Diagnóstico e previsão de aprendizado de máquina para mielopatia cervical (MCM)

1. INTRODUÇÃO

   1.1 ANTECEDENTES

   A mielopatia espondilótica cervical (MSC) é uma patologia da medula espinhal que culmina na compressão progressiva da medula espinhal cervical. É uma das causas mais comuns de patologia da medula espinhal em todo o mundo e pode resultar em efeitos prejudiciais significativos na qualidade de vida dos pacientes (Merali et al., 2019). O tratamento padrão ouro atual para CSM é a descompressão cirúrgica, que restaura a função e melhora a qualidade de vida; no entanto, a descompressão cirúrgica não beneficia todos os pacientes. Dada essa dicotomia, é evidente que é fundamental identificar corretamente os pacientes adequados para a cirurgia, para poupar os pacientes inadequados dos riscos desnecessários da cirurgia. Os cirurgiões de coluna devem analisar grandes quantidades de dados do paciente, incluindo parâmetros radiológicos e clínicos, para estratificar corretamente os pacientes. No entanto, permanece indefinido como cada parâmetro deve ser ponderado e se todos os parâmetros preditivos foram identificados. Além disso, é fundamental que o diagnóstico de MSC seja feito o mais cedo possível, pois os resultados cirúrgicos têm sido relatados como significativamente melhores se diagnosticados em um estágio inicial da doença em comparação com um estágio tardio. realizada em estágios iniciais durante o curso de CSM foi relatada como mais bem-sucedida quando comparada com a fase posterior (Baron & Young, 2007). Parâmetros radiológicos que podem auxiliar na detecção precoce foram identificados, incluindo imagens de tensor de difusão e aumento da densidade de imagens de MRI ponderadas em T2, no entanto, esses parâmetros demonstraram ter baixa sensibilidade (15-65%) e foram obtidos com métodos convencionais, não -métodos estatísticos de aprendizagem profunda, que são altamente prováveis ​​de terem perdido parâmetros salientes devido a limitações estatísticas inerentes. O aprendizado de máquina é o padrão ouro estatístico atual para modelagem e análise de dados. Ele combina ciência da computação e estatística para produzir precisão preditiva máxima. Recentemente, o aprendizado de máquina tem sido cada vez mais aplicado com sucesso à pesquisa médica e cirúrgica para prever resultados de doenças e tratamentos para várias condições, produzindo resultados superiores aos métodos estatísticos convencionais. Para continuar, além dos sinais radiológicos, alguns sinais clínicos, como o sinal de Hoffman, foram identificados para auxiliar no diagnóstico precoce da mielopatia cervical (Denno & Meadows, 1991). e biomarcadores bioquímicos e se existem preditores clínicos não identificados. Merali et ai. usaram um modelo de aprendizado de máquina para combinar parâmetros clínicos e bioquímicos para criar um modelo preditivo holístico, mas falharam em incluir parâmetros radiológicos, além de focar principalmente no resultado do tratamento, em vez do diagnóstico precoce. Portanto, este estudo visa preencher a lacuna na literatura e analisar todos os dados principais do paciente, nomeadamente radiológicos, bioquímicos e clínicos, para detectar novos e pesar os preditores existentes relevantes para o diagnóstico precoce da mielopatia cervical e o resultado do tratamento, bem como a estratificação do progresso da doença.

   Três estudos recentes analisaram o aprendizado de máquina no contexto do CSM. Em primeiro lugar, Merali et al. (2019) investigou o uso de aprendizado de máquina na previsão de resultados cirúrgicos em pacientes com MSC. Seu modelo teve um bom desempenho, mas não considerou nenhuma imagem radiológica, o que é uma limitação significativa para este estudo, pois a imagem fornece pistas essenciais principalmente para o diagnóstico precoce de MSC. Além disso, ao criar um modelo de aprendizado de máquina, os autores falharam em criar uma ferramenta para os médicos usarem baseada no modelo de aprendizado de máquina. O segundo estudo, também de Merali et al. (2021) aplicou aprendizado de máquina a imagens radiológicas para detecção de patologia CSM. O modelo novamente teve um desempenho razoável, porém apenas pacientes confirmados com MSC foram incluídos, o que é uma imensa limitação. É fundamental incluir pacientes com CSM em estágio inicial para analisar o desempenho do modelo de aprendizado de máquina em comparação com os métodos convencionais em termos de previsão e se ele pode ajudar na detecção precoce. Além disso, ambos os estudos eram de natureza retrospectiva, o que significa que nenhuma comparação entre o modelo de aprendizado de máquina e os métodos convencionais teria sido possível. Hopkins e outros. (2019) analisaram o uso de aprendizado de máquina no diagnóstico, em vez de previsão, de CSM. No entanto, uma limitação importante deste estudo é que ele usou apenas imagens radiológicas, negligenciando completamente os parâmetros clínicos e bioquímicos. De fato, Merali et al. (2019) também negligenciaram completamente os parâmetros bioquímicos em suas análises. Potencialmente, esta é uma importante variável inexplorada na patogênese e diagnóstico de MSC que deve ser explorada. Para concluir, os estudos analisaram o aprendizado de máquina para diagnosticar e fazer previsões no CSM, no entanto, eles têm limitações severas apenas observando fragmentos do caminho diagnóstico. Para esse fim, dado que o diagnóstico e as previsões sobre a progressão da doença da MSC e o resultado do tratamento compartilham exatamente as mesmas variáveis, é lógico e necessário analisá-los juntos, e não em estudos separados. Além disso, é necessário incluir variáveis ​​radiológicas, mas também clínicas e bioquímicas para alcançar um modelo de aprendizado de máquina quase ideal, pois essas são as ferramentas que um clínico também teria acesso para basear seus diagnósticos e previsões. Portanto, este estudo examinará variáveis ​​radiológicas-clínicas-bioquímicas com aprendizado de máquina no contexto do diagnóstico, bem como previsões sobre a progressão da doença e os resultados do tratamento. Em seguida, todos os estudos falharam em examinar o uso de aprendizado de máquina para diagnóstico precoce. Como o diagnóstico precoce é fundamental para melhorar o resultado do tratamento, essa é uma grande lacuna na literatura, que esta pesquisa visa preencher, concentrando-se em variáveis ​​que auxiliam na detecção precoce de CSM por meio da inclusão de casos leves de CSM. Em última análise, nenhum dos estudos usou avaliação de qualidade de vida baseada no paciente (ou seja, JOACMEQ) como variável de resultado que pode ser mais importante do que mJOA.

