Fono- och elektrokardiogramassisterad detektion av valvulär sjukdom (PEA-Valve)

Fono- och elektrokardiogramassisterad detektion av valvulär sjukdom (PEA-ventilstudie)

Specifika mål Mål 1: Kan en maskininlärningsalgoritm härledd från samtidiga fono- och elektrokardiograminspelningar på ett tillförlitligt sätt diagnostisera kliniskt viktig aortastenos?

Mål 2: Kan en maskininlärningsalgoritm härledd från samtidiga fono- och elektrokardiograminspelningar på ett tillförlitligt sätt diagnostisera kliniskt viktiga mitralisuppstötningar?

Betydelse Valvulär hjärtsjukdom (VHD) är ett vanligt globalt hälsoproblem, med befolkningsbaserade studier som visar en prevalens på 10 % för aortastenos (AS) och 20 % för mitralisuppstötningar (MR). Nya kirurgiska och interventionella framsteg möjliggör behandling av patienter i en högre ålder eller vars risk för ingrepp tidigare skulle ha varit ohållbar. Med tanke på att förekomsten av både MR och AS ökar med stigande ålder, finns det ett växande behov av att identifiera dessa tillstånd för att erbjuda sjukdomsförändrande behandlingar.

I nuvarande klinisk praxis bygger diagnosen VHD i hög grad på ekokardiografi. Detta kräver i sin tur både en remiss från en leverantör med en klinisk misstanke om VHD, typiskt sett från en abnormitet vid auskultation, samt tillgång till själva ekokardiogrammet. MR och AS resulterar båda i tillförlitligt reproducerbara auskultatoriska fynd: holosystoliska respektive systoliska crescendo-decrescendo-blåsljud. Trots detta är auskultation som ett diagnostiskt verktyg notoriskt dålig: dess noggrannhet för att detektera MR och AS varierar bara från 5-40%. Dessa faktorer leder alla till oro för underdiagnostik av dessa alltmer behandlingsbara tillstånd.

Här kommer utredarna att ta itu med behoven av både större tillgång till och förbättrad diagnostisk noggrannhet vid testning för VHD. Utredarna kommer att använda en kombination av fonokardiogram (PCG) och single-lead elektrokardiogram (EKG) inspelningar, synkroniserade i realtid till en säker molnbaserad server, med hjälp av Eko Duo elektroniska stetoskop. Med dessa data kommer utredarna att utveckla och validera en maskininlärningsalgoritm för att diagnostisera kliniskt viktiga AS eller MR. Eftersom Eko Duo i huvudsak liknar ett traditionellt stetoskop, ett ikoniskt verktyg som är allmänt accepterat av både patienter och leverantörer, är dess användning för att driva en automatiserad detektionsalgoritm både genomförbar och attraktiv som ett substitut för traditionell auskultation. Dessutom, genom att flytta bördan av testtolkning bort från läkaren och till algoritmen, antar utredarna att detta kommer att förbättra den övergripande diagnostiska noggrannheten.

Metoder Översikt över design: Tvärsnittsstudie av alla försökspersoner som genomgår kliniska ekokardiogram vid UCSF:s ekokardiografilaboratorium för vuxna

Studieämnen Översikt: Utredarna kommer att registrera vuxna försökspersoner som genomgår kliniska ekokardiogram vid UCSF Parnassus campus. Dessa ämnen kommer att grupperas i härlednings- och valideringskohorter sekventiellt, stratifierade efter fallstatus, för att nå den förväntade urvalsstorleken. Sådan gruppering kommer att ske efter ämnesregistrering och datainsamling.

Målgrupp: Vuxna med antingen måttlig till svår till svår AS eller måttlig till svår till svår MR (fall) och vuxna med strukturellt normala hjärtan med minimal VHD (kontroller). I en mer sträng, parallell analys kommer en målpopulation av kontroller att definieras som att ha någon grad av AS eller MR mindre än måttlig till svår.

Tillgänglig population: Vuxna som uppfyller inträdeskriterierna som genomgår kliniska ekokardiogram vid UCSF:s ekokardiografilaboratorium som kan delta.

Provtagningsschema: Utredarna kommer att närma sig ämnen som presenteras för ekokardiografilaboratoriet för vuxna vid UCSF Parnassus i följd. Dessutom kommer utredarna att förhandsgranska försökspersoner med avseende på en hög sannolikhet att ha AS eller MR (baserat på indikation för studie och tidigare diagnoser i APEX-journalen) och selektivt rikta in sig på deras inskrivning under situationer där studiekoordinatorns inskrivningskapacitet är mättad .

