- ICH GCP
- Registro de ensaios clínicos dos EUA
- Ensaio Clínico NCT05984901
O CAVA Multicentre Tontura Trial (CAVA 2)
Avaliação Vestibular Ambulatorial Contínua (CAVA): Desenvolvimento de um Sistema para Fornecer um Diagnóstico Automático para Condições Vestibulares
O estudo CAVA é um estudo de dispositivo multicêntrico de precisão diagnóstica que visa quantificar até que ponto o sistema CAVA pode diferenciar três causas comuns de tontura na orelha interna: doença de Ménière, enxaqueca vestibular e vertigem posicional paroxística benigna (VPPB).
O dispositivo CAVA é composto por dois componentes: um conjunto de matrizes de sensores de uso único sob medida que aderem ao lado esquerdo e direito do rosto do participante; e um pequeno módulo reutilizável sobre a orelha que contém uma bateria, um microcomputador para armazenamento de dados e portas de conexão para os arrays. O dispositivo CAVA será usado por todos os participantes por 30 dias com o objetivo de capturar dados do movimento ocular durante um ataque de tontura.
O primeiro objetivo é desenvolver um algoritmo que possa discriminar entre as 3 condições de tontura listadas. A segunda é quantificar os benefícios financeiros e para o paciente da implantação no NHS. O objetivo final é agilizar um plano de implantação do sistema no SUS.
Visão geral do estudo
Status
Intervenção / Tratamento
Descrição detalhada
Este é um estudo multicêntrico de precisão diagnóstica com uma meta de recrutamento de 255 participantes adultos. O recrutamento ocorrerá em dez locais no Reino Unido, ao longo de dois anos. Para serem elegíveis, os participantes devem ter um diagnóstico existente de doença de Ménière, enxaqueca vestibular ou VPPB. O estudo recrutará oitenta e cinco participantes com cada condição. O diagnóstico de cada paciente formará o "padrão de referência" que será posteriormente comparado com um diagnóstico computadorizado automatizado.
Cada participante usará o dispositivo CAVA quase continuamente por trinta dias. O dispositivo registrará todos os movimentos dos olhos e da cabeça durante esse período, inclusive durante qualquer episódio de vertigem. Quando um paciente experimenta um episódio de vertigem, ele será solicitado a ativar um marcador de evento no dispositivo CAVA e manter um registro escrito do início e duração do ataque em um diário. Embora esse registro manual não seja confiável para o desenvolvimento do algoritmo, todos os 30 dias de dados serão usados para detectar períodos de movimento ocular associados à tontura.
Os investigadores desenvolverão algoritmos de computador que usam os dados capturados pelos dispositivos CAVA para diferenciar entre três condições-alvo. Esses algoritmos se basearão nos algoritmos que foram desenvolvidos durante a concessão atual do MRC, que produziram excelentes resultados.10,11,17. Os algoritmos usam redes neurais de aprendizado profundo (DNNs) em uma chamada abordagem 'end-to-end'. Nesta abordagem, uma rede multicamada toma como entrada dados de domínio de tempo 'brutos' e produz uma decisão de classificação sem usar nenhuma representação intermediária explícita do sinal (como sinal de entropia, potência, assimetria, curtose etc.). As abordagens de ponta a ponta, que normalmente utilizam sequências alternadas de camadas de convolução e agrupamento, camadas totalmente conectadas, codificadores automáticos e camadas de memória de curto prazo (LSTM), demonstraram superar as abordagens tradicionais em casos em que grandes quantidades de treinamento dados estão disponíveis. No entanto, eles fornecem poucas informações sobre como funcionam (ou seja, quais características do sinal são importantes para a classificação). Portanto, também será considerado desenvolver métodos nos quais representações intermediárias são geradas e, em seguida, usar esses recursos de entrada para testar uma variedade de classificadores (por exemplo, árvores reforçadas, florestas aleatórias, regressão logística, máquinas de vetores de suporte etc.).
