Диагностика и прогнозирование цервикальной миелопатии с помощью машинного обучения (MCM)

1. ВВЕДЕНИЕ

   1.1 ПРЕДПОСЫЛКИ

   Шейная спондилотическая миелопатия (ШМ) представляет собой патологию спинного мозга, которая завершается прогрессирующей компрессией шейного отдела спинного мозга. Это одна из наиболее распространенных причин патологии спинного мозга во всем мире, которая может привести к значительному ухудшению качества жизни пациентов (Merali et al., 2019). В настоящее время золотым стандартом лечения CSM является хирургическая декомпрессия, которая восстанавливает функцию и улучшает качество жизни; однако хирургическая декомпрессия приносит пользу не всем пациентам. Учитывая эту дихотомию, очевидно, что важно правильно идентифицировать пациентов, подходящих для операции, чтобы избавить неподходящих пациентов от ненужного хирургического риска. Спинальные хирурги должны анализировать огромное количество данных о пациентах, включая рентгенологические и клинические параметры, чтобы правильно стратифицировать пациентов. Однако остается неясным, как следует взвешивать каждый параметр и все ли прогностические параметры были идентифицированы. Кроме того, крайне важно диагностировать CSM как можно раньше, поскольку сообщалось, что хирургические результаты значительно улучшаются при диагностике на ранней стадии заболевания по сравнению с поздней стадией. Сообщалось, что выполнение на более ранних стадиях курса CSM было более успешным по сравнению с более поздними стадиями (Baron & Young, 2007). Были идентифицированы радиологические параметры, которые могут помочь в раннем выявлении, в том числе диффузионно-тензорная визуализация и повышенная плотность МРТ-Т2-взвешенных изображений, однако было показано, что эти параметры имеют низкую чувствительность (15-65%) и были получены с помощью обычных, - статистические методы с глубоким обучением, которые, скорее всего, будут упускать существенные параметры из-за присущих им статистических ограничений. Машинное обучение — текущий золотой стандарт статистики для моделирования и анализа данных. Он сочетает в себе информатику и статистику, чтобы обеспечить максимальную точность прогнозов. В последнее время машинное обучение все шире и успешно применяется в медицинских и хирургических исследованиях для прогнозирования заболеваний и результатов лечения различных состояний, что дает результаты, превосходящие традиционные статистические методы. В продолжение, помимо рентгенологических признаков, были идентифицированы некоторые клинические признаки, такие как симптом Хоффмана, которые помогают в ранней диагностике цервикальной миелопатии (Denno & Meadows, 1991), однако данные о клинических предикторах немногочисленны, и остается вопрос, как они соотносятся с рентгенологическими. и биохимические биомаркеры, а также наличие неопознанных клинических предикторов. Мерали и др. использовали модель машинного обучения для объединения клинических и биохимических параметров для создания целостной прогностической модели, но они не включали радиологические параметры, а также уделяли основное внимание результатам лечения, а не ранней диагностике. Следовательно, это исследование направлено на то, чтобы заполнить пробел в литературе и проанализировать все основные данные о пациентах, а именно радиологические, биохимические и клинические, для выявления новых и взвешивания существующих предикторов, имеющих отношение к ранней диагностике цервикальной миелопатии и результатам лечения, а также к стратификации прогрессирования заболевания.

   Три недавних исследования рассматривали машинное обучение в контексте CSM. Во-первых, Мерали и др. (2019) исследовали использование машинного обучения для прогнозирования результатов операций у пациентов с CSM. Их модель работала хорошо, однако она не учитывала какую-либо радиологическую визуализацию, что является существенным ограничением для этого исследования, поскольку визуализация дает ключевые подсказки, особенно для ранней диагностики CSM. Более того, при создании модели машинного обучения авторам не удалось создать инструмент для использования клиницистами, основанный на модели машинного обучения. Второе исследование, также проведенное Merali et al. (2021) применили машинное обучение к радиологической визуализации для обнаружения патологии CSM. Модель снова работала достаточно хорошо, однако были включены только подтвержденные пациенты с CSM, что является огромным ограничением. Крайне важно включить пациентов с CSM на ранней стадии, чтобы проанализировать, как модель машинного обучения работает по сравнению с обычными методами с точки зрения прогнозирования, и может ли она помочь в раннем выявлении. Более того, оба исследования носили ретроспективный характер, а это означает, что сравнение модели машинного обучения и традиционных методов было бы невозможно. Хопкинс и др. (2019) проанализировали использование машинного обучения для диагностики, а не прогнозирования CSM. Однако важным ограничением этого исследования является то, что он использовал только рентгенологическую визуализацию, полностью игнорируя клинические и биохимические параметры. Фактически, Мерали и соавт. (2019) также полностью пренебрегли биохимическими параметрами в своем анализе. Потенциально это важная неизученная переменная в патогенезе и диагностике CSM, которую необходимо изучить. В заключение, исследования рассматривали машинное обучение для диагностики и прогнозирования в CSM, однако они имеют серьезные ограничения, рассматривая только фрагменты диагностического пути. С этой целью, учитывая, что диагноз и прогнозы относительно прогрессирования заболевания CSM и исхода лечения имеют множество одних и тех же переменных, логично и необходимо анализировать их вместе, а не в отдельных исследованиях. Кроме того, необходимо включить радиологические, а также клинические и биохимические переменные для достижения почти оптимальной модели машинного обучения, поскольку это инструменты, которые клиницист также будет иметь доступ для обоснования своих диагнозов и прогнозов. Следовательно, в этом исследовании будут изучены радиологические, клинико-биохимические переменные с помощью машинного обучения в контексте диагностики, а также прогнозов прогрессирования заболевания и результатов лечения. Далее, во всех исследованиях не изучалось использование машинного обучения для ранней диагностики. Поскольку ранняя диагностика имеет решающее значение для улучшения результатов лечения, это огромный пробел в литературе, который это исследование призвано заполнить, сосредоточив внимание на переменных, которые помогают раннему выявлению CSM путем включения легких случаев CSM. В конечном счете, ни в одном из исследований не использовалась оценка КЖ на основе пациентов (т. JOACMEQ) в качестве переменной результата, которая может быть более важной, чем mJOA.

