Выявление клапанных пороков с помощью фоно- и электрокардиограммы (PEA-Valve)

Выявление клапанных пороков с помощью фоно- и электрокардиограммы (исследование PEA-Valve)

Конкретная(ые) цель(и) Цель 1: Может ли алгоритм машинного обучения, основанный на одновременных записях фоно- и электрокардиограммы, надежно диагностировать клинически значимый аортальный стеноз?

Цель 2: Может ли алгоритм машинного обучения, полученный из одновременных записей фоно- и электрокардиограммы, надежно диагностировать клинически важную митральную регургитацию?

Значимость Пороки клапанов сердца (ВПС) являются распространенной глобальной проблемой здравоохранения, при этом популяционные исследования показывают распространенность аортального стеноза (АС) в 10% и митральной недостаточности (МР) в 20%. Новые хирургические и интервенционные достижения позволяют лечить пациентов в более старшем возрасте или у которых риск вмешательства ранее был бы неприемлемым. Учитывая, что заболеваемость как МР, так и АС увеличивается с возрастом, существует растущая потребность в выявлении этих состояний, чтобы предложить лечение, изменяющее течение болезни.

В современной клинической практике диагностика ВГБ в значительной степени зависит от эхокардиографии. Это, в свою очередь, требует как направления от поставщика медицинских услуг с клиническим подозрением на VHD, как правило, из-за аускультативного отклонения, так и доступа к самой эхокардиограмме. И МР, и АС приводят к надежно воспроизводимым аускультативным данным: голосистолическому и систолическому шуму нарастания-декрещендо соответственно. Тем не менее, несмотря на это, аускультация как диагностический инструмент общеизвестно плоха: ее точность для выявления МР и АС колеблется всего от 5 до 40%. Все эти факторы вызывают обеспокоенность по поводу недостаточной диагностики этих все более поддающихся лечению состояний.

Здесь исследователи будут решать потребности как в более широком доступе, так и в повышении диагностической точности тестирования на VHD. Исследователи будут использовать комбинацию записей фонокардиограммы (ФКГ) и электрокардиограммы в одном отведении (ЭКГ), синхронизированных в режиме реального времени с защищенным облачным сервером с помощью электронного стетоскопа Eko Duo. С помощью этих данных исследователи разработают и подтвердят алгоритм машинного обучения для диагностики клинически значимого АС или МР. Поскольку Eko Duo по существу аналогичен традиционному стетоскопу, культовому инструменту, широко используемому как пациентами, так и медицинскими работниками, его использование для управления автоматическим алгоритмом обнаружения является осуществимым и привлекательным в качестве замены традиционной аускультации. Кроме того, переложив бремя интерпретации тестов с клинициста на алгоритм, исследователи предполагают, что это повысит общую точность диагностики.

Методы. Обзор дизайна: перекрестное исследование всех субъектов, прошедших клиническую эхокардиографию в лаборатории эхокардиографии для взрослых UCSF.

Субъекты исследования Обзор: Исследователи будут набирать взрослых субъектов, проходящих клиническую эхокардиограмму в кампусе UCSF Parnassus. Эти субъекты будут последовательно сгруппированы в когорты вывода и проверки, стратифицированные по статусу случая, чтобы достичь ожидаемого размера выборки. Такое группирование произойдет после регистрации субъекта и сбора данных.

Целевая популяция: взрослые с АС от умеренной до тяжелой и тяжелой степени или с МР от умеренной до тяжелой и тяжелой степени (случаи) и взрослые со структурно нормальным сердцем с минимальным VHD (контрольная группа). В более строгом параллельном анализе целевая контрольная популяция будет определена как имеющая любую степень АС или МР менее чем от умеренной до тяжелой.

Доступное население: Взрослые, отвечающие критериям входа, проходящие клинические эхокардиограммы в эхокардиографической лаборатории UCSF, готовые к участию.

