Многоцентровое исследование головокружения CAVA (CAVA 2)

Это многоцентровое исследование диагностической точности с целевым набором 255 взрослых участников. Набор будет проходить на десяти объектах в Великобритании в течение двух лет. Чтобы иметь право на участие, участники должны иметь существующий диагноз болезни Меньера, вестибулярной мигрени или ДППГ. В исследовании примут участие восемьдесят пять участников с каждым условием. Диагноз каждого пациента будет формировать «эталонный стандарт», который позже будет сравниваться с автоматизированной компьютерной диагностикой.

Каждый участник будет носить устройство CAVA почти непрерывно в течение тридцати дней. Устройство будет записывать все движения глаз и головы в течение этого времени, в том числе во время любых эпизодов головокружения. Когда у пациента возникает эпизод головокружения, его попросят активировать маркер события на устройстве CAVA и вести письменную запись начала и продолжительности приступа в дневнике. Хотя эта ручная регистрация не будет использоваться для разработки алгоритма, данные за все 30 дней будут использоваться для обнаружения периодов движения глаз, связанных с головокружением.

Исследователи разработают компьютерные алгоритмы, которые используют данные, собранные устройствами CAVA, для различения трех целевых состояний. Эти алгоритмы будут основываться на алгоритмах, разработанных в ходе текущего гранта MRC, которые дали отличные результаты10,11,17. Алгоритмы используют нейронные сети глубокого обучения (DNN) в так называемом сквозном подходе. В этом подходе многослойная сеть принимает в качестве входных данных «необработанные» данные во временной области и выводит решение о классификации без использования каких-либо явных промежуточных представлений сигнала (таких как энтропия сигнала, мощность, асимметрия, эксцесс и т. д.). Было показано, что сквозные подходы, которые обычно используют чередующиеся последовательности слоев свертки и объединения, полностью подключенные слои, автокодировщики и слои долговременной кратковременной памяти (LSTM), превосходят традиционные подходы в случаях, когда требуется большое количество обучения. данные доступны. Однако они дают мало информации о том, как они работают (т. е. какие характеристики сигнала важны для классификации). Поэтому также будет рассмотрена возможность разработки методов, в которых генерируются промежуточные представления, а затем используются эти входные функции для тестирования ряда классификаторов (например, усиленных деревьев, случайных лесов, логистической регрессии, машин опорных векторов и т. д.).

Производительность алгоритмов будет оцениваться с использованием метода «перекрестной проверки с исключением одного», который является обычным способом оценки классификаторов.22 В этом методе данные одного пациента откладываются, а оставшиеся данные других пациентов используются для «обучения» классификатора. Алгоритм, обученный различать три условия, будет упоминаться как «классификатор». Затем классификатор тестируется на отложенных данных: процесс тестирования состоит из сравнения предсказанного классификатором диагноза («болезнь Меньера», «вестибулярная мигрень» или «ДППГ») с истинным диагнозом (эталонная стандартная метка). Этот процесс повторяется, каждый раз удаляя данные о разных пациентах, что приводит к автоматической диагностике для всех 255 пациентов. Несмотря на большие вычислительные затраты, это гарантирует, что классификатор не «увидит» во время обучения данные от тестируемого пациента, что могло бы повлиять на его решение. Это также близко соответствует реальному сценарию нового пациента, обращающегося к своему врачу, и диагноза, поставленного на основе их опыта других пациентов.

В исследовании будут представлены чувствительность и специфичность диагностики каждого из трех целевых состояний и кривых оператора приемника (ROC), показывающие, как точность диагностики изменяется для различных пороговых значений классификации.

Целевые состояния имеют разную частоту. Для отражения этого дисбаланса в статистических расчетах этого исследования потребуются многие тысячи пациентов с наиболее распространенными из этих состояний. Считается, что это было бы экономически невыгодно и не добавило бы ценности исследованию. Полученные результаты будут достаточно надежными, чтобы продемонстрировать эффективность системы и ожидаемую частоту выявления каждого заболевания.

Экономист в области здравоохранения (HE) оценит потенциальные ресурсы, экономию финансовых средств и преимущества для пациентов диагностического пути, включающего CAVA, по сравнению с существующими путями. Дизайн исследования обеспечивает включение в исследование надлежащего сбора данных для экономической оценки. Будет разработана ранняя модель экономической эффективности с использованием ретроспективных данных о пациентах (например, анамнеза, количества тестов и посещений больницы). Модель покажет потенциальную экономию и преимущества прогностических алгоритмов CAVA при различных гипотетических порогах диагностической точности по сравнению со стандартным диагностическим путем. В настоящее время будет разработан контрфактический путь диагностики с помощью устройства CAVA в сравнении со стандартными стандартами медицинской помощи, чтобы информировать о наиболее вероятных потенциальных экономических выгодах.

Консультант по коммерциализации будет контролировать портфель работ по поддержке коммерциализации системы CAVA. Они подготовят план доступа к рынку с подробным описанием пути CAVA к коммерциализации и подтвердят место CAVA в рамках существующих путей NHS и то, как он будет реализован. Исследователи будут опираться на предыдущую работу фокус-группы с мероприятием заинтересованных сторон с участием специалистов, пациентов и заинтересованных сторон в области ИТ из организаций NHS. Следователи определят важные для заинтересованных сторон вопросы, касающиеся возможности усыновления в рамках NHS, и обеспечат поддержку для усыновления. Будет проведено мероприятие PPI для рассмотрения промежуточных результатов исследования и мероприятие по распространению информации, чтобы поделиться результатами с общественностью. На протяжении всего проекта будут задействованы перспективные лицензии.