   Резюме Ограничения исследований по теме CSM и прогнозирования результатов лечения до сих пор заключались в том, что они использовали только mJOA в качестве переменной результата вместо использования JOACMEQ на основе пациентов. Это огромное ограничение, так как в конечном итоге только пациент может субъективно оценить и оценить результат лечения. Что касается темы ранней диагностики CSM, то исследований, посвященных этой теме, не проводилось.

   1.2 ОБОСНОВАНИЕ НАСТОЯЩЕГО ИССЛЕДОВАНИЯ

   ЦЕЛИ

   Общая цель этого исследования состоит в том, чтобы создать две прогностические модели машинного обучения, основанные на рентгенологических, клинических и биохимических переменных, что позволит хирургам позвоночника диагностировать CSM раньше и точнее, а также позволит им предоставлять пациентам высокоиндивидуализированные и точные прогнозная информация о результатах лечения.

   ГИПОТЕЗЫ

   Существуют неустановленные характеристики пациентов, биохимические, рентгенологические и клинические параметры, которые могут помочь в ранней диагностике и прогнозировании лечения цервикальной миелопатии в сочетании с уже известными биомаркерами. Эти шаблоны можно идентифицировать и взвесить с помощью контролируемого и неконтролируемого машинного обучения, а также многомерной линейной регрессии. Впоследствии модель машинного обучения можно обучить с помощью вложенной перекрестной проверки для достижения оптимального соответствия, избегая при этом переобучения, для прогнозирования диагноза цервикальной миелопатии. раннее выявление цервикальной миелопатии и прогнозирование результатов лечения пациентов с цервикальной миелопатией. Предполагается, что прогнозы машинного обучения в отношении результатов лечения и прогрессирования заболевания значительно более точны, чем текущие прогнозирующие способности клиницистов.

   РИСКИ И ПРЕИМУЩЕСТВА

   Риски: Потенциальный дискомфорт во время обследования. Это можно смягчить, если перед обследованием спросить о боли и использовать щадящие методы обследования. Потенциальные неудобства будут смягчены путем выбора времени, удобного для пациента.

   Преимущество: в случае рецидива их симптомов после операции наша модель и алгоритм машинного обучения могут помочь их лечащим нейрохирургам диагностировать рецидив шейной миелопатии на ранней стадии и более точно предсказать, будет ли им польза от операции снова или они выиграют. вместо этого от консервативного управления.

   Пациенты не будут получать никаких платежей, возмещения расходов или каких-либо других льгот или поощрений за участие в этом исследовании, никаких личных выплат сверх обычной заработной платы или любых других льгот или поощрений, а главный исследователь или любой другой исследователь/сотрудник не имеет прямого личного участия (т.е. финансовые, акционерные, личные отношения и т. д.) в организациях, спонсирующих или финансирующих исследования, которые могут привести к возможному конфликту интересов.

   Участники исследования не будут получать никаких выплат, возмещения расходов или каких-либо других льгот или поощрений за участие в этом исследовании.

2. ЦЕЛИ ИССЛЕДОВАНИЯ

ЦЕЛИ

Ранняя диагностика ЦСМ

1. Выявить ранние клинические предикторы диагноза цервикальной миелопатии на основе индивидуальных симптомов, о которых сообщают пациенты, с помощью ретроспективного опросника и, возможно, ретроспективного анализа биохимических, радиологических и клинических данных с помощью обнаружения закономерностей с помощью машинного обучения или, альтернативно, многомерной линейной регрессии.
2. Чтобы преобразовать результаты модели машинного обучения или многомерного регрессионного анализа в систему оценки или инструмент машинного обучения, которые можно использовать в клинической практике для классификации пациентов в группы маловероятной, умеренной или высокой вероятности наличия CSM, чтобы помочь ранней клинической диагностике и предотвратить ненужное использование изображений.