   Em resumo As limitações dos estudos sobre o tópico de MSC e previsão do resultado do tratamento até agora foram que eles usaram apenas mJOA como variável de resultado, em vez de usar o JOACMEQ baseado no paciente. Esta é uma enorme limitação, pois, em última análise, apenas o paciente pode avaliar subjetivamente e avaliar o resultado do tratamento. Quanto ao tema do diagnóstico precoce da MSC, não existem estudos que tenham explorado esse tema.

   1.2 FUNDAMENTAÇÃO PARA O ESTUDO ATUAL

   MIRA

   O objetivo geral deste estudo de pesquisa é criar dois modelos preditivos de aprendizado de máquina baseados em variáveis ​​radiológicas, clínicas e bioquímicas, que permitem aos cirurgiões de coluna diagnosticar a MSC mais cedo e com mais precisão, além de permitir que eles forneçam aos pacientes tratamentos altamente individualizados e precisos informações preditivas sobre os resultados do tratamento.

   HIPÓTESES

   Existem características não identificadas do paciente, parâmetros bioquímicos, radiológicos e clínicos que podem auxiliar no diagnóstico precoce e na previsão do tratamento da mielopatia cervical quando combinados com biomarcadores já conhecidos. Esses padrões podem ser identificados e ponderados com aprendizado de máquina supervisionado e não supervisionado, bem como regressão linear multivariada. Posteriormente, o modelo de aprendizado de máquina pode ser treinado com validação cruzada aninhada para obter o ajuste ideal, evitando o overfitting, para prever o diagnóstico de mielopatia cervical. detecção precoce de mielopatia cervical e previsão do resultado do tratamento de pacientes com mielopatia cervical. Supõe-se que as previsões de aprendizado de máquina em relação ao resultado do tratamento e à progressão da doença sejam significativamente mais precisas do que a capacidade preditiva atual dos médicos.

   RISCOS E BENEFÍCIOS

   Riscos: Potencial desconforto durante o exame. Isso será mitigado perguntando sobre a dor antes do exame e usando técnicas de exame suaves. A inconveniência potencial será mitigada encontrando um horário que seja conveniente para o paciente.

   Benefício: em caso de recorrência de seus sintomas após a cirurgia, nosso modelo e algoritmo de aprendizado de máquina podem ajudar seus neurocirurgiões a diagnosticar a recorrência de mielopatia cervical em um estágio inicial e prever com mais precisão se eles se beneficiarão da cirurgia novamente ou se se beneficiariam em vez de uma gestão conservadora.

   Os pacientes não receberão nenhum pagamento, reembolso de despesas ou quaisquer outros benefícios ou incentivos por participar desta pesquisa, nenhum pagamento pessoal além do salário normal ou quaisquer outros benefícios ou incentivos, e o Investigador Chefe ou qualquer outro investigador/colaborador não tem nenhum envolvimento pessoal direto (por exemplo, financeiro, participação acionária, relacionamento pessoal etc.) nas organizações que patrocinam ou financiam a pesquisa que possam dar origem a um possível conflito de interesses.

   Os participantes da pesquisa não receberão nenhum pagamento, reembolso de despesas ou quaisquer outros benefícios ou incentivos por participar desta pesquisa.

2. OBJETIVOS DO ESTUDO

OBJETIVOS

Diagnóstico precoce de MSC

1. Identificar preditores clínicos precoces de diagnóstico de mielopatia cervical com base em sintomas individuais relatados por pacientes usando um questionário retrospectivo e, possivelmente, análise retrospectiva de dados bioquímicos, radiológicos e clínicos por meio de detecção de padrão com aprendizado de máquina ou, alternativamente, regressão linear multivariada.
2. Para converter as descobertas do modelo de aprendizado de máquina ou análise de regressão multivariada em um sistema de pontuação ou ferramenta de aprendizado de máquina que pode ser usado clinicamente para classificar os pacientes em grupos não prováveis, moderadamente prováveis ​​ou altamente prováveis ​​de ter CSM para auxiliar no diagnóstico clínico precoce e prevenir uso desnecessário de imagens.

