om te analyseren hoe het machine learning-model presteert in vergelijking met conventionele methoden in termen van voorspelling, en of het kan helpen bij vroege detectie. Bovendien waren beide onderzoeken retrospectief van aard, wat betekent dat er geen vergelijking tussen het machine learning-model en conventionele methoden mogelijk zou zijn geweest. Hopkins et al. (2019) analyseerde het gebruik van machine learning bij de diagnose, in plaats van voorspelling, van CSM. Een belangrijke beperking van deze studie is echter dat hij alleen radiologische beeldvorming gebruikte, waarbij klinische en biochemische parameters volledig werden verwaarloosd. Merali et al. (2019) negeerden ook biochemische parameters volledig in hun analyse. Mogelijk is dit een belangrijke onontdekte variabele in de pathogenese en diagnose van CSM die moet worden onderzocht. Concluderend hebben studies gekeken naar machine learning om een ​​diagnose te stellen en voorspellingen te doen in CSM, maar ze hebben ernstige beperkingen door alleen naar fragmenten van het diagnostische pad te kijken. Daarom is het, gezien het feit dat de diagnose en voorspellingen met betrekking tot CSM-ziekteprogressie en behandelingsresultaat een groot aantal exact dezelfde variabelen delen, logisch en noodzakelijk om ze samen te analyseren, in plaats van in afzonderlijke onderzoeken. Bovendien is het noodzakelijk om radiologische, maar ook klinische en biochemische variabelen op te nemen om tot een bijna optimaal machine learning-model te komen, aangezien dit de tools zijn die een clinicus ook zou hebben om zijn diagnoses en voorspellingen op te baseren. Daarom zal deze studie radiologisch-klinisch-biochemische variabelen onderzoeken met machine learning in de context van diagnose, evenals voorspellingen over ziekteprogressie en behandelingsresultaten. Vervolgens hebben alle onderzoeken het gebruik van machine learning voor vroege diagnose niet onderzocht. Aangezien vroege diagnose van cruciaal belang is om het behandelresultaat te verbeteren, is dit een enorme leemte in de literatuur, die dit onderzoek beoogt te vullen, door te focussen op variabelen die vroege detectie van CSM helpen door opname van milde CSM-gevallen. Uiteindelijk heeft geen van de studies patiëntgebaseerde QOL-beoordeling gebruikt (d.w.z. JOACMEQ) als uitkomstvariabele die mogelijk belangrijker is dan mJOA.

   Samengevat De beperkingen van studies over het onderwerp CSM en het voorspellen van behandeluitkomsten tot nu toe waren dat ze alleen mJOA als uitkomstvariabele gebruikten, in plaats van de patiëntgebaseerde JOACMEQ. Dit is een enorme beperking, aangezien uiteindelijk alleen de patiënt de uitkomst van de behandeling subjectief kan beoordelen en evalueren. Wat betreft het onderwerp van vroege diagnose van CSM, er zijn geen studies geweest die dit onderwerp hebben onderzocht.

   1.2 RATIONALE VOOR HUIDIGE ONDERZOEK

   DOELEN

   Het algemene doel van deze onderzoeksstudie is om twee voorspellende machine learning-modellen te creëren die zijn gebaseerd op radiologische, klinische en biochemische variabelen, waardoor wervelkolomchirurgen CSM eerder en nauwkeuriger kunnen diagnosticeren, en waardoor ze patiënten zeer geïndividualiseerde en nauwkeurige informatie kunnen geven. voorspellende informatie over behandeluitkomsten.