Прогноз исхода лечения CSM

1. Проспективно наблюдать за когортой пациентов с CSM, собирая как можно больше релевантных клинических, биохимических и рентгенологических независимых переменных, а также используя опросник JOACMEQ и mJOA до этого в качестве переменных результатов. Взаимосвязь независимых переменных и переменных результата будет проанализирована с помощью традиционных методов и машинного обучения.
2. Построить и обучить модель машинного обучения для точного прогнозирования результатов лечения пациентов с диагнозом.
3. Использовать модель машинного обучения в качестве основы для разработки инструмента оценки или алгоритма оказания медицинской помощи, который можно использовать в клинических условиях для классификации пациентов с маловероятными, умеренно вероятными или высокими шансами на то, что они будут реагировать на операцию CSM, чтобы помочь в надлежащем ведении CSM. пациенты.

3. ДИЗАЙН ИЗУЧЕНИЯ

Тип исследования: нерандомизированное проспективное и ретроспективное когортное исследование. Продолжительность: проспективное: наблюдения до лечения, через 3 и 6 месяцев после лечения (минимум 18 месяцев).

Ретроспектива: минимум за последние 2 года. Количество пациентов: приблизительно 300 (100 предполагаемых, 200 ретроспективных пациентов).

Эта выборка была определена на основе оценки пациентов с цервикальной миелопатией в Имперском колледже NHS Healthcare Trust в прошлом для проспективного исследования. 100 пациентов с цервикальной миелопатией, пролеченных в Имперском колледже NHS Healthcare Trust в течение следующих 18 месяцев минимум для предполагаемой группы, а также 100 пациентов, пролеченных как минимум за последние 2 года в ICHT, и 100 пациентов с отрицательным диагнозом от одной команды сообщества MSK из Хаунслоу и Richmond Community Healthcare NHS Trust, который находится в зоне обслуживания Имперского колледжа здравоохранения NHS Trust Neurosurgery. Учитывая подход машинного обучения, этот размер выборки может показаться слишком маленьким для сохранения точности (как подробно описано здесь: https://www.fharrell.com/post/ml-sample-size/ ), однако были приняты соответствующие меры для обеспечения высокой точности при избежании переобучения. Для машинного обучения было показано, что на вложенную перекрестную проверку (NCV) не влияет систематическая ошибка из-за небольших размеров выборки, фактически она не линейно положительно или отрицательно реагирует на изменения размера выборки, оставаясь очень точной и надежной (Vabalas et al. ., 2019). Следовательно, мы будем использовать NCV. Кроме того, размер выборки n = 100 и n = 200 соответственно дополнительно усиливается большим количеством характерных признаков (250+ для проспективного исследования, 10-50 для [в зависимости от чистоты данных CMSK] см. оба вопросника) , что значительно положительно влияет на точность модели (Vabalas et al. 2019) Показатели данных: информация, собранная в ходе клинического осмотра и опросников, проведенных ретроспективно по телефону, до операции и через 3 и 6 месяцев после операции. В анкете «Опросник исходов лечения цервикальной миелопатии» прилагается информация, касающаяся сопутствующих заболеваний и симптоматики. Обследование будет тщательным неврологическим обследованием в дополнение к целенаправленному сердечно-сосудистому обследованию. Биохимические маркеры крови из существующих маркеров крови или из записей врачей общей практики, которые были или должны были быть выполнены независимо от этого исследования. Рентгенологические данные будут взяты из обычной МРТ и рентгенографии шейного отдела позвоночника, выполненных в рамках диагностического исследования CSM. Ретроспективная анкета «Опросник ранней диагностики CSM» содержит все вопросы, которые будут собраны ретроспективно по телефону. Кроме того, для анализа и сравнения будут собираться данные о пациентах из местной команды центра MSK, у тех, у кого в конечном итоге диагностирована ВМ, и у тех, кто обследован на предмет ВМ, их клинические, биохимические и рентгенологические данные из местных баз данных SystemOne.

Модель будет преобразована в веб-инструмент прогнозирования результатов лечения по месту оказания медицинской помощи с использованием пакета Shiny в R. Данные и вся соответствующая документация будут храниться в соответствии с политикой доверия, включая период последующего наблюдения.

3.1 ПОКАЗАТЕЛИ РЕЗУЛЬТАТОВ ИССЛЕДОВАНИЯ Показатель mJOA и показатель JOACMEQ являются показателями результатов для проспективной группы исследования. Хорошим ответом на операцию является улучшение на 1 балл по шкале mJOA через 3 и 6 месяцев. Радиологическое подтверждение цервикальной миелопатии является критерием исхода для ретроспективной группы.