CAVA Multisenter Svimmelhetsprøve (CAVA 2)

Dette er en multisenter diagnostisk nøyaktighetsstudie med et rekrutteringsmål på 255 voksne deltakere. Rekruttering vil finne sted på tvers av ti steder i Storbritannia, over to år. For å være kvalifisert må deltakerne ha en eksisterende diagnose av Ménières sykdom, vestibulær migrene eller BPPV. Studien vil rekruttere åttifem deltakere med hver tilstand. Hver pasients diagnose vil danne «referansestandarden» som senere skal sammenlignes med en automatisert datadiagnose.

Hver deltaker vil bruke CAVA-enheten nesten kontinuerlig i tretti dager. Enheten vil registrere alle øye- og hodebevegelser i løpet av denne tiden, inkludert under alle episoder med vertigo. Når en pasient opplever en episode med svimmelhet, vil de bli bedt om å aktivere en hendelsesmarkør på CAVA-enheten og føre en skriftlig oversikt over angrepsstart og varighet i en dagbok. Selv om denne manuelle loggingen ikke er avhengig av algoritmeutvikling, vil hele 30 dager med data bli brukt til å oppdage perioder med øyebevegelser forbundet med svimmelhet.

Etterforskerne vil utvikle datamaskinalgoritmer som bruker dataene som fanges opp av CAVA-enhetene for å skille mellom tre måltilstander. Disse algoritmene vil bygge på algoritmene som har blitt utviklet under den nåværende MRC-bevilgningen som har gitt utmerkede resultater.10,11,17. Algoritmene bruker deep learning neurale nettverk (DNN) i en såkalt 'ende-til-ende'-tilnærming. I denne tilnærmingen tar et flerlagsnettverk som input 'rå' tidsdomenedata og sender ut en klassifiseringsbeslutning uten å bruke noen eksplisitte mellomrepresentasjoner av signalet (som signalentropi, kraft, skjevhet, kurtose osv.). End-to-end-tilnærminger, som vanligvis bruker alternerende sekvenser av konvolusjon og sammenslåing av lag, fullt tilkoblede lag, auto-kodere og langtidskorttidsminne (LSTM) lag, har vist seg å overgå tradisjonelle tilnærminger i tilfeller der store mengder trening data er tilgjengelig. De gir imidlertid lite innsikt i hvordan de fungerer (dvs. hvilke funksjoner i signalet som er viktige for klassifisering). Det vil derfor også vurderes å utvikle metoder der mellomrepresentasjoner genereres og deretter bruke disse inputfunksjonene til å teste en rekke klassifikatorer (f.eks. boostede trær, tilfeldige skoger, logistisk regresjon, støttevektormaskiner etc.).

Ytelsen til algoritmene vil bli vurdert ved å bruke "leave-one-out cross-validation"-teknikken, som er den vanlige måten å evaluere klassifikatorer på.22 I denne teknikken blir dataene fra en enkelt pasient satt til side, og de resterende dataene fra de andre pasientene brukes til å 'trene' klassifisereren. Det vil bli referert til en algoritme som er opplært til å skille de tre forholdene som en "klassifiserer". Klassifisereren testes deretter på avsatt data: testprosessen består i å sammenligne klassifisererens forutsagte diagnose ('Ménières sykdom', 'vestibulær migrene' eller 'BPPV') med den sanne diagnosen (referansestandardetiketten). Denne prosessen gjentas, og fjerner en annen pasients data hver gang, og produserer en automatisert diagnose for alle 255 pasienter. Selv om det er beregningsmessig dyrt, sikrer dette at klassifisereren ikke har "sett" under treningen av dataene fra pasienten den tester, noe som ville påvirke avgjørelsen. Det samsvarer også nøye med scenariet i den virkelige verden med en ny pasient som presenteres for sin kliniker og en diagnose blir gitt på grunnlag av deres erfaring fra andre pasienter.

Studien vil presentere sensitiviteten og spesifisiteten for diagnostisering av hver av de tre måltilstandene og Receiver Operator Curves (ROCs), som viser hvordan den diagnostiske nøyaktigheten endres for ulike klassifiseringsterskler.

Målforholdene har ulik forekomst. Å reflektere denne ubalansen i denne studiens statistiske beregninger vil kreve mange tusen pasienter med de vanligste av disse tilstandene. Det antas at dette ikke ville være økonomisk lønnsomt og ikke ville gi verdi til studien. Resultatene som oppnås vil være tilstrekkelig robuste til å demonstrere systemets effektivitet og forventet påvisningshastighet for hver sykdom.

En helseøkonom (HE) vil vurdere de potensielle ressursene, økonomiske besparelsene og pasientfordelene ved en diagnostisk vei som inneholder CAVA sammenlignet med eksisterende veier. Studiedesignet sikrer at passende datainnsamling er integrert i studien for den økonomiske evalueringen. En tidlig kostnadseffektivitetsmodell vil bli utviklet ved bruk av retrospektive pasientdata (f.eks. historie, antall tester og sykehusbesøk). Modellen vil avsløre potensielle besparelser og fordeler ved CAVAs prediktive algoritmer ved ulike hypotetiske terskler for diagnostisk nøyaktighet versus en standard diagnostisk vei. En kontrafaktisk vei for diagnose med CAVA-enheten vil bli utviklet mot standarden for vanlig behandling for øyeblikket, for å informere om de mest sannsynlige potensielle økonomiske fordelene.

En kommersialiseringskonsulent vil føre tilsyn med en portefølje av arbeid for å støtte kommersialiseringen av CAVA-systemet. De vil produsere en markedstilgangsplan som beskriver CAVAs rute til kommersialisering og bekrefter CAVAs plassering innenfor eksisterende NHS-veier og hvordan den vil bli implementert. Etterforskerne vil bygge på det tidligere fokusgruppearbeidet med et interessentarrangement som involverer fagpersoner, pasienter og IT-interessenter fra NHS-organisasjoner. Etterforskerne vil identifisere problemene som er viktige for interessenter angående gjennomførbarheten av adopsjon innen NHS og vil etablere støtte for adopsjon. Et PPI-arrangement vil bli arrangert for å gjennomgå de midlertidige funnene fra forsøket og et offentlig formidlingsarrangement for å dele funnene med publikum. Gjennom hele prosjektet vil potensielle lisenser bli engasjert.