   HYPOTHESEN

   Er zijn niet-geïdentificeerde patiëntkenmerken, biochemische, radiologische en klinische parameters die zouden kunnen helpen bij een vroege diagnose en behandelingsvoorspelling van cervicale myelopathie in combinatie met reeds bekende biomarkers. Deze patronen kunnen worden geïdentificeerd en gewogen met gesuperviseerde en niet-gesuperviseerde machine learning, evenals multivariate lineaire regressie. Vervolgens kan het machine learning-model worden getraind met geneste kruisvalidatie om een ​​optimale pasvorm te bereiken, terwijl overfitting wordt vermeden, om de diagnose cervicale myelopathie te voorspellen. Uiteindelijk kan een point-of-care-tool worden ontwikkeld voor huisartsen en wervelkolomchirurgen om te helpen bij vroege detectie van cervicale myelopathie en voorspelling van het behandelresultaat van patiënten met cervicale myelopathie. Er wordt verondersteld dat de machine learning-voorspellingen met betrekking tot het behandelresultaat en ziekteprogressie aanzienlijk nauwkeuriger zijn dan het huidige voorspellende vermogen van clinici.

   RISICO'S EN VOORDELEN

   Risico's: Potentieel ongemak tijdens het onderzoek. Dit wordt verzacht door voorafgaand aan het onderzoek om pijn te vragen en zachte onderzoekstechnieken te gebruiken. Potentieel ongemak zal worden beperkt door een tijd te vinden die geschikt is voor de patiënt.

   Voordeel: in het geval van herhaling van hun symptomen na een operatie, kunnen ons machine learning-model en algoritme hun behandelende neurochirurgen helpen om herhaling van cervicale myelopathie in een vroeg stadium te diagnosticeren en nauwkeuriger te voorspellen of ze weer baat zullen hebben bij een operatie, of dat ze er baat bij zouden hebben in plaats daarvan van conservatief management.

   Patiënten ontvangen geen betalingen, onkostenvergoedingen of andere voordelen of stimulansen voor deelname aan dit onderzoek, geen persoonlijke betaling bovenop het normale salaris, of andere voordelen of stimulansen, en de hoofdonderzoeker of enige andere onderzoeker/medewerker heeft geen directe persoonlijke betrokkenheid (bijv. financieel, aandelenbezit, persoonlijke relatie enz.) in de organisaties die het onderzoek sponsoren of financieren, wat aanleiding kan geven tot een mogelijk belangenconflict.

   Onderzoeksdeelnemers ontvangen geen vergoedingen, onkostenvergoedingen of andere voordelen of stimulansen voor deelname aan dit onderzoek.

2. STUDIE DOELSTELLINGEN

DOELSTELLINGEN

Vroege diagnose van CSM

1. Vroege klinische voorspellers van de diagnose cervicale myelopathie identificeren op basis van door individuele patiënten gerapporteerde symptomen door middel van een retrospectieve vragenlijst en mogelijk retrospectieve analyse van biochemische, radiologische en klinische gegevens door middel van patroondetectie met machine learning, of als alternatief multivariate lineaire regressie.
2. Om de bevindingen van een machine learning-model of multivariate regressieanalyse om te zetten in een scoresysteem of machine learning-tool die klinisch kan worden gebruikt om patiënten te scoren in onwaarschijnlijk, matig waarschijnlijk of zeer waarschijnlijk om CSM-groepen te hebben om vroege klinische diagnose te helpen en te voorkomen onnodig gebruik van beeldvorming.

Voorspelling van behandeluitkomsten van CSM

1. Het prospectief volgen van een cohort van CSM-patiënten door zoveel mogelijk relevante klinische, biochemische en radiologische onafhankelijke variabelen te verzamelen, evenals de JOACMEQ-vragenlijst en mJOA eerder te gebruiken als uitkomstvariabelen. De relatie tussen onafhankelijke variabelen en uitkomstvariabelen zal worden geanalyseerd door middel van conventionele methoden en machine learning.
2. Een machine learning-model bouwen en trainen om het behandelresultaat bij gediagnosticeerde patiënten nauwkeurig te voorspellen.
3. Het machine learning-model gebruiken als basis voor het ontwerpen van een scoretool of point-of-care-algoritme dat klinisch kan worden gebruikt om patiënten te scoren in niet-waarschijnlijk, matig waarschijnlijk of zeer waarschijnlijk CSM-chirurgieresponders om passend beheer van CSM te ondersteunen patiënten.

3. STUDIEONTWERP

Soort onderzoek: Niet-gerandomiseerde prospectieve en retrospectieve cohortstudie Duur: Prospectief: Observaties voor de behandeling, na de behandeling na 3 maanden en 6 maanden (minimaal 18 maanden).

