De CAVA Multicenter duizeligheidsproef (CAVA 2)

Dit is een multicenter diagnostisch nauwkeurigheidsonderzoek met een rekruteringsdoelstelling van 255 volwassen deelnemers. Werving vindt gedurende twee jaar plaats op tien locaties in het VK. Om in aanmerking te komen, moeten deelnemers een bestaande diagnose van de ziekte van Ménière, vestibulaire migraine of BPPV hebben. De studie zal vijfentachtig deelnemers rekruteren met elke aandoening. De diagnose van elke patiënt vormt de "referentiestandaard" die later zal worden vergeleken met een geautomatiseerde computerdiagnose.

Elke deelnemer zal het CAVA-apparaat dertig dagen vrijwel continu dragen. Het apparaat registreert gedurende deze tijd alle oog- en hoofdbewegingen, ook tijdens episodes van duizeligheid. Wanneer een patiënt een episode van duizeligheid ervaart, wordt hem gevraagd een gebeurtenismarkering op het CAVA-apparaat te activeren en het begin en de duur van de aanval in een dagboek bij te houden. Hoewel deze handmatige logging niet zal worden gebruikt voor de ontwikkeling van algoritmen, zullen de volledige 30 dagen aan gegevens worden gebruikt om periodes van oogbewegingen in verband met duizeligheid te detecteren.

De onderzoekers zullen computeralgoritmen ontwikkelen die de gegevens die door de CAVA-apparaten zijn vastgelegd, gebruiken om onderscheid te maken tussen drie doelcondities. Deze algoritmen bouwen voort op de algoritmen die tijdens de huidige MRC-subsidie ​​zijn ontwikkeld en die uitstekende resultaten hebben opgeleverd.10,11,17. De algoritmen maken gebruik van deep learning neurale netwerken (DNN's) in een zogenaamde 'end-to-end'-benadering. Bij deze benadering neemt een meerlagig netwerk 'onbewerkte' tijddomeingegevens als invoer en voert een classificatiebeslissing uit zonder expliciete tussenliggende representaties van het signaal te gebruiken (zoals signaalentropie, vermogen, scheefheid, kurtosis enz.). End-to-end-benaderingen, die typisch gebruik maken van afwisselende reeksen van convolutie- en poolinglagen, volledig verbonden lagen, auto-encoders en LSTM-lagen (long short-term memory), blijken beter te presteren dan traditionele benaderingen in gevallen waarin grote hoeveelheden training nodig zijn. gegevens zijn beschikbaar. Ze geven echter weinig inzicht in hoe ze werken (d.w.z. welke kenmerken van het signaal belangrijk zijn voor classificatie). Het zal daarom ook worden overwogen om methoden te ontwikkelen waarin tussenliggende representaties worden gegenereerd en vervolgens deze invoerfuncties te gebruiken om een ​​reeks classificaties te testen (bijvoorbeeld versterkte bomen, willekeurige bossen, logistische regressie, ondersteunende vectormachines enz.).

De prestaties van de algoritmen zullen worden beoordeeld met behulp van de 'leave-one-out cross-validation'-techniek, de gebruikelijke manier om classifiers te evalueren.22 Bij deze techniek worden de gegevens van een enkele patiënt opzij gezet en worden de resterende gegevens van de andere patiënten gebruikt om de classifier te 'trainen'. Er zal verwezen worden naar een algoritme dat getraind is om de drie condities te onderscheiden als een 'classifier'. De classificator wordt vervolgens getest op de braakgelegde gegevens: het testproces bestaat uit het vergelijken van de door de classificator voorspelde diagnose ('ziekte van Ménière', 'vestibulaire migraine' of 'BPPV') met de werkelijke diagnose (het referentiestandaardlabel). Dit proces wordt herhaald, waarbij elke keer de gegevens van een andere patiënt worden verwijderd, waardoor een geautomatiseerde diagnose voor alle 255 patiënten ontstaat. Hoewel rekenkundig duur, zorgt dit ervoor dat de classificator tijdens het trainen de gegevens van de patiënt die hij test niet heeft 'gezien', wat zijn beslissing zou vertekenen. Het komt ook nauw overeen met het real-world scenario van een nieuwe patiënt die zich presenteert aan hun clinicus en een diagnose wordt gesteld op basis van hun ervaring met andere patiënten.

De studie zal de gevoeligheid en specificiteit presenteren voor het diagnosticeren van elk van de drie doelcondities en Receiver Operator Curves (ROC's), en laten zien hoe de diagnostische nauwkeurigheid verandert voor verschillende classificatiedrempels.

De doelcondities hebben verschillende incidenties. Om deze onevenwichtigheid in de statistische berekeningen van deze studie weer te geven, zouden vele duizenden patiënten met de meest voorkomende van deze aandoeningen nodig zijn. Er wordt aangenomen dat dit economisch niet haalbaar zou zijn en geen waarde zou toevoegen aan de studie. De verkregen resultaten zullen voldoende robuust zijn om de doeltreffendheid van het systeem en het verwachte detectiepercentage voor elke ziekte aan te tonen.

Een gezondheidseconoom (HE) zal de potentiële middelen, financiële besparingen en voordelen voor de patiënt beoordelen van een diagnostisch traject waarin CAVA is opgenomen in vergelijking met bestaande trajecten. Het onderzoeksontwerp zorgt ervoor dat de juiste gegevensverzameling is ingebed in het onderzoek voor de economische evaluatie. Er zal een vroeg kosteneffectiviteitsmodel worden ontwikkeld met behulp van retrospectieve patiëntgegevens (bijvoorbeeld geschiedenis, aantal tests en ziekenhuisbezoeken). Het model zal de potentiële besparingen en voordelen onthullen van CAVA's voorspellende algoritmen bij verschillende hypothetische drempels van diagnostische nauwkeurigheid versus een standaard diagnostisch pad. Een contrafeitelijk diagnosepad met het CAVA-apparaat zal op dit moment worden ontwikkeld tegen de standaard van gebruikelijke zorg, om de meest waarschijnlijke potentiële economische voordelen te informeren.

Een commercialiseringsadviseur zal toezicht houden op een werkportfolio ter ondersteuning van de commercialisering van het CAVA-systeem. Ze zullen een markttoegangsplan opstellen waarin CAVA's route naar commercialisering wordt beschreven en CAVA's plaatsing binnen bestaande NHS-trajecten bevestigen en hoe dit zou worden geïmplementeerd. De onderzoekers zullen voortbouwen op het eerdere focusgroepwerk met een evenement voor belanghebbenden waarbij professionals, patiënten en IT-belanghebbenden van NHS-organisaties betrokken zijn. De onderzoekers zullen de kwesties identificeren die belangrijk zijn voor belanghebbenden met betrekking tot de haalbaarheid van adoptie binnen de NHS en zullen draagvlak creëren voor adoptie. Er zal een PPI-evenement worden georganiseerd om de tussentijdse bevindingen van de proef te beoordelen en een openbaar verspreidingsevenement om de bevindingen met het publiek te delen. Gedurende het project zullen potentiële licenties worden aangegaan.