Maskinlæringsdiagnose og prediksjon for cervikal myelopati (MCM)

1. INTRODUKSJON

   1.1 BAKGRUNN

   Cervical spondylotic myelopati (CSM) er en patologi i ryggmargen som kulminerer i progressiv kompresjon av cervical ryggmargen. Det er en av de vanligste årsakene til ryggmargspatologi globalt og kan resultere i betydelige skadelige effekter på pasienters livskvalitet (Merali et al., 2019). Gjeldende gullstandardbehandling for CSM er kirurgisk dekompresjon, som gjenoppretter funksjonen og forbedrer livskvaliteten; kirurgisk dekompresjon er imidlertid ikke til nytte for alle pasienter. Gitt denne dikotomien, er det åpenbart at det er sentralt å identifisere pasienter som er egnet for kirurgi, for å skåne uegnede pasienter fra unødvendig risiko ved kirurgi. Ryggkirurger må analysere enorme mengder pasientdata, inkludert radiologiske og kliniske parametere, for å stratifisere pasienter korrekt. Det er imidlertid fortsatt unnvikende hvordan hver parameter skal vektes og om alle prediktive parametere er identifisert. Videre er det avgjørende at diagnosen CSM stilles så tidlig som mulig, da kirurgiske utfall har blitt rapportert å være betydelig forbedret hvis diagnostisert på et tidlig sykdomsstadium sammenlignet med et sent stadium. utført i tidligere stadier i løpet av CSM ble rapportert å være mer vellykket sammenlignet med senere stadier (Baron & Young, 2007). Radiologiske parametere som kan hjelpe til med tidlig deteksjon er identifisert, inkludert diffusjonstensoravbildning og økt tetthet av MR T2-vektede bilder, men disse parameterne har vist seg å ha lav sensitivitet (15-65 %) og har blitt gitt med konvensjonelle, ikke - dyptgående statistiske metoder, som med stor sannsynlighet har gått glipp av fremtredende parametere på grunn av iboende statistiske begrensninger. Maskinlæring er den gjeldende statistiske gullstandarden for datamodellering og analyse. Den kombinerer informatikk og statistikk for å gi maksimal prediktiv nøyaktighet. Nylig har maskinlæring blitt brukt i økende grad og med suksess på medisinsk og kirurgisk forskning for å forutsi sykdoms- og behandlingsresultater for ulike tilstander, noe som gir overlegne resultater i forhold til konvensjonelle statistiske metoder. For å fortsette, foruten radiologiske tegn, har noen kliniske tegn som Hoffmans tegn blitt identifisert for å hjelpe til med tidlig diagnose av cervical myelopati (Denno & Meadows, 1991), men funnene på kliniske prediktorer er sparsomme og spørsmålet er fortsatt hvordan de sammenlignes med radiologiske. og biokjemiske biomarkører og om det er uidentifiserte kliniske prediktorer. Merali et al. brukte en maskinlæringsmodell for å kombinere kliniske og biokjemiske parametere for å lage en helhetlig prediktiv modell, men de klarte ikke å inkludere radiologiske parametere, samt primært fokus på behandlingsresultat i stedet for tidlig diagnose. Derfor har denne studien som mål å fylle gapet i litteraturen og analysere alle sentrale pasientdata, nemlig radiologiske, biokjemiske og kliniske, for å oppdage nye og veie eksisterende prediktorer som er relevante for tidlig cervical myelopati diagnose og behandlingsresultat, samt sykdomsfremgang stratifisering.

