Diagnostyka uczenia maszynowego i przewidywanie mielopatii szyjki macicy (MCM)

1. WSTĘP

   1.1 TŁO

   Mielopatia kręgosłupa szyjnego (CSM) jest patologią rdzenia kręgowego, której kulminacją jest postępujący ucisk rdzenia kręgowego w odcinku szyjnym. Jest to jedna z najczęstszych przyczyn patologii rdzenia kręgowego na całym świecie i może mieć znaczący szkodliwy wpływ na jakość życia pacjentów (Merali i in., 2019). Obecnym złotym standardem leczenia CSM jest dekompresja chirurgiczna, która przywraca funkcję i poprawia jakość życia; jednak dekompresja chirurgiczna nie przynosi korzyści wszystkim pacjentom. Biorąc pod uwagę tę dychotomię, oczywiste jest, że właściwa identyfikacja pacjentów nadających się do operacji ma kluczowe znaczenie, aby oszczędzić nieodpowiednim pacjentom niepotrzebnego ryzyka związanego z operacją. Chirurdzy zajmujący się kręgosłupem muszą analizować ogromne ilości danych pacjentów, w tym parametry radiologiczne i kliniczne, aby prawidłowo stratyfikować pacjentów. Jednak pozostaje nieuchwytne, w jaki sposób należy ważyć każdy parametr i czy zidentyfikowano wszystkie parametry predykcyjne. Ponadto kluczowe znaczenie ma jak najwcześniejsze postawienie diagnozy CSM, ponieważ doniesiono, że wyniki leczenia chirurgicznego są znacznie lepsze, jeśli zostanie zdiagnozowana we wczesnym stadium choroby w porównaniu z późnym stadium. wykonywane na wcześniejszych etapach w trakcie CSM były bardziej skuteczne w porównaniu z późniejszymi etapami (Baron i Young, 2007). Zidentyfikowano parametry radiologiczne, które mogą pomóc we wczesnym wykrywaniu, w tym obrazowanie tensora dyfuzji i zwiększoną gęstość obrazów MRI T2-zależnych, jednak wykazano, że parametry te mają niską czułość (15-65%) i zostały uzyskane przy użyciu konwencjonalnych, nie - metody statystyczne oparte na głębokim uczeniu się, w przypadku których z dużym prawdopodobieństwem pominięto istotne parametry ze względu na nieodłączne ograniczenia statystyczne. Uczenie maszynowe jest obecnie złotym standardem statystycznym w zakresie modelowania i analizy danych. Łączy informatykę i statystykę, aby uzyskać maksymalną dokładność predykcyjną. Ostatnio uczenie maszynowe jest coraz częściej iz powodzeniem stosowane w badaniach medycznych i chirurgicznych w celu przewidywania chorób i wyników leczenia różnych schorzeń, uzyskując lepsze wyniki niż konwencjonalne metody statystyczne. Kontynuując, oprócz objawów radiologicznych zidentyfikowano niektóre objawy kliniczne, takie jak objaw Hoffmana, które pomagają we wczesnym rozpoznaniu mielopatii szyjnej (Denno i Meadows, 1991), jednak wyniki dotyczące predyktorów klinicznych są rzadkie i pozostaje pytanie, jak porównują się z radiologicznymi i biochemicznych biomarkerów oraz czy istnieją niezidentyfikowane predyktory kliniczne. Merali i in. wykorzystali model uczenia maszynowego do połączenia parametrów klinicznych i biochemicznych w celu stworzenia holistycznego modelu predykcyjnego, ale nie uwzględnili parametrów radiologicznych, a także skupili się przede wszystkim na wynikach leczenia, a nie na wczesnej diagnozie. Dlatego to badanie ma na celu wypełnienie luki w literaturze i przeanalizowanie wszystkich kluczowych danych pacjenta, a mianowicie radiologicznych, biochemicznych i klinicznych, w celu wykrycia nowych i zważenia istniejących predyktorów istotnych dla wczesnej diagnozy mielopatii szyjki macicy i wyniku leczenia, a także stratyfikacji postępu choroby.