O desempenho dos algoritmos será avaliado usando a técnica 'leave-one-out cross-validation', que é a forma usual de avaliar classificadores.22 Nesta técnica, os dados de um único paciente são separados e os dados restantes dos outros pacientes são usados para 'treinar' o classificador. Será referido um algoritmo treinado para distinguir as três condições como um 'classificador'. O classificador é então testado nos dados separados: o processo de teste consiste em comparar o diagnóstico previsto do classificador ('doença de Ménière', 'enxaqueca vestibular' ou 'VPPB') com o diagnóstico verdadeiro (o rótulo padrão de referência). Esse processo é repetido, removendo os dados de um paciente diferente a cada vez, produzindo um diagnóstico automatizado para todos os 255 pacientes. Embora computacionalmente caro, isso garante que o classificador não 'viu' durante o treinamento os dados do paciente que ele testa, o que influenciaria sua decisão. Ele também se aproxima do cenário do mundo real de um novo paciente se apresentando ao seu médico e um diagnóstico sendo fornecido com base em sua experiência com outros pacientes.
O estudo apresentará a sensibilidade e a especificidade para diagnosticar cada uma das três condições-alvo e curvas do operador receptor (ROCs), mostrando como a precisão do diagnóstico muda para vários limiares de classificação.
As condições-alvo têm diferentes incidências. Refletir esse desequilíbrio nos cálculos estatísticos deste estudo exigiria muitos milhares de pacientes com a mais comum dessas condições. Acredita-se que isso não seria economicamente viável e não agregaria valor ao estudo. Os resultados obtidos serão suficientemente robustos para demonstrar a eficácia do sistema e a taxa de detecção esperada para cada doença.
Um Economista de Saúde (HE) avaliará o potencial de recursos, economia financeira e benefícios para o paciente de uma via diagnóstica incorporando CAVA em comparação com as vias existentes. O desenho do estudo garante que a coleta de dados apropriada seja incorporada ao estudo para a avaliação econômica. Um modelo inicial de custo-efetividade será desenvolvido usando dados retrospectivos do paciente (por exemplo, histórico, número de exames e visitas hospitalares). O modelo revelará as economias e benefícios potenciais dos algoritmos preditivos do CAVA em vários limites hipotéticos de precisão diagnóstica versus um caminho diagnóstico padrão. Um caminho contrafactual de diagnóstico com o dispositivo CAVA será desenvolvido contra o padrão de tratamento usual no momento, para informar os benefícios econômicos potenciais mais prováveis.
Um consultor de comercialização supervisionará um portfólio de trabalho para apoiar a comercialização do sistema CAVA. Eles produzirão um plano de acesso ao mercado detalhando a rota do CAVA para comercialização e confirmarão a colocação do CAVA dentro dos caminhos existentes do NHS e como ele será implementado. Os investigadores desenvolverão o trabalho de grupo focal anterior com um evento de partes interessadas envolvendo profissionais, pacientes e partes interessadas de TI de organizações do NHS. Os investigadores identificarão as questões importantes para as partes interessadas em relação à viabilidade da adoção no NHS e estabelecerão o suporte para a adoção. Um evento PPI será realizado para revisar os resultados provisórios do estudo e um evento de divulgação pública para compartilhar os resultados com o público. Ao longo do projeto, as licenças prospectivas serão contratadas.