   Tre nyere studier har sett på maskinlæring i sammenheng med CSM. For det første, Merali et al. (2019) undersøkte bruken av maskinlæring for å forutsi kirurgiske utfall hos pasienter med CSM. Modellen deres fungerte bra, men den vurderte ingen radiologisk avbildning, noe som er en betydelig begrensning for denne studien, ettersom avbildning gir sentrale ledetråder spesielt for tidlig diagnose av CSM. Dessuten, mens de opprettet en maskinlæringsmodell, klarte ikke forfatterne å lage et verktøy for klinikere å bruke som er basert på maskinlæringsmodellen. Den andre studien, også av Merali et al. (2021) anvendte maskinlæring på radiologisk avbildning for påvisning av CSM-patologi. Modellen presterte igjen rimelig bra, men bare bekreftede CSM-pasienter ble inkludert, noe som er en enorm begrensning. Det er sentralt å inkludere CSM-pasienter i tidlig stadium for å analysere hvordan maskinlæringsmodellen fungerer sammenlignet med konvensjonelle metoder når det gjelder prediksjon, og om den kan hjelpe til med tidlig oppdagelse. Dessuten var begge studiene retrospektive, noe som betyr at ingen sammenligning mellom maskinlæringsmodell og konvensjonelle metoder ville vært mulig. Hopkins et al. (2019) analyserte bruken av maskinlæring i diagnostisering, snarere enn prediksjon, av CSM. En viktig begrensning ved denne studien er imidlertid at han kun brukte radiologisk avbildning, og fullstendig neglisjerte kliniske og biokjemiske parametere. Merali et al. (2019) neglisjerte også fullstendig biokjemiske parametere i sin analyse. Potensielt er dette en viktig uutforsket variabel i patogenesen og diagnosen av CSM som må utforskes. For å konkludere, studier har sett på maskinlæring for å diagnostisere og gjøre prediksjoner i CSM, men de har alvorlige begrensninger som kun ser på fragmenter av den diagnostiske veien. For det formål, gitt at diagnosen og spådommene angående CSM sykdomsprogresjon og behandlingsresultat deler en rekke nøyaktig samme variabler, er det logisk og nødvendig å analysere dem sammen, i stedet for i separate studier. Dessuten er det nødvendig å inkludere radiologiske, men også kliniske og biokjemiske variabler for å oppnå en tilnærmet optimal maskinlæringsmodell, da dette er verktøyene en kliniker også vil ha tilgang til å basere sine diagnoser og spådommer. Derfor vil denne studien undersøke radiologisk-klinisk-biokjemiske variabler med maskinlæring i sammenheng med diagnose, samt spådommer om sykdomsprogresjon og behandlingsresultater. Deretter klarte ikke alle studier å undersøke bruken av maskinlæring for tidlig diagnose. Siden tidlig diagnose er avgjørende for å forbedre behandlingsresultatet, er dette et stort gap i litteraturen, som denne forskningsstudien tar sikte på å fylle, ved å fokusere på variabler som hjelper tidlig påvisning av CSM via inkludering av milde CSM-tilfeller. Til syvende og sist har ingen av studiene brukt pasientbasert QOL-vurdering (dvs. JOACMEQ) som utfallsvariabel som kan være viktigere enn mJOA.

   Oppsummert Begrensningene til studier om temaet CSM og prediksjon av behandlingsresultat har så langt vært at de kun brukte mJOA som utfallsvariabel, i stedet for å bruke den pasientbaserte JOACMEQ. Dette er en enorm begrensning, ettersom til syvende og sist bare pasienten kan subjektivt vurdere og vurdere resultatet av behandlingen. Når det gjelder emnet tidlig diagnose av CSM, har det ikke vært noen studier som har utforsket dette emnet overhodet.

   1.2 BEGRUNDELSE FOR AKTUELT STUDIE

   MÅL

   Det overordnede målet med denne forskningsstudien er å lage to prediktive maskinlæringsmodeller som er basert på radiologiske, kliniske og biokjemiske variabler, som lar ryggradskirurger diagnostisere CSM tidligere og mer nøyaktig, samt lar dem gi pasienter svært individualiserte og nøyaktige. prediktiv informasjon om behandlingsresultater.

