Detecção assistida por fono e eletrocardiograma de doença valvular (PEA-Valve)

Detecção Assistida por Fono e Eletrocardiograma de Doença Valvular (Estudo PEA-Valve)

Objetivo(s) específico(s) Objetivo 1: Um algoritmo de aprendizado de máquina derivado de gravações simultâneas de fono e eletrocardiograma pode diagnosticar de forma confiável estenose aórtica clinicamente importante?

Objetivo 2: Um algoritmo de aprendizado de máquina derivado de gravações simultâneas de fono e eletrocardiograma pode diagnosticar com segurança regurgitação mitral clinicamente importante?

Significado A doença cardíaca valvular (VHD) é um problema de saúde global comum, com estudos de base populacional mostrando uma prevalência de 10% para estenose aórtica (EA) e 20% para regurgitação mitral (RM). Novos avanços cirúrgicos e intervencionistas permitem o tratamento de pacientes com idade avançada ou cujo risco de intervenção anteriormente seria insustentável. Dado que a incidência de RM e EA aumenta com o aumento da idade, há uma necessidade crescente de identificar essas condições para oferecer terapias que alteram a doença.

Na prática clínica atual, o diagnóstico de VHD depende muito da ecocardiografia. Isso, por sua vez, requer tanto o encaminhamento de um profissional com suspeita clínica de VHD, geralmente devido a uma anormalidade na ausculta, quanto o acesso ao próprio ecocardiograma. A RM e a EA resultam em achados auscultatórios reprodutíveis de forma confiável: sopros holossistólicos e sistólicos crescendo-decrescendo, respectivamente. No entanto, apesar disso, a ausculta como ferramenta de diagnóstico é notoriamente pobre: ​​sua precisão para detectar RM e EA varia apenas de 5 a 40%. Todos esses fatores levam a preocupações com o subdiagnóstico dessas condições cada vez mais tratáveis.

Aqui, os investigadores abordarão as necessidades de maior acesso e precisão diagnóstica aprimorada dos testes para VHD. Os investigadores utilizarão uma combinação de registros de fonocardiograma (PCG) e eletrocardiograma (ECG) de derivação única, sincronizados em tempo real com um servidor seguro baseado em nuvem, usando o estetoscópio eletrônico Eko Duo. Com esses dados, os pesquisadores desenvolverão e validarão um algoritmo de aprendizado de máquina para diagnosticar EA ou RM clinicamente importantes. Como o Eko Duo é essencialmente semelhante a um estetoscópio tradicional, uma ferramenta icônica amplamente aceita por pacientes e profissionais, seu uso para acionar um algoritmo de detecção automatizada é viável e atraente como substituto da ausculta tradicional. Além disso, ao transferir o ônus da interpretação do teste do médico para o algoritmo, os investigadores levantam a hipótese de que isso melhorará a precisão geral do diagnóstico.

Métodos Visão geral do desenho: Estudo transversal de todos os indivíduos submetidos a ecocardiogramas clínicos no laboratório de ecocardiografia de adultos da UCSF

Assuntos do estudo Visão geral: Os investigadores irão inscrever indivíduos adultos submetidos a ecocardiogramas clínicos no campus da UCSF Parnassus. Esses sujeitos serão agrupados em coortes de derivação e validação sequencialmente, estratificados por status de caso, de modo a atingir o tamanho amostral esperado. Tal agrupamento ocorrerá após a inscrição do sujeito e coleta de dados.

População-alvo: Adultos com EA moderada a grave a grave ou RM moderada a grave a grave (casos) e adultos com corações estruturalmente normais com VHD mínima (controles). Em uma análise paralela mais rigorosa, uma população-alvo de controles será definida como tendo qualquer grau de AS ou RM inferior a moderado a grave.

População Acessível: Adultos que atendem aos critérios de entrada submetidos a ecocardiogramas clínicos no laboratório de ecocardiografia da UCSF passíveis de participação.

Esquema de amostragem: Os investigadores abordarão os indivíduos que se apresentarão ao laboratório de ecocardiografia de adultos da UCSF Parnassus consecutivamente. Além disso, os investigadores irão pré-selecionar os indivíduos para uma alta probabilidade de ter AS ou RM (com base na indicação para o estudo e diagnósticos anteriores no registro médico do APEX) e direcionar seletivamente sua inscrição durante situações em que a capacidade de inscrição do coordenador do estudo está saturada .