Схема отбора проб: Исследователи будут последовательно подходить к субъектам, поступающим в лабораторию эхокардиографии для взрослых в UCSF Parnassus. Кроме того, исследователи будут предварительно проверять субъектов на наличие высокой вероятности наличия АС или МР (на основании показаний для исследования и предыдущих диагнозов в медицинской карте APEX) и выборочно нацеливать их на регистрацию в ситуациях, когда возможности регистрации координатора исследования насыщены. .

Стратегия набора: введение исследования во время регистрации на эхокардиограмму с помощью брошюры или листовки с последующим личным обращением к потенциальным субъектам в ожидании клинической эхокардиограммы.

Стратегия удержания: нет. Следователи сохранят основной файл с номерами медицинских карт для определения контактной информации в будущем, если это будет сочтено необходимым.

Обзор измерений: исследование будет сосредоточено на двух измерениях: 1) золотой стандарт оценки VHD с помощью эхокардиограммы, как сообщает эхокардиографическая лаборатория UCSF. 2) 30-секундные одновременные записи ФКГ и ЭКГ в одном отведении с помощью устройства Eko Duo в каждой из четырех стандартных аускультативных позиций сердца с необязательными дополнительными записями с помощью устройства Eko Core. В исследовании используется тот факт, что все отчеты о клинических эхокардиограммах включают эти оценки клапанов.

Золотой стандарт: эхокардиограмма признана кардиологическим сообществом золотым стандартом диагностики тяжести VHD. Чтобы свести к минимуму нагрузку на исследователей, а также сократить расходы, исследователи воспользуются преимуществом того, что все отчеты о клинических эхокардиограммах включают оценки VHD, которые будут служить золотым стандартом. Эти отчеты соответствуют рекомендациям Американского общества эхокардиографии (ASE), которые позволяют классифицировать VHD следующим образом: отсутствие, легкая, умеренная или тяжелая форма. Лаборатория эхокардиографии UCSF включает дополнительные категории следов, от легкой до умеренной, от умеренной до тяжелой и критической, что позволяет интерпретировать, когда отдельные параметры в рамках исследования противоречат друг другу. Первичное измерение будет окончательным заключением о тяжести VHD для MR или AS, как сообщает сертифицированный кардиолог. Исследователи определят «клинически значимый» VHD как средний или тяжелый или хуже, поскольку это будет охватывать все уровни заболевания, которые могут потребовать прямого вмешательства. Кроме того, исследователи извлекут весь отчет об эхокардиографии, а также изображения файлов эхокардиограммы, чтобы сохранить данные для будущего использования при возникновении новых исследовательских вопросов.

Измерения устройства. Записи одновременных ЭКГ и ЭКГ в одном отведении будут выполняться для каждого субъекта стандартизированным способом. Каждый субъект будет подвергаться 30-секундной записи с использованием устройства Eko Duo в четырех стандартных положениях аускультации. Наблюдатели будут обучены систематическому методу получения измерений. Если позволят время и пациент, исследователи также получат те же записи с помощью устройства Eko Core, которое использует то же программное обеспечение, но не включает запись ЭКГ. Поскольку устройство позволит визуализировать PCG во время записи, наблюдатель будет получать обратную связь в режиме реального времени о расположении устройства, чтобы максимизировать качество записи в каждой позиции. Исследователи планируют периодическую проверку записей для обеспечения надлежащего качества данных. Исследователи ожидают, что эта гибкость и обратная связь в режиме реального времени улучшат обобщаемость использования устройства в реальном мире (т. неучебная) клиническая ситуация.

Вмешивающиеся факторы и предвзятость: разработка и проверка алгоритмов будут происходить удаленно, после того, как будет выполнена клиническая эхокардиограмма, и, следовательно, не повлияют на результат золотого стандарта. На результат теста может повлиять наличие других состояний, вызывающих систолические шумы (включая ВПХ, кроме АС или МР, или врожденный порок сердца). Исследователи включат эти показатели из отчета об эхокардиограмме, чтобы сравнить результаты теста у пациентов с этими другими состояниями и без них.

Статистические проблемы Нулевая гипотеза: алгоритм машинного обучения не может предсказать наличие клинически значимого АС или МР.