   HYPOTESER

   Det er uidentifiserte pasientkarakteristikker, biokjemiske, radiologiske og kliniske parametere som kan hjelpe til med tidlig diagnose og behandlingsprediksjon av cervikal myelopati når de kombineres med allerede kjente biomarkører. Disse mønstrene kan identifiseres og vektes med overvåket og uovervåket maskinlæring, samt multivariat lineær regresjon. Deretter kan maskinlæringsmodellen trenes med nestet kryssvalidering for å oppnå optimal passform, samtidig som man unngår overtilpasning, for å forutsi cervikal myelopatidiagnose. Til syvende og sist kan det utvikles et punkt-av-omsorgsverktøy for fastleger og ryggradskirurger for å hjelpe til med tidlig påvisning av cervical myelopati, og behandlingsresultatprediksjon av pasienter med cervical myelopati. Maskinlæringsprediksjonene angående behandlingsresultat og sykdomsprogresjon antas å være betydelig mer nøyaktige enn klinikeres nåværende prediksjonsevne.

   RISIKO OG FORDELER

   Risikoer: Potensielt ubehag under undersøkelse. Dette vil dempes ved å be om smerte før undersøkelsen og bruke skånsomme undersøkelsesteknikker. Potensielle ulemper vil reduseres ved å finne et tidspunkt som passer for pasienten.

   Fordel: Ved tilbakefall av symptomene deres etter operasjonen, kan vår maskinlæringsmodell og algoritme hjelpe deres behandlende nevrokirurger med å diagnostisere tilbakefall av cervical myelopati på et tidlig stadium og forutsi mer nøyaktig om de vil ha nytte av operasjonen igjen, eller om de vil ha nytte av kirurgi. fra konservativ ledelse i stedet.

   Pasienter vil ikke motta noen betalinger, refusjon av utgifter eller andre fordeler eller insentiver for å delta i denne forskningen, ikke noen personlig betaling utover normal lønn, eller andre fordeler eller insentiver, og sjefsetterforskeren eller noen annen etterforsker/samarbeidspartner ikke har noe direkte personlig engasjement (f.eks. økonomisk, aksjeeierskap, personlige forhold etc.) i organisasjonene som sponser eller finansierer forskningen som kan gi opphav til en mulig interessekonflikt.

   Forskningsdeltakere vil ikke motta noen betalinger, refusjon av utgifter eller andre fordeler eller insentiver for å delta i denne forskningen.

2. STUDIEMÅL

MÅL

Tidlig diagnose av CSM

1. Å identifisere tidlige kliniske prediktorer for cervikal myelopatidiagnose basert på individuelle pasientrapporterte symptomer ved å bruke et retrospektivt spørreskjema, og eventuelt retrospektiv analyse av biokjemiske, radiologiske og kliniske data ved hjelp av mønsterdeteksjon med maskinlæring, eller alternativt multivariat lineær regresjon.
2. Å konvertere funnene av maskinlæringsmodell eller multivariat regresjonsanalyse til et skåringssystem eller maskinlæringsverktøy som kan brukes klinisk til å skåre pasienter til ikke-sannsynlige, moderat sannsynlige eller høye sannsynlige å ha CSM-grupper for å hjelpe tidlig klinisk diagnose og forebygge unødvendig bruk av bildebehandling.

Behandlingsresultatprediksjon av CSM

1. Å prospektivt følge en kohort av CSM-pasienter som samler inn så mange relevante kliniske, biokjemiske og radiologisk uavhengige variabler som mulig, samt å bruke JOACMEQ-spørreskjemaet og mJOA før, som utfallsvariabler. Forholdet mellom uavhengige og utfallsvariabler vil bli analysert ved hjelp av konvensjonelle metoder og maskinlæring.
2. Å bygge og trene en maskinlæringsmodell for nøyaktig å forutsi behandlingsresultatet hos diagnostiserte pasienter.
3. Å bruke maskinlæringsmodellen som grunnlag for å utforme et skåringsverktøy eller en behandlingspunktalgoritme som kan brukes klinisk til å skåre pasienter til ikke-sannsynlige, moderat sannsynlige eller høye sannsynlige CSM-kirurgiresponderere for å hjelpe til med passende håndtering av CSM pasienter.