Estratégia de Recrutamento: Introdução do estudo no ato da inscrição para ecocardiograma com folheto ou flyer, seguida de abordagem presencial dos potenciais sujeitos enquanto se aguarda o ecocardiograma clínico.

Estratégia de Retenção: Nenhuma. Os investigadores manterão um arquivo mestre dos números dos registros médicos para identificar as informações de contato no futuro, se necessário.

Visão geral das medições: O estudo se concentrará em duas medições: 1) a avaliação padrão-ouro de VHD por ecocardiograma, conforme relatado pelo laboratório de ecocardiografia da UCSF. 2) Gravações simultâneas de 30 segundos de PCG e ECG de derivação única pelo dispositivo Eko Duo em cada uma das quatro posições padrão de auscultação cardíaca, com gravações adicionais opcionais com o dispositivo Eko Core. O estudo aproveita o fato de que todos os relatórios de ecocardiograma clínico incluem essas avaliações valvares.

Padrão ouro: O ecocardiograma é aceito como padrão ouro para o diagnóstico da gravidade da VHD pela comunidade cardiológica. Para minimizar a carga sobre os investigadores, bem como reduzir os custos, os investigadores aproveitarão o fato de que todos os relatórios de ecocardiograma clínico incluem avaliações de VHD, que servirão como padrão-ouro. Esses relatórios seguem as diretrizes da American Society for Echocardiography (ASE), que permitem a classificação de VHD da seguinte forma: nenhum, leve, moderado ou grave. O laboratório de ecocardiografia da UCSF inclui categorias adicionais de traço, leve a moderado, moderado a grave e crítico, permitindo interpretações onde os parâmetros individuais dentro do estudo entram em conflito. A medição primária será a conclusão final da gravidade da VHD para RM ou EA, conforme relatado por um cardiologista certificado. Os investigadores definirão VHD "clinicamente importante" como aquele classificado de moderado a grave ou pior, pois isso abrangeria todos os níveis da doença que poderiam exigir intervenção direta. Além disso, os investigadores irão extrair todo o relatório de ecocardiografia, bem como as imagens dos arquivos de ecocardiograma, de modo a salvar os dados para uso futuro, caso surjam novas questões de pesquisa.

Medições do dispositivo: As gravações do PCG simultâneo e do ECG de derivação única serão realizadas para cada indivíduo de maneira padronizada. Cada sujeito passará por gravações de 30 segundos usando o dispositivo Eko Duo nas quatro posições de auscultação padrão. Os observadores serão treinados no método sistemático de obtenção de medições. Se o tempo e o paciente permitirem, os investigadores também obterão as mesmas gravações usando o dispositivo Eko Core, que usa o mesmo software, mas não inclui gravação de ECG. Como o dispositivo permitirá a visualização do PCG durante a gravação, o observador obterá feedback em tempo real sobre o posicionamento do dispositivo para maximizar a qualidade da gravação em cada posição. Os investigadores planejarão a revisão periódica das gravações para garantir a qualidade adequada dos dados. Os investigadores antecipam que esta flexibilidade e feedback em tempo real melhorarão a generalização do uso do dispositivo para um mundo real (ou seja, não estudo) situação clínica.

Confundidores e Viés: A derivação e validação dos algoritmos ocorrerá remotamente, após a realização do ecocardiograma clínico e, portanto, sem efeito no resultado do padrão-ouro. O teste pode ser influenciado pela presença de outras condições que causam sopros sistólicos (incluindo VHD diferente de EA ou RM, ou cardiopatia congênita). Os investigadores incluirão essas medidas do relatório do ecocardiograma para comparar o desempenho do teste naqueles com e sem essas outras condições.

Questões estatísticas Hipótese Nula: Um algoritmo de aprendizado de máquina não pode prever a presença de AS ou MR clinicamente importantes.