Обоснование размера выборки:

• Чувствительность алгоритма: 90%
• Специфичность алгоритма: 90%
• Целевое отношение правдоподобия (+) алгоритма [LR(R)]: 9 (получено из Sn / [1 - Sp])
• Минимальное отношение правдоподобия (+) алгоритма [LR(R)]: 5
• Уровень достоверности = 0,95 (альфа = 0,05)
• Доверительный интервал [LR(R)]: 5,120–15,820
• Размер выборки = 110 на группу; 330 на когорту (контроль, случай АС, случай МР); всего 660 (группы обучения и проверки)
• Резюме: если предположить, что чувствительность и специфичность алгоритма машинного обучения для обнаружения клинически значимого АС или МР равны 0,9, ожидается, что общий размер выборки в 660 не опустится ниже порогового отношения правдоподобия 5,0 в 95% доверительном интервале ни в одном из этих случаев. производные или валидационные когорты.
• Обоснование критических предположений: Исследователи предполагают, что алгоритм может обеспечить чувствительность и специфичность 90% при обнаружении аортального стеноза или митральной недостаточности по сравнению с сердцами без пороков сердца, на основе ранее опубликованных отчетов с использованием нейронных сетей, с использованием размеров выборки менее 100. случаи. Кроме того, по оценкам исследователей, минимальное отношение правдоподобия 5 необходимо для того, чтобы тест был клинически полезным. Хотя эта оценка хорошо работает для проверочного набора, число, необходимое для производного набора, менее ясно; приведенные выше оценки являются консервативным числом. Исследователи ожидают обучения алгоритма после регистрации каждых 20 случаев с использованием подхода начальной загрузки; это обеспечит промежуточные тестовые характеристики и поможет определить истинное число, необходимое для набора производных. Поскольку это отчасти пилотное исследование, определение истинной чувствительности и специфичности теста само по себе является ценным результатом.

Подход к анализу: Исследователи будут генерировать кривые ROC (построение Sn против 1-Sp) для оценок алгоритма для набора проверки. В конечном итоге исследователи создадут 4 кривые: по две для МР и АС, используя алгоритмы, созданные с помощью первичного (определение контроля как имеющего не более чем легкую VHD) и вторичного (определение контроля как отсутствие умеренной или тяжелой VHD или более высокой) подходов. . Кроме того, исследователи ожидают проведения исследовательского описательного анализа самого алгоритма путем выявления клинических коррелятов с характеристиками, наиболее важными для выявления АС или МР.

Разное Этические соображения: никаких серьезных опасений. Данные будут надежно храниться на платформах, совместимых с HIPAA. Исследование квалифицируется как минимальное по критериям UCSF CHR.

Планы предварительного тестирования: перед набором участников исследования персонал исследования соберет данные о себе и поставщиках для тестирования системы сбора данных. Во время первоначального набора испытуемых исследовательский персонал каждый день просматривает процесс, чтобы обсудить препятствия или проблемы.

План управления данными: данные исследования будут поступать из двух источников. Отчеты об эхокардиограммах, извлеченные из электронной медицинской карты (APEX), будут рассмотрены исследовательским персоналом для создания основной базы данных характеристик заболевания. Основной файл, связывающий идентификаторы субъектов с идентифицируемой информацией, а также извлеченные и деидентифицированные отчеты об эхокардиограмме и деидентифицированные необработанные изображения эхокардиограммы, будут храниться на защищенном исследовательском сервере, используемом Отделением кардиологии. Записанные данные ФКГ и ЭКГ (фактические измерения исследования) будут синхронизироваться в режиме реального времени с защищенным, совместимым с HIPAA облачным сервером, управляемым Eko Devices. В заранее установленное время обучения алгоритму группе машинного обучения (координируемой Eko Devices) будут предоставлены ключи для присвоения идентификатора субъекта категории VHD.

Меры по контролю качества: PI исследования будет проводить периодическую проверку записанных данных для обеспечения надлежащего качества данных.

Расписание уроков:

Публикация анализа разработки алгоритма регистрации субъекта контракта/логистики Общий график: 9 месяцев