O CAVA Multicentre Tontura Trial (CAVA 2)

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.