3. STUDIEDESIGN

Type studie: Ikke-randomisert prospektiv og retrospektiv kohortstudie Varighet: Prospektiv: Observasjoner ved forbehandling, etterbehandling ved 3 måneder og 6 måneder (minimum 18 måneder).

Retrospektiv: Minimum siste 2 år. Pasientnummer: Omtrent 300 (100 prospektive, 200 retrospektive pasienter).

Denne prøven ble bestemt basert på estimeringer av cervikal myelopatipasienter ved Imperial College NHS Healthcare Trust tidligere for prospektiv studie. 100 cervikal myelopatipasienter behandlet ved Imperial College NHS Healthcare Trust i løpet av de følgende 18 månedene minimum for potensiell arm, samt 100 pasienter behandlet i løpet av de siste 2 årene minimum i ICHT, og 100 pasienter med negativ diagnose fra et enkelt Community MSK-team fra Hounslow og Richmond Community Healthcare NHS Trust, som er i nedslagsfeltet til Imperial College Healthcare NHS Trust Neurosurgery. Gitt maskinlæringstilnærmingen kan denne prøvestørrelsen virke for liten til å beholde nøyaktigheten (som utførlig forklart her: https://www.fharrell.com/post/ml-sample-size/ ), men passende tiltak er tatt for å sikre høy nøyaktighet samtidig som man unngår overmontering. For maskinlæring har det blitt vist at nestet kryssvalidering (NCV) ikke påvirkes av skjevhet på grunn av små prøvestørrelser, faktisk reagerer den ikke lineært positivt eller negativt på endringer i prøvestørrelsen, og forblir veldig nøyaktig og robust (Vabalas et al. ., 2019). Derfor vil vi bruke NCV. I tillegg er prøvestørrelsen på henholdsvis n=100 og n=200 ytterligere styrket av det høye antallet karakteristiske trekk (250+ for den prospektive studien, 10-50 for [avhengig av CMSK-datarenslighet] se begge spørreskjemaene) , som har betydelig positiv innflytelse på modellnøyaktighet (Vabalas et al. 2019) Databeregninger: Informasjon samlet inn gjennom klinisk undersøkelse og spørreskjemaer utført retrospektivt over telefon, før operasjon og 3- og 6-måneder etter operasjon. Spørreskjemaet "Cervical myelopathy treatment outcome questionnaire" vedlagt registrerer informasjon knyttet til komorbiditeter og symptomologi. Undersøkelsen vil være en grundig nevrologisk undersøkelse i tillegg til en fokusert kardiovaskulær undersøkelse. Biokjemiske blodmarkører fra eksisterende blodmarkører eller fra fastlegejournaler, som har blitt eller ville blitt utført uavhengig av denne studien. Radiologiske funn vil bli tatt fra rutinemessige MR- og cervicalcolumn-røntgenbilder utført som en del av CSM-diagnosearbeidet. Det retrospektive spørreskjemaet "CSM early diagnosis questionnaire" inneholder alle spørsmålene som vil bli samlet inn retrospektivt via telefon. Videre vil pasienter fra fellesskapets MSK-team, de som etter hvert blir diagnostisert med CM og de som ble undersøkt for CM-spørring, deres kliniske, biokjemiske og radiologiske data fra de lokale SystemOne-databasene samles inn for analyse og sammenligning.

modellen vil bli konvertert til et nettbasert verktøy for prediksjon av behandlingsresultater ved å bruke Shiny-pakken i R. Data og all passende dokumentasjon vil bli lagret i henhold til Trusts policy, inkludert oppfølgingsperioden.

3.1 STUDIERESULTATMÅL mJOA-skåren og JOACMEQ-skåren er utfallsmålene for den potensielle delen av studien. God respons på kirurgi er en forbedring på 1 poeng i mJOA-skår etter 3 og 6 måneder. Radiologisk bekreftelse av cervikal myelopati er utfallsmålet for den retrospektive armen.