Tipo de estudo
Inscrição (Estimado)
Estágio
- Não aplicável
Contactos e Locais
Contato de estudo
- Nome: John Phillips, PhD
- Número de telefone: x5283 (+44)01379 788320
- E-mail: john.phillips@nnuh.nhs.uk
Estude backup de contato
- Nome: Juliet High
- Número de telefone: +44 (0)1603 59 1708
- E-mail: j.high@uea.ac.uk
Locais de estudo
-
-
Norfolk
-
Norwich, Norfolk, Reino Unido, NR4 7UY
- Recrutamento
- Norfolk and Norwich University Hospitals Foundation Trust
-
Investigador principal:
- John Phillips, PhD
-
Contato:
- John Phillips, PhD
- E-mail: john.phillips@nnuh.nhs.uk
-
-
Critérios de participação
Critérios de elegibilidade
Idades elegíveis para estudo
- Adulto
- Adulto mais velho
Aceita Voluntários Saudáveis
Descrição
Critério de inclusão:
- 18 anos ou mais
- Deve ter uma condição médica relevante: doença de Ménière, enxaqueca vestibular, vertigem posicional paroxística benigna do canal posterior (consulte a seção 6.3.1.2 para critérios específicos)
- Experimentando episódios de vertigem verdadeira com pelo menos 2 episódios nas 4 semanas anteriores no momento do consentimento
- A duração e a natureza da vertigem são de duração e natureza compatíveis com a condição médica relevante
- Possui e é capaz de usar um telefone
- Disposto a fornecer consentimento informado
- Disposto a cumprir o protocolo de estudo para uso do dispositivo CAVA
- Disposto a concluir todos os materiais de estudo
- Compreensão adequada do idioma inglês ou do idioma usado em uma versão traduzida existente do formulário de consentimento informado e da folha de informações do paciente e onde os tradutores do hospital estão disponíveis para fornecer suporte
Critério de exclusão:
- Tem alergia a emplastros e/ou adesivos médicos
- Evidência de dermatite, pele frágil ou qualquer outra condição que possa ser agravada pela aplicação repetida de adesivos de superfície cutânea
- Mães grávidas ou lactantes
- Doença de Ménière bilateral ou de segundo lado
- Canal posterior ativo bilateral ou do segundo lado Vertigem posicional paroxística benigna
- Atualmente inscrito em um estudo de intervenção (não incluindo estudo baseado em questionário ou observacional)
- Pacientes que atendem aos critérios diagnósticos para mais de uma condição elegível no momento do recrutamento
Plano de estudo
Como o estudo é projetado?
Detalhes do projeto
- Finalidade Principal: Diagnóstico
- Alocação: N / D
- Modelo Intervencional: Atribuição de grupo único
- Mascaramento: Nenhum (rótulo aberto)
Armas e Intervenções
Grupo de Participantes / Braço |
Intervenção / Tratamento |
---|---|
Outro: O CAVA Multicentre Dizziness Trial (CAVA2)
O CAVA 2 é um estudo de braço único que testa um dispositivo de diagnóstico para diagnosticar diferentes condições da orelha interna avaliadas pelo cálculo de valores de sensibilidade e especificidade.
Os movimentos da cabeça e dos olhos registrados pelo dispositivo CAVA permitirão que os algoritmos de computador (a serem desenvolvidos) diferenciem entre as três condições-alvo.
|
O estudo CAVA é um estudo de dispositivo multicêntrico de precisão diagnóstica que visa quantificar até que ponto o sistema CAVA pode diferenciar três causas comuns de tontura na orelha interna: doença de Ménière, enxaqueca vestibular e vertigem posicional paroxística benigna (VPPB). O dispositivo CAVA é composto por dois componentes: um conjunto de matrizes de sensores de uso único sob medida que aderem ao lado esquerdo e direito do rosto do participante; e um pequeno módulo reutilizável sobre a orelha que contém uma bateria, um microcomputador para armazenamento de dados e portas de conexão para os arrays. O dispositivo CAVA será usado por todos os participantes por 30 dias com o objetivo de capturar dados do movimento ocular durante um ataque de tontura. O primeiro objetivo é desenvolver um algoritmo que possa discriminar entre as 3 condições de tontura listadas. A segunda é quantificar os benefícios financeiros e para o paciente da implantação no NHS. O objetivo final é agilizar um plano de implantação do sistema no SUS. |
O que o estudo está medindo?