   Trzy ostatnie badania dotyczyły uczenia maszynowego w kontekście CSM. Po pierwsze, Merali i in. (2019) badali wykorzystanie uczenia maszynowego w przewidywaniu wyników chirurgicznych u pacjentów z CSM. Ich model działał dobrze, jednak nie uwzględniał żadnego obrazowania radiologicznego, co jest znaczącym ograniczeniem tego badania, ponieważ obrazowanie dostarcza kluczowych wskazówek, szczególnie dla wczesnej diagnozy CSM. Co więcej, tworząc model uczenia maszynowego, autorom nie udało się stworzyć narzędzia do wykorzystania przez klinicystów, które byłoby oparte na modelu uczenia maszynowego. Drugie badanie, również przeprowadzone przez Merali i in. (2021) zastosowali uczenie maszynowe do obrazowania radiologicznego w celu wykrycia patologii CSM. Model ponownie działał dość dobrze, jednak uwzględniono tylko potwierdzonych pacjentów z CSM, co jest ogromnym ograniczeniem. Kluczowe znaczenie ma włączenie pacjentów we wczesnym stadium CSM do analizy, w jaki sposób model uczenia maszynowego działa w porównaniu z konwencjonalnymi metodami pod względem przewidywania i czy może pomóc we wczesnym wykrywaniu. Co więcej, oba badania miały charakter retrospektywny, co oznacza, że ​​żadne porównanie między modelem uczenia maszynowego a metodami konwencjonalnymi nie byłoby możliwe. Hopkins i in. (2019) przeanalizowali wykorzystanie uczenia maszynowego w diagnozowaniu, a nie przewidywaniu CSM. Jednak ważnym ograniczeniem tego badania jest to, że używał tylko obrazowania radiologicznego, całkowicie zaniedbując parametry kliniczne i biochemiczne. W rzeczywistości Merali i in. (2019) również całkowicie zaniedbali w swoich analizach parametry biochemiczne. Potencjalnie jest to ważna niezbadana zmienna w patogenezie i diagnostyce CSM, którą należy zbadać. Podsumowując, badania dotyczyły uczenia maszynowego w celu diagnozowania i przewidywania w CSM, jednak mają one poważne ograniczenia, jeśli chodzi tylko o fragmenty ścieżki diagnostycznej. W tym celu, biorąc pod uwagę, że diagnoza i prognozy dotyczące progresji choroby CSM i wyników leczenia mają wiele identycznych zmiennych, logiczne i konieczne jest analizowanie ich razem, a nie w oddzielnych badaniach. Ponadto konieczne jest uwzględnienie zmiennych radiologicznych, ale także klinicznych i biochemicznych, aby osiągnąć niemal optymalny model uczenia maszynowego, ponieważ są to narzędzia, do których klinicysta miałby również dostęp, aby oprzeć swoje diagnozy i prognozy. Dlatego w niniejszym badaniu zbadane zostaną zmienne radiologiczno-kliniczno-biochemiczne z uczeniem maszynowym w kontekście diagnozy, a także prognoz dotyczących postępu choroby i wyników leczenia. Następnie we wszystkich badaniach nie udało się zbadać wykorzystania uczenia maszynowego do wczesnej diagnozy. Ponieważ wczesna diagnoza ma kluczowe znaczenie dla poprawy wyników leczenia, jest to ogromna luka w literaturze, którą niniejsze badanie ma na celu wypełnić, koncentrując się na zmiennych, które pomagają we wczesnym wykrywaniu CSM poprzez włączenie łagodnych przypadków CSM. Ostatecznie żadne z badań nie wykorzystywało oceny QOL opartej na pacjencie (tj. JOACMEQ) jako zmienną wynikową, która może być ważniejsza niż mJOA.

   Podsumowanie Dotychczasowe ograniczenia badań na temat CSM i przewidywania wyników leczenia polegały na tym, że jako zmienną wyniku stosowano jedynie mJOA, zamiast JOACMEQ opartego na pacjencie. Jest to ogromne ograniczenie, ponieważ ostatecznie tylko pacjent może subiektywnie ocenić i ocenić wynik leczenia. Jeśli chodzi o wczesną diagnostykę CSM, nie przeprowadzono żadnych badań, które w jakikolwiek sposób poruszałyby ten temat.

   1.2 UZASADNIENIE BIEŻĄCEGO BADANIA

   CELUJE

   Ogólnym celem tego badania naukowego jest stworzenie dwóch predykcyjnych modeli uczenia maszynowego, które są oparte na zmiennych radiologicznych, klinicznych i biochemicznych, co pozwoli chirurgom kręgosłupa na wcześniejsze i dokładniejsze diagnozowanie CSM, a także umożliwi im zapewnienie pacjentom wysoce zindywidualizowanego i dokładnego leczenia. informacje prognostyczne dotyczące wyników leczenia.

