Wykrywanie wad zastawkowych wspomagane fono- i elektrokardiogramem (PEA-Valve)

Wykrywanie wad zastawek wspomagane fono- i elektrokardiogramem (badanie PEA-Valve)

Cel(e) szczegółowy Cel 1: Czy algorytm uczenia maszynowego wywodzący się z jednoczesnych zapisów fonograficznych i elektrokardiograficznych może wiarygodnie diagnozować klinicznie istotne zwężenie zastawki aortalnej?

Cel 2: Czy algorytm uczenia maszynowego wywodzący się z jednoczesnych nagrań fonograficznych i elektrokardiogramów może wiarygodnie diagnozować klinicznie istotną niedomykalność mitralną?

Znaczenie Wada zastawkowa serca (VHD) jest powszechnym globalnym problemem zdrowotnym, a badania populacyjne wykazały częstość występowania zwężenia zastawki aortalnej (AS) u 10% i niedomykalności zastawki mitralnej (MR) u 20%. Nowe postępy chirurgiczne i interwencyjne pozwalają na leczenie pacjentów w starszym wieku lub u których ryzyko interwencji byłoby wcześniej nie do utrzymania. Biorąc pod uwagę, że częstość występowania zarówno MR, jak i AS wzrasta wraz z wiekiem, istnieje rosnąca potrzeba identyfikacji tych schorzeń, aby zaoferować terapie zmieniające przebieg choroby.

W obecnej praktyce klinicznej rozpoznanie VHD w dużej mierze opiera się na badaniu echokardiograficznym. To z kolei wymaga zarówno skierowania od świadczeniodawcy z klinicznym podejrzeniem VHD, zwykle z powodu nieprawidłowości w badaniu osłuchowym, jak i dostępu do samego echokardiogramu. Zarówno MR, jak i AS dają wiarygodnie odtwarzalne wyniki osłuchowe: odpowiednio holosystoliczne i skurczowe szmery crescendo-decrescendo. Mimo to osłuchiwanie jako narzędzie diagnostyczne jest notorycznie słabe: jego dokładność wykrywania MR i AS waha się tylko od 5 do 40%. Wszystkie te czynniki prowadzą do obaw związanych z niedodiagnozowaniem tych coraz bardziej uleczalnych schorzeń.

Tutaj badacze zajmą się potrzebami zarówno większego dostępu, jak i lepszej dokładności diagnostycznej testów na VHD. Badacze wykorzystają kombinację nagrań fonokardiogramu (PCG) i elektrokardiogramu jednoodprowadzeniowego (EKG), zsynchronizowanych w czasie rzeczywistym z bezpiecznym serwerem w chmurze, za pomocą elektronicznego stetoskopu Eko Duo. Dzięki tym danym badacze opracują i zweryfikują algorytm uczenia maszynowego do diagnozowania klinicznie istotnego ZA lub MR. Ponieważ Eko Duo jest zasadniczo podobny do tradycyjnego stetoskopu, kultowego narzędzia powszechnie akceptowanego zarówno przez pacjentów, jak i przez lekarzy, jego użycie do kierowania automatycznym algorytmem wykrywania jest zarówno wykonalne, jak i atrakcyjne jako substytut tradycyjnego osłuchiwania. Ponadto, przenosząc ciężar interpretacji testu z klinicysty na algorytm, badacze stawiają hipotezę, że poprawi to ogólną dokładność diagnostyczną.

Metody Przegląd projektu: Badanie przekrojowe wszystkich pacjentów poddawanych echokardiogramom klinicznym w laboratorium echokardiografii dorosłych UCSF

Osoby objęte badaniem Przegląd: Badacze zwerbują dorosłych pacjentów poddawanych echokardiogramom klinicznym w kampusie UCSF Parnassus. Osoby te zostaną kolejno pogrupowane w kohorty derywacyjne i walidacyjne, podzielone według statusu przypadku, tak aby osiągnąć oczekiwaną wielkość próby. Takie grupowanie nastąpi po rejestracji pacjentów i zebraniu danych.

Populacja docelowa: Dorośli z AS o nasileniu od umiarkowanego do ciężkiego lub MR od umiarkowanego do ciężkiego do ciężkiego (przypadki) oraz dorośli z sercem o prawidłowej strukturze i minimalnym VHD (grupa kontrolna). W bardziej rygorystycznej, równoległej analizie docelowa populacja kontrolna zostanie zdefiniowana jako posiadająca dowolny stopień AS lub MR mniejszy niż umiarkowany do ciężkiego.

Dostępna populacja: Dorośli spełniający kryteria wstępne poddawani echokardiografii klinicznej w laboratorium echokardiograficznym UCSF kwalifikujący się do udziału.

