Wieloośrodkowa próba zawrotów głowy CAVA (CAVA 2)

Jest to wieloośrodkowe badanie dokładności diagnostycznej, którego celem jest rekrutacja 255 dorosłych uczestników. Rekrutacja odbędzie się w dziesięciu lokalizacjach w Wielkiej Brytanii w ciągu dwóch lat. Aby się zakwalifikować, uczestnicy muszą mieć rozpoznanie choroby Ménière'a, migreny przedsionkowej lub BPPV. Badanie obejmie osiemdziesięciu pięciu uczestników z każdym warunkiem. Diagnoza każdego pacjenta będzie stanowić „standard referencyjny”, który będzie później porównywany z automatyczną diagnostyką komputerową.

Każdy uczestnik będzie nosił urządzenie CAVA blisko nieprzerwanie przez trzydzieści dni. Urządzenie będzie rejestrować wszystkie ruchy oczu i głowy w tym czasie, w tym podczas epizodów zawrotów głowy. Kiedy pacjent doświadcza epizodu zawrotów głowy, zostanie poproszony o aktywację znacznika zdarzenia na urządzeniu CAVA i prowadzenie pisemnego zapisu początku i czasu trwania napadu w dzienniczku. Chociaż to ręczne rejestrowanie nie będzie wykorzystywane do opracowywania algorytmu, dane z całych 30 dni zostaną wykorzystane do wykrycia okresów ruchu gałek ocznych związanych z zawrotami głowy.

Badacze opracują algorytmy komputerowe, które wykorzystają dane przechwycone przez urządzenia CAVA do rozróżnienia trzech docelowych warunków. Algorytmy te będą opierać się na algorytmach opracowanych w ramach obecnego grantu MRC, które przyniosły doskonałe wyniki.10,11,17. Algorytmy wykorzystują sieci neuronowe głębokiego uczenia się (DNN) w tak zwanym podejściu „end-to-end”. W tym podejściu sieć wielowarstwowa przyjmuje jako dane wejściowe „surowe” dane z dziedziny czasu i wyprowadza decyzję klasyfikacyjną bez użycia jakichkolwiek wyraźnych pośrednich reprezentacji sygnału (takich jak entropia sygnału, moc, skośność, kurtoza itp.). Wykazano, że podejścia kompleksowe, które zazwyczaj wykorzystują naprzemienne sekwencje warstw splotu i puli, w pełni połączone warstwy, automatyczne kodery i warstwy pamięci długiej krótkotrwałej (LSTM), przewyższają tradycyjne podejścia w przypadkach, gdy duża liczba szkoleń dane są dostępne. Dają jednak niewielki wgląd w to, jak działają (tj. jakie cechy sygnału są ważne dla klasyfikacji). W związku z tym rozważone zostanie również opracowanie metod, w których generowane są reprezentacje pośrednie, a następnie wykorzystanie tych cech wejściowych do testowania szeregu klasyfikatorów (np. drzewa wzmocnione, lasy losowe, regresja logistyczna, maszyny wektorów nośnych itp.).

Wydajność algorytmów zostanie oceniona przy użyciu techniki „pomiń jedną walidację krzyżową”, która jest zwykłym sposobem oceny klasyfikatorów.22 W tej technice dane od jednego pacjenta są odkładane, a pozostałe dane od innych pacjentów są wykorzystywane do „trenowania” klasyfikatora. Algorytm, który jest przeszkolony w rozróżnianiu trzech warunków, zostanie omówiony jako „klasyfikator”. Następnie klasyfikator jest testowany na odłożonych danych: proces testowania polega na porównaniu diagnozy przewidywanej przez klasyfikator („choroba Ménière'a”, „migrena przedsionkowa” lub „BPPV”) z prawdziwą diagnozą (etykieta wzorca referencyjnego). Proces ten jest powtarzany, za każdym razem usuwając dane innego pacjenta, tworząc automatyczną diagnozę dla wszystkich 255 pacjentów. Chociaż jest to kosztowne obliczeniowo, zapewnia to, że klasyfikator nie „zobaczył” podczas szkolenia danych od badanego pacjenta, co mogłoby wpłynąć na jego decyzję. Jest również ściśle dopasowany do rzeczywistego scenariusza, w którym nowy pacjent zgłasza się do swojego lekarza, a diagnoza jest stawiana na podstawie ich doświadczeń z innymi pacjentami.

Badanie przedstawi czułość i specyficzność diagnozowania każdego z trzech warunków docelowych oraz krzywe operatora odbiornika (ROC), pokazując, jak zmienia się dokładność diagnostyczna dla różnych progów klasyfikacji.

Warunki docelowe mają różną częstość występowania. Odzwierciedlenie tej nierównowagi w obliczeniach statystycznych tego badania wymagałoby wielu tysięcy pacjentów z najczęstszymi z tych schorzeń. Uważa się, że nie byłoby to ekonomicznie opłacalne i nie wniosłoby wartości dodanej do badania. Uzyskane wyniki będą wystarczająco solidne, aby wykazać skuteczność systemu i oczekiwany wskaźnik wykrywalności każdej choroby.

Ekonomista ds. zdrowia (HE) oceni potencjalne zasoby, oszczędności finansowe i korzyści dla pacjenta związane ze ścieżką diagnostyczną obejmującą CAVA w porównaniu z istniejącymi ścieżkami. Projekt badania zapewnia, że ​​w badaniu uwzględniono odpowiednie gromadzenie danych na potrzeby oceny ekonomicznej. Wczesny model opłacalności zostanie opracowany na podstawie retrospektywnych danych pacjentów (np. historii, liczby testów i wizyt w szpitalu). Model ujawni potencjalne oszczędności i korzyści wynikające z algorytmów predykcyjnych CAVA przy różnych hipotetycznych progach dokładności diagnostycznej w porównaniu ze standardową ścieżką diagnostyczną. Alternatywna ścieżka diagnozy z użyciem urządzenia CAVA zostanie opracowana w oparciu o obecnie obowiązującą standardową opiekę, aby określić najbardziej prawdopodobne potencjalne korzyści ekonomiczne.

Konsultant ds. komercjalizacji będzie nadzorował zakres prac wspierających komercjalizację systemu CAVA. Opracują plan dostępu do rynku, szczegółowo opisujący drogę CAVA do komercjalizacji i potwierdzą umiejscowienie CAVA w ramach istniejących ścieżek NHS oraz sposób jego wdrożenia. Śledczy będą opierać się na wcześniejszej pracy grupy fokusowej podczas wydarzenia dla interesariuszy z udziałem specjalistów, pacjentów i interesariuszy IT z organizacji NHS. Śledczy zidentyfikują kwestie ważne dla interesariuszy dotyczące wykonalności adopcji w ramach NHS i ustanowią wsparcie dla adopcji. Zorganizowane zostanie wydarzenie PPI w celu przeglądu tymczasowych ustaleń z badania oraz wydarzenie służące publicznemu rozpowszechnianiu wyników w celu podzielenia się wynikami z opinią publiczną. W trakcie realizacji projektu zaangażowane zostaną licencje perspektywiczne.