   HIPOTEZY

   Istnieją niezidentyfikowane cechy pacjenta, parametry biochemiczne, radiologiczne i kliniczne, które mogą pomóc we wczesnej diagnostyce i przewidywaniu leczenia mielopatii szyjnej w połączeniu z już znanymi biomarkerami. Wzorce te można identyfikować i ważyć za pomocą nadzorowanego i nienadzorowanego uczenia maszynowego, a także wielowymiarowej regresji liniowej. Następnie model uczenia maszynowego można wyszkolić za pomocą zagnieżdżonej walidacji krzyżowej, aby uzyskać optymalne dopasowanie, unikając przeuczenia, w celu przewidywania diagnozy mielopatii szyjnej. Ostatecznie można opracować narzędzie do opieki w miejscu opieki dla lekarzy rodzinnych i chirurgów kręgosłupa, aby pomóc w wczesne wykrywanie mielopatii szyjki macicy i przewidywanie wyników leczenia pacjentów z mielopatią szyjki macicy. Zakłada się, że prognozy uczenia maszynowego dotyczące wyników leczenia i progresji choroby są znacznie dokładniejsze niż obecne zdolności predykcyjne klinicystów.

   RYZYKO I KORZYŚCI

   Zagrożenia: Potencjalny dyskomfort podczas badania. Można to złagodzić, prosząc o ból przed badaniem i stosując delikatne techniki badania. Ewentualne niedogodności zostaną złagodzone poprzez znalezienie dogodnego dla pacjenta terminu.

   Korzyść: W przypadku nawrotu objawów po operacji nasz model i algorytm uczenia maszynowego mogą pomóc neurochirurgom prowadzącym leczenie we wczesnym stadium diagnozowania nawrotu mielopatii szyjnej i dokładniej przewidywać, czy operacja ponownie przyniesie korzyści, czy też odniesie korzyści zamiast konserwatywnego zarządzania.

   Pacjenci nie otrzymają żadnych płatności, zwrotów kosztów ani żadnych innych korzyści lub zachęt za udział w tym badaniu, żadnych płatności osobistych ponad normalne wynagrodzenie ani żadnych innych korzyści lub zachęt, a Główny Badacz lub jakikolwiek inny badacz/współpracownik nie ma bezpośredniego osobistego zaangażowania (np. finansowe, udziały, relacje osobiste itp.) w organizacjach sponsorujących lub finansujących badania, które mogą prowadzić do potencjalnego konfliktu interesów.

   Uczestnicy badania nie otrzymają żadnych płatności, zwrotu kosztów ani żadnych innych korzyści lub zachęt za udział w tym badaniu.

2. CELE STUDIÓW

CELE

Wczesna diagnoza CSM

1. Identyfikacja wczesnych klinicznych predyktorów diagnozy mielopatii szyjnej na podstawie objawów zgłaszanych przez poszczególnych pacjentów za pomocą kwestionariusza retrospektywnego i ewentualnie retrospektywnej analizy danych biochemicznych, radiologicznych i klinicznych za pomocą wykrywania wzorców za pomocą uczenia maszynowego lub alternatywnie wielowymiarowej regresji liniowej.
2. Aby przekształcić wyniki modelu uczenia maszynowego lub wielowymiarowej analizy regresji w system punktacji lub narzędzie uczenia maszynowego, które można wykorzystać klinicznie do oceny pacjentów na grupy CSM z małym, umiarkowanym prawdopodobieństwem lub wysokim prawdopodobieństwem, aby pomóc wczesnej diagnozie klinicznej i zapobiegać niepotrzebne korzystanie z obrazowania.

Przewidywanie wyniku leczenia CSM

1. Obserwacja prospektywna kohorty pacjentów z CSM, zbierając jak najwięcej istotnych niezależnych zmiennych klinicznych, biochemicznych i radiologicznych, a także wykorzystując kwestionariusz JOACMEQ i wcześniej mJOA jako zmienne wynikowe. Relacje zmiennych niezależnych i wynikowych będą analizowane za pomocą konwencjonalnych metod i uczenia maszynowego.
2. Zbudowanie i wytrenowanie modelu uczenia maszynowego w celu dokładnego przewidywania wyniku leczenia u zdiagnozowanych pacjentów.
3. Wykorzystanie modelu uczenia maszynowego jako podstawy do zaprojektowania narzędzia oceniającego lub algorytmu punktu opieki, które można wykorzystać klinicznie do oceny pacjentów z małym, umiarkowanym prawdopodobieństwem lub dużym prawdopodobieństwem, że będą oni reagowali na operację CSM, aby pomóc w odpowiednim zarządzaniu CSM pacjenci.