Schemat pobierania próbek: Badacze będą podchodzić kolejno do osób zgłaszających się do laboratorium echokardiografii dorosłych w UCSF Parnassus. Ponadto badacze przeprowadzą wstępne badanie przesiewowe pacjentów pod kątem wysokiego prawdopodobieństwa wystąpienia AS lub MR (w oparciu o wskazania do badania i wcześniejsze rozpoznania w dokumentacji medycznej APEX) i selektywnie dobiorą ich do rekrutacji w sytuacjach, w których możliwości koordynatora badania są wyczerpane .

Strategia rekrutacji: Wprowadzenie badania w momencie rejestracji na echokardiogram z broszurą lub ulotką, a następnie osobiste podejście do potencjalnych pacjentów w oczekiwaniu na echokardiogram kliniczny.

Strategia retencji: Brak. Badacze zachowają główny plik numerów dokumentacji medycznej, aby w przyszłości zidentyfikować dane kontaktowe, jeśli uznają to za konieczne.

Przegląd pomiarów: Badanie skupi się na dwóch pomiarach: 1) złotym standardzie oceny VHD za pomocą echokardiogramu, zgodnie z raportem laboratorium echokardiograficznego UCSF. 2) 30-sekundowe jednoczesne zapisy PCG i jednoodprowadzeniowego EKG za pomocą urządzenia Eko Duo w każdej z czterech standardowych pozycji osłuchowych serca, z opcjonalnymi dodatkowymi zapisami za pomocą urządzenia Eko Core. W badaniu wykorzystano fakt, że wszystkie raporty z echokardiogramu klinicznego obejmują te oceny zastawek.

Złoty standard: Echokardiogram jest akceptowany jako złoty standard w diagnostyce ciężkości VHD przez społeczność kardiologów. Aby zminimalizować obciążenie badaczy, a także obniżyć koszty, badacze wykorzystają fakt, że wszystkie raporty z echokardiogramu klinicznego obejmują ocenę VHD, co będzie służyć jako złoty standard. Raporty te są zgodne z wytycznymi Amerykańskiego Towarzystwa Echokardiograficznego (ASE), które dopuszczają klasyfikację VHD w następujący sposób: brak, łagodna, umiarkowana lub ciężka. Laboratorium echokardiograficzne UCSF obejmuje dodatkowe kategorie śladowe, od łagodnego do umiarkowanego, od umiarkowanego do ciężkiego i krytyczne, co pozwala na interpretację, gdy poszczególne parametry w ramach badania są sprzeczne. Podstawowy pomiar będzie ostatecznym wnioskiem dotyczącym ciężkości VHD dla MR lub AS, zgodnie z raportem certyfikowanego kardiologa. Badacze zdefiniują „klinicznie istotny” VHD jako stopień od umiarkowanego do ciężkiego lub gorszy, ponieważ obejmuje to wszystkie poziomy choroby, które mogą wymagać bezpośredniej interwencji. Ponadto badacze wyodrębnią cały raport z echokardiografii, a także obrazy plików echokardiogramu, aby zapisać dane do wykorzystania w przyszłości, gdy pojawią się nowe pytania badawcze.

Pomiary urządzenia: Zapisy jednoczesnego PCG i jednoodprowadzeniowego EKG będą wykonywane dla każdego pacjenta w znormalizowany sposób. Każdy badany zostanie poddany 30-sekundowej rejestracji za pomocą urządzenia Eko Duo w czterech standardowych pozycjach osłuchiwania. Obserwatorzy zostaną przeszkoleni w zakresie systematycznej metody uzyskiwania pomiarów. Jeśli pozwoli na to czas i pacjent, badacze uzyskają te same zapisy za pomocą urządzenia Eko Core, które korzysta z tego samego oprogramowania, ale nie obejmuje zapisu EKG. Ponieważ urządzenie umożliwi wizualizację PCG podczas nagrywania, obserwator otrzyma informację zwrotną w czasie rzeczywistym na temat pozycjonowania urządzenia, aby zmaksymalizować jakość zapisu w każdej pozycji. Śledczy zaplanują okresowe przeglądy nagrań, aby zapewnić odpowiednią jakość danych. Badacze przewidują, że ta elastyczność i informacje zwrotne w czasie rzeczywistym poprawią możliwość uogólnienia korzystania z urządzenia w świecie rzeczywistym (tj. poza badaniem) sytuacja kliniczna.

Czynniki zakłócające i błąd systematyczny: Wyprowadzenie i weryfikacja algorytmów odbędzie się zdalnie, po wykonaniu klinicznego echokardiogramu, a zatem bez wpływu na wynik złotego standardu. Na wynik testu może mieć wpływ obecność innych schorzeń powodujących szmery skurczowe (w tym VHD inna niż AS lub MR lub wrodzona wada serca). Badacze uwzględnią te pomiary z raportu echokardiogramu, aby porównać wyniki testu u osób z tymi innymi schorzeniami i bez nich.

Kwestie statystyczne Hipoteza zerowa: algorytm uczenia maszynowego nie jest w stanie przewidzieć obecności klinicznie istotnego AS lub MR.