Previsão do resultado do tratamento de CSM

1. Acompanhar prospectivamente uma coorte de pacientes com MSC coletando o máximo possível de variáveis ​​independentes clínicas, bioquímicas e radiológicas relevantes, bem como usando o questionário JOACMEQ e mJOA antes, como variáveis ​​de desfecho. A relação entre variáveis ​​independentes e de resultado será analisada por meio de métodos convencionais e aprendizado de máquina.
2. Construir e treinar um modelo de aprendizado de máquina para prever com precisão o resultado do tratamento em pacientes diagnosticados.
3. Usar o modelo de aprendizado de máquina como base para projetar uma ferramenta de pontuação ou algoritmo de ponto de atendimento que pode ser usado clinicamente para classificar os pacientes em não provável, moderadamente provável ou altamente provável de responder à cirurgia de CSM para auxiliar no gerenciamento adequado de CSM pacientes.

3. PROJETO DO ESTUDO

Tipo de estudo: Estudo de coorte prospectivo e retrospectivo não randomizado Duração: Prospectivo: Observações no pré-tratamento, pós-tratamento aos 3 meses e 6 meses (mínimo 18 meses).

Retrospectiva: Mínimo últimos 2 anos. Número de pacientes: Aproximadamente 300 (100 prospectivos, 200 pacientes retrospectivos).

Esta amostra foi determinada com base em estimativas de pacientes com mielopatia cervical no Imperial College NHS Healthcare Trust no passado para estudo prospectivo. 100 pacientes com mielopatia cervical tratados no Imperial College NHS Healthcare Trust nos 18 meses seguintes no mínimo para o braço prospectivo, bem como 100 pacientes tratados nos últimos 2 anos no mínimo em ICHT e 100 pacientes com diagnóstico negativo de uma única equipe comunitária MSK de Hounslow e Richmond Community Healthcare NHS Trust, que fica na área de influência do Imperial College Healthcare NHS Trust Neurosurgery. Dada a abordagem de aprendizado de máquina, esse tamanho de amostra pode parecer muito pequeno para manter a precisão (conforme explicado de forma abrangente aqui: https://www.fharrell.com/post/ml-sample-size/ ), no entanto, medidas apropriadas foram tomadas para garantir alta precisão, evitando o overfitting. Para aprendizado de máquina, foi demonstrado que a validação cruzada aninhada (NCV) não é afetada por viés devido a tamanhos de amostra pequenos; na verdade, não responde linearmente positiva ou negativamente a mudanças no tamanho da amostra, permanecendo muito precisa e robusta (Vabalas et al ., 2019). Portanto, usaremos o NCV. Além disso, o tamanho da amostra de n = 100 e n = 200, respectivamente, é ainda mais reforçado pelo alto número de recursos característicos (mais de 250 para o estudo prospectivo, 10-50 para [dependendo da limpeza dos dados CMSK] ver ambos os questionários) , que tem uma influência significativamente positiva na precisão do modelo (Vabalas et al. 2019) Métricas de dados: informações coletadas por meio de exame clínico e questionários realizados retrospectivamente por telefone, antes da operação e 3 e 6 meses após a operação. O questionário "Questionário de resultado do tratamento da mielopatia cervical" anexo registra informações relacionadas a comorbidades e sintomatologia. O exame será um exame neurológico completo, além de um exame cardiovascular focado. Marcadores sanguíneos bioquímicos de marcadores sanguíneos existentes ou de registros de GP, que foram ou seriam realizados independentemente deste estudo. Os achados radiológicos serão obtidos a partir de ressonância magnética de rotina e radiografias da coluna cervical realizadas como parte da avaliação diagnóstica da CSM. O questionário retrospectivo "Questionário de diagnóstico precoce da CSM" contém todas as perguntas que serão coletadas retrospectivamente por telefone. Além disso, pacientes da equipe comunitária MSK, aqueles diagnosticados com CM eventualmente e aqueles examinados para consulta de CM, seus dados clínicos, bioquímicos e radiológicos dos bancos de dados SystemOne locais serão coletados para análise e comparação.

O modelo será convertido em uma ferramenta de previsão de resultado de tratamento no local de atendimento baseada na Web usando o pacote Shiny em R. Os dados e toda a documentação apropriada serão armazenados de acordo com a política da Trust, incluindo o período de acompanhamento.

3.1 MEDIDAS DO RESULTADO DO ESTUDO A pontuação mJOA e a pontuação JOACMEQ são as medidas de resultado para o braço prospectivo do estudo. A boa resposta à cirurgia é uma melhora de 1 ponto no escore mJOA em 3 e 6 meses. A confirmação radiológica da mielopatia cervical é a medida de resultado para o braço retrospectivo.