Medidas de resultados primários
Medida de resultado |
Descrição da medida |
Prazo |
---|---|---|
Sucesso de um dispositivo de diagnóstico para diagnosticar diferentes condições do ouvido interno
Prazo: 30 dias
|
O resultado primário é o sucesso de um dispositivo de diagnóstico para diagnosticar diferentes condições da orelha interna avaliadas pelo cálculo de valores de sensibilidade e especificidade. Os movimentos da cabeça e dos olhos registrados pelo dispositivo CAVA permitirão que os algoritmos de computador (a serem desenvolvidos) diferenciem entre as três condições-alvo. Os investigadores desenvolverão algoritmos de computador que usam os dados capturados pelos dispositivos CAVA para diferenciar entre as três condições-alvo. Os algoritmos usam redes neurais de aprendizado profundo (DNNs) em uma chamada abordagem 'end-to-end'. Nesta abordagem, uma rede de múltiplas camadas toma como entrada dados de domínio de tempo 'brutos' e produz uma decisão de classificação sem usar nenhuma representação intermediária explícita do sinal (como entropia de sinal, potência, assimetria, curtose etc.) |
30 dias
|
Medidas de resultados secundários
Medida de resultado |
Descrição da medida |
Prazo |
---|---|---|
Dados de economia da saúde
Prazo: 30 dias
|
Os dados da economia da saúde informarão a análise dos potenciais benefícios financeiros e para o paciente de uma via de diagnóstico incorporando o sistema CAVA em comparação com as vias existentes. Um modelo inicial de custo-efetividade será desenvolvido usando dados retrospectivos do paciente. Os dados serão usados para estimar a frequência do provável uso de recursos do NHS de pacientes sob observação com um dos três diagnósticos, para determinar o custo provável e os impactos na qualidade de vida relacionados à saúde de cada um. Também será usado para avaliar a prevalência de afastamento do trabalho (produtividade), produtividade reduzida e redução de atividades não remuneradas, por exemplo, voluntariado, cuidado, etc., bem como percepções sobre aposentadorias precoces ou mudanças na ocupação, etc. |
30 dias
|
Colaboradores e Investigadores
Colaboradores
Investigadores
- Investigador principal: John Phillips, PhD, Consultant ENT Surgeon
Datas de registro do estudo
Datas Principais do Estudo
Início do estudo (Real)
Conclusão Primária (Estimado)
Conclusão do estudo (Estimado)
Datas de inscrição no estudo
Enviado pela primeira vez
Enviado pela primeira vez que atendeu aos critérios de CQ
Primeira postagem (Real)
Atualizações de registro de estudo
Última Atualização Postada (Real)
Última atualização enviada que atendeu aos critérios de controle de qualidade
Última verificação
Mais Informações
Termos relacionados a este estudo
Termos MeSH relevantes adicionais
Outros números de identificação do estudo
- IRAS: 317899
Informações sobre medicamentos e dispositivos, documentos de estudo
Estuda um medicamento regulamentado pela FDA dos EUA
Estuda um produto de dispositivo regulamentado pela FDA dos EUA
Essas informações foram obtidas diretamente do site clinicaltrials.gov sem nenhuma alteração. Se você tiver alguma solicitação para alterar, remover ou atualizar os detalhes do seu estudo, entre em contato com register@clinicaltrials.gov. Assim que uma alteração for implementada em clinicaltrials.gov, ela também será atualizada automaticamente em nosso site .
Ensaios clínicos em Enxaqueca vestibular
-
University of ZurichConcluído
-
University of ZurichConcluído
-
hanaa mohsenConcluídoReabilitação VestibularEgito
-
Virginia Commonwealth UniversityConcluído
-
Centre Hospitalier Universitaire DijonConcluído
-
University of ZurichRetiradoPercepção | Vestibular
-
Taipei Veterans General Hospital, TaiwanDesconhecidoInsuficiência vestibularTaiwan
-
University of ZurichConcluído
-
Massachusetts Eye and Ear InfirmaryOhio State University; University of Geneva, SwitzerlandConcluídoDistúrbio vestibular | Ataxia vestibular | Perda Vestibular, BilateralEstados Unidos, Suíça
-
Istanbul Gelisim UniversityConcluídoDoença de disfunção vestibular unilateralPeru