Rekryteringsstrategi: Introduktion av studie vid tidpunkten för registrering för ekokardiogram med en broschyr eller flygblad, följt av personlig kontakt med potentiella försökspersoner i väntan på det kliniska ekokardiogrammet.

Retentionsstrategi: Ingen. Utredarna kommer att behålla en masterfil med journalnumren för att identifiera kontaktinformation i framtiden om det anses nödvändigt.

Översikt av mätningar: Studien kommer att fokusera på två mätningar: 1) bedömningen av VHD i guldstandard med ekokardiogram, som rapporterats av UCSF:s ekokardiografilaboratorium. 2) 30 sekunders samtidiga PCG- och enavlednings-EKG-inspelningar av Eko Duo-enheten vid var och en av de fyra vanliga hjärtauskultatorpositionerna, med valfria ytterligare inspelningar med Eko Core-enheten. Studien drar fördel av det faktum att alla kliniska ekokardiogramrapporter inkluderar dessa klaffbedömningar.

Guldstandard: Ekokardiogrammet accepteras som guldstandarden för diagnos av VHD-allvarlighet av kardiologsamhället. För att minimera bördan för utredarna, samt minska kostnaderna, kommer utredarna att dra fördel av att alla kliniska ekokardiogramrapporter inkluderar bedömningar av VHD, som kommer att fungera som guldstandarden. Dessa rapporter följer American Society for Echocardiography (ASE) riktlinjer, som tillåter gradering av VHD enligt följande: ingen, mild, måttlig eller svår. UCSF ekokardiografilaboratoriet inkluderar ytterligare kategorier av spår, mild till måttlig, måttlig till svår och kritisk, vilket möjliggör tolkningar där enskilda parametrar i studien är i konflikt. Den primära mätningen kommer att vara den slutliga slutsatsen av svårighetsgraden av VHD för MR eller AS, som rapporterats av en styrelsecertifierad kardiolog. Utredarna kommer att definiera "kliniskt viktig" VHD som den graderade måttlig till svår eller sämre, eftersom detta skulle omfatta alla sjukdomsnivåer som kan kräva direkt intervention. Dessutom kommer utredarna att extrahera hela ekokardiografirapporten, såväl som bilderna av ekokardiogramfilerna, för att spara data för framtida användning när nya forskningsfrågor uppstår.

Enhetsmätningar: Inspelningar av samtidig PCG och enkelavlednings-EKG kommer att utföras för varje individ på ett standardiserat sätt. Varje försöksperson kommer att genomgå 30 sekunders inspelningar med Eko Duo-enheten vid de fyra vanliga auskultationspositionerna. Observatörer kommer att utbildas i den systematiska metoden för att erhålla mätningar. Om tid och patient tillåter kommer utredarna också att få samma inspelningar med Eko Core-enheten, som använder samma programvara men inte inkluderar EKG-inspelning. Eftersom enheten kommer att möjliggöra visualisering av PCG under inspelning, kommer observatören att få realtidsfeedback om placeringen av enheten för att maximera kvaliteten på inspelningen vid varje position. Utredarna kommer att planera för periodisk granskning av inspelningar för att säkerställa adekvat datakvalitet. Utredarna förutser att denna flexibilitet och realtidsåterkoppling kommer att förbättra generaliserbarheten för användningen av enheten till en verklig värld (dvs. icke-studie) kliniska situationen.

Konfounders och bias: Härledning och validering av algoritmerna kommer att ske på distans, efter att det kliniska ekokardiogrammet har utförts, och därför utan effekt på resultatet av guldstandarden. Testet kan påverkas av förekomsten av andra tillstånd som orsakar systoliska blåsljud (inklusive andra VHD än AS eller MR, eller medfödd hjärtsjukdom). Utredarna kommer att inkludera dessa åtgärder från ekokardiogramrapporten för att jämföra testprestanda hos de med och utan dessa andra tillstånd.

Statistiska frågor Nollhypotes: En maskininlärningsalgoritm kan inte förutsäga förekomsten av kliniskt viktig AS eller MR.