Justificativa do Tamanho da Amostra:

• Sensibilidade do Algoritmo: 90%
• Especificidade do Algoritmo: 90%
• Razão de verossimilhança alvo (+) do algoritmo [LR(R)]: 9 (derivado de Sn / [1 - Sp])
• Razão Mínima de Verossimilhança (+) do Algoritmo [LR(R)]: 5
• Nível de confiança = 0,95 (alfa = 0,05)
• Intervalo de confiança [LR(R)]: 5,120-15,820
• Tamanho da amostra = 110 por grupo; 330 por coorte (controle, caso AS, caso MR); 660 no geral (coortes de treinamento e validação)
• Resumo: Supondo que a sensibilidade e a especificidade do algoritmo de aprendizado de máquina para detecção de AS ou RM clinicamente importantes sejam de 0,9, não se espera que um tamanho de amostra total de 660 fique abaixo da taxa de probabilidade limite de 5,0 no intervalo de confiança de 95% em qualquer as coortes de derivação ou validação.
• Justificativa das suposições críticas: os investigadores assumem que o algoritmo pode produzir uma sensibilidade e especificidade de 90% na detecção de estenose aórtica ou regurgitação mitral em comparação com corações sem doença valvular, com base em relatórios publicados anteriormente usando redes neurais, usando tamanhos de amostra abaixo de 100 casos. Além disso, os investigadores estimam que uma razão de verossimilhança mínima de 5 seria necessária para que o teste fosse clinicamente útil. Embora essa estimativa funcione bem para o conjunto de validação, o número necessário para o conjunto de derivação é menos claro; as estimativas acima são um número conservador. Os investigadores antecipam o treinamento do algoritmo após o registro de cada 20 casos usando uma abordagem de inicialização; isso fornecerá características de teste intermediárias e ajudará a determinar o número verdadeiro necessário para o conjunto de derivação. Como este é, em parte, um estudo piloto, a identificação da verdadeira sensibilidade e especificidade do teste é em si um resultado valioso.

Abordagem de análise: Os investigadores gerarão curvas ROC (traçando Sn vs. 1-Sp) para pontuações de algoritmo para o conjunto de validação. Por fim, os investigadores gerarão 4 curvas: duas para RM e AS, usando algoritmos gerados pelas abordagens primária (definindo os controles como não tendo VHD maior do que leve) e secundária (definindo os controles como não tendo VHD de moderada a grave ou maior). . Além disso, os investigadores antecipam a realização de análises exploratórias e descritivas do próprio algoritmo, identificando correlatos clínicos às características mais pesadas na detecção de AS ou MR.

Diversos Considerações éticas: Sem grandes preocupações. Os dados serão armazenados com segurança em plataformas compatíveis com HIPAA. O estudo se qualifica como de risco mínimo pelos critérios da UCSF CHR.

Planos de pré-teste: Antes do recrutamento do estudo, a equipe do estudo coletará dados sobre si mesmos e sobre os provedores para testar o sistema de coleta de dados. Durante o recrutamento inicial do sujeito, a equipe do estudo revisará o processo após cada dia para discutir obstáculos ou preocupações.

Plano de gerenciamento de dados: os dados do estudo virão de duas fontes. Relatórios de ecocardiogramas, extraídos do prontuário eletrônico (APEX), serão revisados ​​pela equipe do estudo para gerar o principal banco de dados de características da doença. Um arquivo mestre que vincula identificadores de sujeitos com informações identificáveis, bem como relatórios de ecocardiograma extraídos e não identificados e imagens brutas de ecocardiograma não identificadas, será armazenado em um servidor de pesquisa seguro usado pela Divisão de Cardiologia. Os dados gravados de PCG e ECG (as medições reais do estudo) serão sincronizados em tempo real para um servidor seguro, compatível com HIPAA e baseado em nuvem gerenciado pela Eko Devices. Em horários pré-especificados de treinamento de algoritmo, a equipe de aprendizado de máquina (coordenada pela Eko Devices) receberá chaves para a atribuição do identificador de assunto à categoria VHD.

Medidas de controle de qualidade: A revisão periódica dos dados registrados será realizada pelo PI do estudo para garantir a qualidade apropriada dos dados.

Calendário:

Contrato/Logística Matrícula Inscrição Algoritmo Análise de Desenvolvimento Publicação Prazo Geral: 9 Meses