Retrospectief: Minimaal laatste 2 jaar. Aantal patiënten: ongeveer 300 (100 prospectieve, 200 retrospectieve patiënten).

Deze steekproef werd bepaald op basis van schattingen van patiënten met cervicale myelopathie bij Imperial College NHS Healthcare Trust in het verleden voor prospectief onderzoek. 100 patiënten met cervicale myelopathie behandeld bij Imperial College NHS Healthcare Trust in de volgende 18 maanden minimaal voor toekomstige arm, evenals 100 patiënten behandeld in de laatste 2 jaar minimaal in ICHT, en 100 patiënten met een negatieve diagnose van een enkel communautair MSK-team uit Hounslow en Richmond Community Healthcare NHS Trust, in het verzorgingsgebied van Imperial College Healthcare NHS Trust Neurosurgery. Gezien de machine learning-benadering lijkt deze steekproefomvang misschien te klein om de nauwkeurigheid te behouden (zoals hier uitgebreid wordt uitgelegd: https://www.fharrell.com/post/ml-sample-size/ ) , maar er zijn passende maatregelen genomen om een ​​hoge nauwkeurigheid te garanderen en overfitting te voorkomen. Voor machine learning is aangetoond dat geneste kruisvalidatie (NCV) niet wordt beïnvloed door vertekening als gevolg van kleine steekproeven, in feite reageert het niet lineair positief of negatief op veranderingen in de steekproefomvang, en blijft het zeer nauwkeurig en robuust (Vabalas et al. ., 2019). Daarom zullen we NCV gebruiken. Bovendien wordt de steekproefomvang van respectievelijk n=100 en n=200 verder versterkt door het hoge aantal kenmerkende kenmerken (250+ voor de prospectieve studie, 10-50 voor de [afhankelijk van CMSK data reinheid] zie beide vragenlijsten) , wat een aanzienlijke positieve invloed heeft op de modelnauwkeurigheid (Vabalas et al. 2019) Gegevensstatistieken: informatie verzameld door middel van klinisch onderzoek en vragenlijsten die retrospectief zijn uitgevoerd via de telefoon, vóór de operatie en 3 en 6 maanden na de operatie. De bijgevoegde vragenlijst "Cervicale myelopathie behandelingsuitkomstenvragenlijst" registreert informatie met betrekking tot comorbiditeiten en symptomen. Het onderzoek zal naast een gericht cardiovasculair onderzoek ook een grondig neurologisch onderzoek zijn. Biochemische bloedmarkers uit bestaande bloedmarkers of uit huisartsendossiers, die onafhankelijk van deze studie zijn of zouden zijn uitgevoerd. Radiologische bevindingen zullen worden verkregen uit routinematige MRI- en cervicale wervelkolomröntgenfoto's die worden uitgevoerd als onderdeel van de CSM-diagnostiek. De retrospectieve vragenlijst "CSM vroege diagnose vragenlijst" bevat alle vragen die retrospectief via de telefoon zullen worden verzameld. Bovendien zullen patiënten van het lokale MSK-team, degenen die uiteindelijk CM hebben gediagnosticeerd en degenen die zijn onderzocht op CM-vragen, hun klinische, biochemische en radiologische gegevens uit de lokale SystemOne-databases verzamelen voor analyse en vergelijking.

Het model zal worden omgezet in een webgebaseerd hulpmiddel voor het voorspellen van de uitkomst van behandelingen op het zorgpunt met behulp van het Shiny-pakket in R. Gegevens en alle relevante documentatie worden opgeslagen volgens het Trust-beleid, inclusief de follow-upperiode.

3.1 STUDIEUITKOMSTMATEN De mJOA-score en JOACMEQ-score zijn de uitkomstmaten voor de prospectieve arm van het onderzoek. Een goede respons op een operatie is een verbetering van 1 punt in de mJOA-score na 3 en 6 maanden. Radiologische bevestiging van cervicale myelopathie is de uitkomstmaat voor de retrospectieve arm.