3. PROJEKT STUDIUM

Rodzaj badania: Nierandomizowane prospektywne i retrospektywne badanie kohortowe Czas trwania: Prospektywne: Obserwacje przed leczeniem, po 3 miesiącach i 6 miesiącach (minimum 18 miesięcy).

Retrospektywa: Minimum ostatnie 2 lata. Liczba pacjentów: Około 300 (100 pacjentów prospektywnych, 200 pacjentów retrospektywnych).

Ta próbka została określona na podstawie szacunków pacjentów z mielopatią szyjną w Imperial College NHS Healthcare Trust w przeszłości do badań prospektywnych. 100 pacjentów z mielopatią szyjną leczonych w Imperial College NHS Healthcare Trust przez co najmniej 18 miesięcy w grupie prospektywnej, a także 100 pacjentów leczonych w ciągu ostatnich 2 lat w ICHT oraz 100 pacjentów z negatywną diagnozą z jednego zespołu Community MSK z Hounslow i Richmond Community Healthcare NHS Trust, który znajduje się w obszarze zlewni Imperial College Healthcare NHS Trust Neurosurgery. Biorąc pod uwagę podejście do uczenia maszynowego, ten rozmiar próbki może wydawać się zbyt mały, aby zachować dokładność (co wyjaśniono szczegółowo tutaj: https://www.fharrell.com/post/ml-sample-size/ ), jednak podjęto odpowiednie środki w celu zapewnienia wysokiej dokładności przy jednoczesnym uniknięciu przeuczenia. W przypadku uczenia maszynowego wykazano, że zagnieżdżona walidacja krzyżowa (NCV) nie podlega stronniczości ze względu na małe rozmiary próbek, w rzeczywistości nie reaguje liniowo pozytywnie ani negatywnie na zmiany wielkości próby, pozostając bardzo dokładna i solidna (Vabalas i in. ., 2019). Dlatego będziemy używać NCV. Dodatkowo wielkość próby odpowiednio n=100 i n=200 jest dodatkowo wzmacniana przez dużą liczbę charakterystycznych cech (250+ dla badania prospektywnego, 10-50 dla [w zależności od czystości danych CMSK] patrz oba kwestionariusze) , co ma znacząco pozytywny wpływ na dokładność modelu (Vabalas i in. 2019) Metryki danych: Informacje zebrane podczas badania klinicznego i kwestionariuszy przeprowadzonych retrospektywnie przez telefon, przed operacją oraz 3 i 6 miesięcy po operacji. Załączony kwestionariusz „Kwestionariusz wyników leczenia mielopatii szyjki macicy” zawiera informacje dotyczące chorób współistniejących i objawów. Badanie będzie dokładnym badaniem neurologicznym, oprócz ukierunkowanego badania sercowo-naczyniowego. Biochemiczne markery krwi z istniejących markerów krwi lub z dokumentacji lekarza rodzinnego, które zostały lub zostałyby wykonane niezależnie od tego badania. Wyniki badań radiologicznych zostaną pobrane z rutynowych badań MR i RTG kręgosłupa szyjnego wykonanych w ramach diagnostyki CSM Ankieta retrospektywna „Kwestionariusz wczesnej diagnozy CSM” zawiera wszystkie pytania, które zostaną zebrane retrospektywnie drogą telefoniczną. Co więcej, dane kliniczne, biochemiczne i radiologiczne pacjentów z lokalnych baz danych SystemOne zostaną zebrane w celu analizy i porównania pacjentów ze społecznościowego zespołu MSK, tych, u których ostatecznie zdiagnozowano miopatię miopatyczną oraz tych, którzy zostali przebadani pod kątem miopatii.

model zostanie przekształcony w internetowe narzędzie prognozowania wyników leczenia w miejscu opieki przy użyciu pakietu Shiny w R. Data, a cała odpowiednia dokumentacja będzie przechowywana zgodnie z polityką Trust, w tym okres obserwacji.

3.1 MIARY WYNIKÓW BADANIA Skala mJOA i JOACMEQ są miarami wyników prospektywnej części badania. Dobrą odpowiedzią na operację jest poprawa o 1 punkt w skali mJOA po 3 i 6 miesiącach. Potwierdzenie radiologiczne mielopatii szyjnej jest miarą wyniku dla ramienia retrospektywnego.