Motivering för provstorlek:

• Algoritmens känslighet: 90 %
• Algoritmens specificitet: 90 %
• Mål sannolikhetsförhållande (+) för algoritm [LR(R)]: 9 (härledd från Sn / [1 - Sp])
• Minsta sannolikhetsförhållande (+) för algoritm [LR(R)]: 5
• Konfidensnivå = 0,95 (alfa = 0,05)
• Konfidensintervall [LR(R)]: 5.120-15.820
• Provstorlek = 110 per grupp; 330 per kohort (kontroll, AS-fall, MR-fall); 660 totalt (utbildnings- och valideringskohorter)
• Sammanfattning: Om man antar att känsligheten och specificiteten hos maskininlärningsalgoritmen för detektering av kliniskt viktig AS eller MR båda är 0,9, förväntas en total provstorlek på 660 inte gå under tröskelns sannolikhetsförhållande på 5,0 i 95 % konfidensintervall i någondera härlednings- eller valideringskohorterna.
• Motivering av kritiska antaganden: Utredarna antar att algoritmen kan producera en känslighet och specificitet på 90 % för att detektera aortastenos eller mitralisuppstötningar jämfört med hjärtan utan klaffsjukdom, baserat på tidigare publicerade rapporter som använder neurala nätverk, med provstorlekar på under 100 fall. Dessutom uppskattar utredarna att ett minsta sannolikhetsförhållande på 5 skulle vara nödvändigt för att testet ska vara kliniskt användbart. Även om denna uppskattning fungerar bra för valideringsuppsättningen är antalet som behövs för härledningsuppsättningen mindre tydligt; uppskattningarna ovan är ett konservativt tal. Utredarna räknar med att träna algoritmen efter registrering av vart 20:e fall med en bootstrapping-metod; detta ger interimstestegenskaper och hjälper till att bestämma det verkliga antalet som behövs för härledningsuppsättningen. Eftersom detta delvis är en pilotstudie är identifiering av testets verkliga känslighet och specificitet i sig ett värdefullt resultat.

Analysmetod: Utredarna kommer att generera ROC-kurvor (plotta Sn vs. 1-Sp) för algoritmpoäng för valideringsuppsättningen. I slutändan kommer utredarna att generera fyra kurvor: två vardera för MR och AS, med hjälp av algoritmer som genereras av den primära (definierar kontroller som inte har mer än mild VHD) och sekundära (definierar kontroller som inte har måttlig till svår eller högre VHD) tillvägagångssätt . Dessutom förväntar sig utredarna att utföra utforskande, beskrivande analyser av själva algoritmen, genom att identifiera kliniska korrelationer till de egenskaper som är mest viktade vid detektering av AS eller MR.

Övrigt Etiska överväganden: Inga större bekymmer. Data kommer att lagras säkert på HIPAA-kompatibla plattformar. Studien kvalificeras som minimal risk enligt UCSF CHR-kriterier.

Förtestplaner: Innan studierekrytering kommer studiepersonalen att samla in data om sig själva och leverantörer för att testa datainsamlingssystemet. Under den första ämnesrekryteringen kommer studiepersonalen att se över processen efter varje dag för att diskutera vägspärrar eller problem.

Datahanteringsplan: Data från studien kommer från två källor. Rapporter om ekokardiogram, extraherade från den elektroniska journalen (APEX), kommer att granskas av studiepersonalen för att generera huvuddatabasen med sjukdomsegenskaper. En huvudfil som länkar ämnesidentifierare med identifierbar information, såväl som extraherade och avidentifierade ekokardiogramrapporter och avidentifierade råa ekokardiogrambilder kommer att lagras på en säker forskningsserver som används av avdelningen för kardiologi. Inspelade PCG- och EKG-data (de faktiska studiemätningarna) kommer att synkroniseras i realtid till en säker, HIPAA-kompatibel, molnbaserad server som hanteras av Eko Devices. Vid fördefinierade tider för algoritmträning kommer maskininlärningsteamet (samordnat av Eko Devices) att ges nycklar för tilldelningen av ämnesidentifierare till VHD-kategori.

Kvalitetskontrollåtgärder: Periodisk granskning av registrerade data kommer att utföras av studiens PI för att säkerställa lämplig datakvalitet.

Tidtabell:

Kontrakt/Logistik Ämne Inskrivning Algoritm Utvecklingsanalys Publikation Övergripande tidtabell: 9 månader