Uzasadnienie wielkości próbki:

• Czułość algorytmu: 90%
• Specyfika algorytmu: 90%
• Docelowy współczynnik wiarygodności (+) algorytmu [LR(R)]: 9 (wyprowadzony z Sn / [1 - Sp])
• Minimalny współczynnik wiarygodności (+) algorytmu [LR(R)]: 5
• Poziom ufności = 0,95 (alfa = 0,05)
• Przedział ufności [LR(R)]: 5,120-15,820
• Wielkość próby = 110 na grupę; 330 na kohortę (kontrola, przypadek AS, przypadek MR); 660 ogółem (kohorty szkoleniowe i walidacyjne)
• Podsumowanie: Zakładając, że czułość i swoistość algorytmu uczenia maszynowego do wykrywania klinicznie istotnego AS lub MR wynoszą 0,9, całkowita wielkość próby wynosząca 660 nie powinna spaść poniżej progowego ilorazu wiarygodności wynoszącego 5,0 w 95% przedziale ufności w obu przypadkach kohorty wyprowadzania lub walidacji.
• Uzasadnienie krytycznych założeń: Badacze zakładają, że algorytm może zapewnić czułość i swoistość na poziomie 90% w wykrywaniu zwężenia zastawki aortalnej lub niedomykalności zastawki mitralnej w porównaniu z sercami bez wad zastawkowych, w oparciu o wcześniejsze opublikowane raporty z wykorzystaniem sieci neuronowych, przy użyciu próbek o wielkości poniżej 100 sprawy. Ponadto badacze szacują, że minimalny współczynnik wiarygodności wynoszący 5 byłby niezbędny, aby test był klinicznie użyteczny. Chociaż to oszacowanie działa dobrze w przypadku zbioru walidacyjnego, liczba potrzebna do zbioru pochodnego jest mniej jasna; powyższe szacunki to liczba konserwatywna. Badacze przewidują szkolenie algorytmu po zarejestrowaniu co 20 przypadków przy użyciu metody ładowania początkowego; zapewni to tymczasową charakterystykę testu i pomoże określić prawdziwą liczbę potrzebną do zbioru wyprowadzeń. Ponieważ jest to częściowo badanie pilotażowe, określenie prawdziwej czułości i swoistości testu samo w sobie jest cennym wynikiem.

Podejście analityczne: Badacze wygenerują krzywe ROC (wykreślając Sn vs. 1-Sp) dla wyników algorytmu dla zbioru walidacyjnego. Ostatecznie badacze wygenerują 4 krzywe: po dwie dla MR i AS, używając algorytmów generowanych przez podejście pierwotne (definiujące grupy kontrolne jako mające VHD nie większe niż łagodne) i wtórne (definiujące grupy kontrolne jako nie mające VHD od umiarkowanego do ciężkiego lub większego). . Ponadto badacze przewidują wykonanie eksploracyjnych, opisowych analiz samego algorytmu, poprzez identyfikację klinicznych korelacji z cechami mającymi największe znaczenie w wykrywaniu AS lub MR.

Różne Względy etyczne: Brak poważnych obaw. Dane będą bezpiecznie przechowywane na platformach zgodnych z HIPAA. Badanie kwalifikuje się jako ryzyko minimalne według kryteriów UCSF CHR.

Plany wstępnego testu: Przed rekrutacją do badania personel badawczy zbierze dane o sobie i usługodawcach w celu przetestowania systemu gromadzenia danych. Podczas wstępnej rekrutacji uczestników, pracownicy naukowi będą przeglądać proces po każdym dniu, aby omówić przeszkody lub wątpliwości.

Plan zarządzania danymi: Dane z badania będą pochodzić z dwóch źródeł. Raporty z echokardiogramów, wyodrębnione z elektronicznej dokumentacji medycznej (APEX), zostaną przejrzane przez personel badawczy w celu wygenerowania głównej bazy danych charakterystyki choroby. Plik główny łączący identyfikatory podmiotu z informacjami umożliwiającymi identyfikację, a także wyodrębnione i pozbawione elementów umożliwiających identyfikację raporty z echokardiogramu oraz pozbawione elementów umożliwiających identyfikację surowe obrazy echokardiogramu będą przechowywane na bezpiecznym serwerze badawczym używanym przez Oddział Kardiologii. Zarejestrowane dane PCG i EKG (rzeczywiste pomiary badania) będą synchronizowane w czasie rzeczywistym z bezpiecznym, zgodnym z HIPAA serwerem w chmurze zarządzanym przez Eko Devices. W określonych godzinach szkolenia algorytmów zespół machine learning (koordynowany przez Eko Devices) otrzyma klucze do przypisania identyfikatora podmiotu do kategorii VHD.

Środki kontroli jakości: Okresowy przegląd zarejestrowanych danych będzie przeprowadzany przez PI badania w celu zapewnienia odpowiedniej jakości danych.

Plan lekcji:

Kontrakt/Logistyka Przedmiot Rejestracja Analiza rozwoju algorytmu Publikacja Ogólny harmonogram: 9 miesięcy